一种基于信用主体关联强度的信用风险传递方法

技术领域

本发明涉及信用风险传递计算技术领域，尤其涉及一种基于信用主体关联强度的信用风险传递方法。

背景技术

信用风险并非孤立存在，而是存在传递效应，信用风险的传递是宏观经济与微观经济相结合的作用，宏观的角度，是指宏观经济增长放缓，市场投资风险偏好下降，融资环境收紧等总量因素；信用风险的传递从微观的角度来看，主要是指企业之间由于生产、投资、融资等活动一系列微观经济联系所引发的信用风险传递效应。

正是由于社会生产生活中的信用主体之间存在错综复杂的联系，信用风险在所形成的社会网络中多路径传递，目前没有一个有效的办法来解决信用风险的传递问题，降低信用风险对相关机构的影响度。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于信用主体关联强度的信用风险传递方法，能够降低信用风险对相关机构的影响度。

为解决上述技术问题，本发明提供如下技术方案：包括，利用信用知识图谱技术构建信用主体间信用关系网；根据蚁狮算法寻找一个或多个最有影响力的结点作为关键点，构造信用主体基于关联强度的信用传递路径；当所述信用主体发生变化时，则通过深度优先算法查找所述信用传递路径，并计算相关结点受当前主体的影响程度；利用不相关度策略计算得到叠加后的影响度，获得多条重要的关键路径，构建有向无循环图；基于所述有向无循环图计算出最小化时间的信用传递关键路径，将信用风险逐级传递下去，降低信用风险对相关机构的影响度。

作为本发明所述的基于信用主体关联强度的信用风险传递方法的一种优选方案，其中：构建所述信用关系网包括，对采集的信用主体数据进行预处理、实体识别及关系抽取、实体对齐及生成知识图谱；利用识别技术将所述数据转化为文本，再转换为知识；对于关系型数据库存储的结构化数据，直接通过D2R转换提取实体及关系；对非结构化数据库生成的文本，根据信用主体专业语料库生成自定义分词，对所述文本进行分词。

作为本发明所述的基于信用主体关联强度的信用风险传递方法的一种优选方案，其中：还包括，利用CRF+双向LSTM进行实体识别，根据SDP+LSTM进行关系抽取，形成初步知识；对所述实体进行消岐、同义词装换处理、实体间关系进行共指消解；进行质量评估后形成正确的知识并存入所述知识图谱中，生成所述信用关系网。

作为本发明所述的基于信用主体关联强度的信用风险传递方法的一种优选方案，其中：得到所述信用传递路径包括，

其中，N为测量点数，L为传感器个数，即AP

作为本发明所述的基于信用主体关联强度的信用风险传递方法的一种优选方案，其中：计算所述影响程度需构建深度学习模型，包括，CNN层和编码层；所述CNN层包括，卷积层、池化层和全连接层；所述编码层包括，卷积编码层和卷积解码层。

作为本发明所述的基于信用主体关联强度的信用风险传递方法的一种优选方案，其中：所述深度学习模型需进行训练，包括，将训练集输入所述深度学习模型中，所述编码层对所述训练集进行无监督预训练，获取所述训练集的初步特征；利用提取的特征初始化所述卷积层，得到训练样本标签；所述CNN层依次对预训练后的所述训练集进行卷积、池化和全连接处理；所述编码层对卷积处理的所述训练集进行卷积编码和解码处理，输出数据反馈至所述卷积层；所述CNN层结束所述全连接处理后输出识别结果并判断是否与所述训练样本标签一致。

作为本发明所述的基于信用主体关联强度的信用风险传递方法的一种优选方案，其中：还包括，若所述识别结果与所述训练样本标签一致，则停止迭代训练，所述深度学习模型训练完成；若所述识别结果与所述训练样本标签不一致，则继续进行迭代训练，直至判断结果一致时停止训练，输出所述深度学习模型。

作为本发明所述的基于信用主体关联强度的信用风险传递方法的一种优选方案，其中：构建所述有向无循环图，包括，按照影响度从高到低的顺序对所述关键路径进行解析；在解析后的所述关键路径中添加所述关键点，得到所述信用传递关键路径。

本发明的有益效果：本发明通过知识图谱技术构建结构图，找到关键点和关键路径，计算影响度，优化信用传递时间，将信用风险逐级传递下去，降低信用风险对相关机构的影响度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例所述的基于信用主体关联强度的信用风险传递方法的流程示意图；

图2为本发明一个实施例所述的基于信用主体关联强度的信用风险传递方法的影响力权值示意图；

图3为本发明一个实施例所述的基于信用主体关联强度的信用风险传递方法的采用爬虫算法结合深度优先搜索和剪枝策略选取影响力最大的结点崩塌示意图；

图4为本发明一个实施例所述的基于信用主体关联强度的信用风险传递方法的实验对比曲线输出示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1~图4，为本发明的第一个实施例，提供了一种基于信用主体关联强度的信用风险传递方法，包括：

S1：利用信用知识图谱技术构建信用主体间信用关系网。其中需要说明的是，构建信用关系网包括：

对采集的信用主体数据进行预处理、实体识别及关系抽取、实体对齐及生成知识图谱；

利用识别技术将数据转化为文本，再转换为知识；

对于关系型数据库存储的结构化数据，直接通过D2R转换提取实体及关系；

对非结构化数据库生成的文本，根据信用主体专业语料库生成自定义分词，对文本进行分词；

利用CRF+双向LSTM进行实体识别，根据SDP+LSTM进行关系抽取，形成初步知识；

对实体进行消岐、同义词装换处理、实体间关系进行共指消解；

进行质量评估后形成正确的知识并存入知识图谱中，生成信用关系网。

S2：根据蚁狮算法寻找一个或多个最有影响力的结点作为关键点，构造信用主体基于关联强度的信用传递路径。本步骤需要说明的是，得到信用传递路径包括：

其中，N为测量点数，L为传感器个数，即AP

S3：当信用主体发生变化时，则通过深度优先算法查找信用传递路径，并计算相关结点受当前主体的影响程度。其中还需要说明的是，计算影响程度需构建深度学习模型，包括：

CNN层和编码层；

CNN层包括，卷积层、池化层和全连接层；

编码层包括，卷积编码层和卷积解码层。

进一步的，深度学习模型需进行训练，包括：

将训练集输入深度学习模型中，编码层对训练集进行无监督预训练，获取训练集的初步特征；

利用提取的特征初始化卷积层，得到训练样本标签；

CNN层依次对预训练后的训练集进行卷积、池化和全连接处理；

编码层对卷积处理的训练集进行卷积编码和解码处理，输出数据反馈至卷积层；

CNN层结束全连接处理后输出识别结果并判断是否与训练样本标签一致；

若识别结果与训练样本标签一致，则停止迭代训练，深度学习模型训练完成；

若识别结果与训练样本标签不一致，则继续进行迭代训练，直至判断结果一致时停止训练，输出深度学习模型。

S4：利用不相关度策略计算得到叠加后的影响度，获得多条重要的关键路径，构建有向无循环图。设

本步骤还需要说明的是，构建有向无循环图，包括：

按照影响度从高到低的顺序对关键路径进行解析；

在解析后的关键路径中添加关键点，得到信用传递关键路径。

S5：基于有向无循环图，启发式方法优化信用传递时间，将信用风险逐级传递下去，降低信用风险对相关机构的影响度。

较佳的是，本实施例为了便于非本专业人员对该技术方案解决技术难点的理解，作出如下详细说明：

（1）关于信用风险传递问题描述；

在信用主体关联网（有向无循环图）G(V,E)中，V代结点的集合，每个结点表示一个信用个体或信用组织，E代表边的集合，每条边表示信用主体间的关系（母子关系、股权关系、供应关系等），每个信用主体依据信用评价模型计算得到其信用值，已有的信用相关领域实证研究表明，信用主体信用风险的传递主要与信用主体关联网的关联密度、信用主体间的关联度有关，对V中的某个结点i（某信用主体），假设

其中，结点j的各邻居结点对其影响是一个累积的过程，当累积的影响

参照图2，为带有影响力权值的网络中，3号结点受到1号和2号结点的影响，根据G(V,E)中的某个结点j受到多点多路径复合影响度的计算定义得到的

（2）关于信用主体关联网影响力最大化结点搜索技术路线；

信用主体关联网影响力最大化结点搜索策略分为两个步骤：①、启发式方法获得初始具有潜在影响力的结点集合

①、启发式方法获得初始具有潜在影响力的结点集合

结点i的出度

定义结点i的全局影响因子为：

启发式方法的算法框架如下：

输入：G(V,E)，结点集合

输出：初始具有潜在影响力的结点集合

1、

2、for each i，

3、计算其全局影响因子

4、endfor

5、对各结点按

6、从中选出前a%个结点加入到

②、采用爬虫算法结合深度优先搜索和剪枝策略选取影响力最大的结点；

基于初始具有潜在影响力的结点集合

参照图3，为避免重复计算和加快搜索速度，若经某一路径传递过程中结点j的受影响度

选取影响力最大的结点的算法框架如下：

输入：G(V,E)，初始结点集合

输出：影响力最大的结点集合

1、 for each i，

3、 根据其出度

4、 采用深度优先搜索策略计算各结点j受i影响的复合度

5、 for 搜索路径中的任一结点j

6、 if

7、 采用剪枝算法删除j所有的入边

8、

9、 endif

10、endfor

11、对更新后

优选的，为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例选择以传统的信用关联传递方法与本发明方法进行对比测试，以科学论证的手段对比试验结果，验证本发明方法所具有的真实效果。

传统信用关联传递方法无法降低信用传递对相关机构的影响，为验证本发明方法相对于传统方法具有较高的影响消除性和传递安全性，本实施例中将采用传统方法与本发明方法分别对仿真信用系统进行实时测量对比。

测试环境：（1）将信用主体运行状态量输入PSAPAC软件中进行仿真运行，分别仿真信用风险传递的运行；

（2）采用2019年1月至12月的历史运行状态检测案例作为实验数据，选择100组进行归一化处理和训练，最终确定训练度较高、归一化较好的10组数据作为测试集；

（3）分别采用两种方法对该实验数据进行分析，每种方法各测试10组数据，计算获得每组数据的状态识别量，与仿真模拟输入的状态量进行对比计算误差。

参照图4，为试验对比的最终结果输出曲线示意图，其中，实线为本发明输出的曲线，虚线为传统方法输出的曲线，根据图4的示意，能够直观的看出实线与虚线随着时间的增长，逐渐拉开了距离，虚线一直呈现不稳定的波动趋势，且一直低于实线的安全性增长，虽然实线也略有波动，但是基本趋于稳定，更一直保持在虚线的上升位置，由此，验证了本发明方法所具有的真实效果。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。