【技术实现步骤摘要】
本申请涉及企业信用风险评估，具体涉及一种基于多视图动态超图神经网络的中小企业信用风险评估方法。
技术介绍
1、
2、近年来不断快速发展的图神经网络为企业信用风险评估方法提供了新的方向，通过供应链中企业之间的关联关系构建企业图(网络/图谱)可以更好地评估企业信用风险。但是现有的企业信用风险评估方法主要依赖于企业的财务特征，因此其应用对象一般为可以提供足够数据的大型企业，难以应用于缺乏财务数据的中小企业。另外，在现有的企业信用风险评估方法中，通常只关注供应链中企业之间的某一种关联关系，缺乏对于企业之间多种关联关系相互影响的考虑。
技术实现思路
1、为了解决这些问题，本专利技术提出了一种基于多视图动态超图神经网络的中小企业信用风险评估方法。
2、选择广泛存在并且对于企业信用风险具有重要影响的企业诉讼数据作为评估中小企业信用风险的主要特征。通过动态超图神经网络获取企业的隐藏高阶特征，并且利用企业之间的多种关联关系加强对于企业特征的学习效果。以此来解决金融机构对于中小企业的信用风险评估问题。
3、为了实现上述方法，本专利技术采用的技术方案如下：一种基于多视图动态超图神经网络的中小企业信用风险评估方法，包括：
4、步骤1)采集企业的行用风险相关数据，包括企业的基本数据、诉讼数据和企业关联关系数据。
5、步骤2)对企业数据进行预处理，根据不同供应链中企业样本的标签分布情况确定数据集划分索引，构建数据集；
6、步骤3)根据采集
7、步骤4)构建多视图动态超图神经网络模型框架，获取企业的信用风险评估结果；所述的多视图动态超图神经网络模型框架包括：使用超图神经网络分别学习股权超图和供应商超图中的高阶特征；通过动态超图神经网络重新构造股权超图和供应商超图，学习企业超图中的隐藏特征；使用多视图动态超图神经网络聚合从不同超图中学习到的企业特征表示，学习多种企业关联关系相互影响下的企业信用风险特征，得到目标企业特征表示。
8、步骤5)通过目标企业特征表示得到企业信用风险评估结果。
9、进一步地，步骤2)具体包括：对企业样本进行筛选，对样本特征统一标准并进行归一化，得到特征集。根据企业之间的共同股东关联关系构建股权邻接矩阵，根据企业的供应商关系构建供应商邻接矩阵。
10、进一步地，步骤3)中所述股权超图构建方式具体为：由具有共同股东的企业作为超边中的节点，即对于企业节点集合中的任意企业节点vi∈v，遍历企业共同股东关联关系邻接矩阵，找到与该企业节点具有相同股东的其他企业节点，并将其索引列表作为一条超边ei添加到超边集合eq中，由此可得企业股权超图gq＝{v，eq}，其中vq为企业节点集合，eq为企业超边集合。
11、进一步地，步骤3)所述供应商超图构建方式具体为：由企业及其所有供应商作为超边中的节点，即对于企业节点集合中的任意企业节点vi∈v，遍历企业供应商关联关系邻接矩阵，找到该企业节点的所有供应商企业节点，并将其索引列表作为一条超边ei添加到超边集合es中，由此可得企业供应商超图gs＝{v，es}，其中vs为企业节点集合，es为企业超边集合。
12、进一步地，步骤4)中采用超图神经网络用于学习企业股权超图和企业供应商超图中高阶特征，即对于初始企业节点特征表示分别根据股权超图和供应商超图经过超图神经网络的节点卷积获取股权超边特征表示和供应商超边特征表示然后通过超边卷积获取股权超图目标企业节点特征表示和供应商超图目标企业节点特征表示
13、其中节点卷积将超边中的节点特征加权聚合后得到超边特征，即对于超边内的k个节点，通过多层感知器(mlp)学习一个k×k变换矩阵t，用于特征排列和加权，超边特征的更新定义如下。
14、
15、其中xv是节点特征表示，ei是超边，v是超边内节点，t是超边内节点的变换矩阵。
16、超边卷积将节点相邻超边的特征加权聚合后得到更新后的节点特征，即对于节点相邻的每个超边通过自注意力学习每个超边的权重，然后通过超边的加权平均来更新节点特征。节点特征的更新公式如下。
17、
18、
19、其中表示节点v的相邻超边集合，w表示超边的注意力权重矩阵，表示w中对应超边ei的注意力权重。
20、进一步地，所述动态超图神经网络用于重构超图，获取图中隐藏的高阶特征。利用k-nn方法和k-means方法进行超图重构，即对于节点vi∈v，分别根据经过超图神经网络更新后的股权节点特征表示eq和供应商节点特征表示es计算其n-1个最近邻节点，将其与节点vi分别组成新的超边和后添加到对应的超边集合中，更新股权超图gq和供应商超图gs。同时使用k-means对股权超图和供应商超图分别进行聚类计算，对于节点vi∈v，将其最近的m-1个聚类中心指定为该节点的相邻超边，并将其添加到节点vi对应超图的相邻超边集合中；然后通过节点卷积和超边卷积获取更新后的股权超图和供应商超图的隐藏高阶特征，并将得到的节点特征表示连接得到多视图节点特征表示
21、进一步地，所述多视图动态超图神经网络用于学习多种企业关联关系相互影响下的企业信用风险特征。即根据由股权超图和供应商超图中学习到的企业隐藏高阶特征聚合得到的使用k-nn和k-means方法构建超图gm，通过节点卷积和超边卷积学习gm中多种企业关联关系影响下的企业信用风险，得到企业目标节点表示。
22、进一步地，所述企业信用风险评估为：将企业目标节点表示输入到使用logsoftmax激活函数的全连接层，得到每个企业节点的信用风险分类。
23、本专利技术有益效果：本专利技术基于多视图动态超图神经网络的中小企业信用风险评估方法，该多视图动态超图神经网络框架msdhgnn(multi-view dynamic hypergraph neuralnetwork，msdhgnn)获取超图中的高阶隐藏特征，并根据不同超图特征的相互影响提高对于企业信用风险的学习效果。在真实世界中的企业信用风险数据集上进行了大量的实验表明，msdhgnn可以提高对于企业信用风险的评估效果。
本文档来自技高网...【技术保护点】
1.一种基于多视图动态超图神经网络的中小企业信用风险评估方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多视图动态超图神经网络的中小企业信用风险评估方法，其特征在于，所述步骤2)具体包括：对企业样本进行筛选，对样本特征统一标准并进行归一化，得到特征集；根据企业之间的共同股东关联关系构建股权邻接矩阵，根据企业的供应商关系构建供应商邻接矩阵。
3.根据权利要求1所述的基于多视图动态超图神经网络的中小企业信用风险评估方法，其特征在于，所述步骤3)中，股权超图构建方式具体为：由具有共同股东的企业作为超边中的节点，即对于企业节点集合中的任意企业节点vi∈V，遍历企业共同股东关联关系邻接矩阵，找到与该企业节点具有相同股东的其他企业节点，并将其索引列表作为一条超边ei添加到超边集合EQ中，由此可得企业股权超图GQ＝{V，EQ}，其中VQ为企业节点集合，EQ为企业超边集合。
4.根据权利要求1所述的基于多视图动态超图神经网络的中小企业信用风险评估方法，其特征在于，所述步骤3)中，供应商超图构建方式具体为：由企业及其所有供应商作为超边中的节点，即对于企
5.根据权利要求1所述的基于多视图动态超图神经网络的中小企业信用风险评估方法，其特征在于，所述步骤4)中，采用超图神经网络用于学习企业股权超图和企业供应商超图中高阶特征，即对于初始企业节点特征表示分别根据股权超图和供应商超图经过超图神经网络的节点卷积获取股权超边特征表示和供应商超边特征表示然后通过超边卷积获取股权超图目标企业节点特征表示和供应商超图目标企业节点特征表示其中节点卷积将超边中的节点特征加权聚合后得到超边特征，即对于超边内的k个节点，通过多层感知器(MLP)学习一个k×k变换矩阵T，用于特征排列和加权，超边特征的更新定义如下：
6.根据权利要求5所述的基于多视图动态超图神经网络的中小企业信用风险评估方法，其特征在于，所述动态超图神经网络用于重构超图，获取图中隐藏的高阶特征；利用k-NN方法和k-means方法进行超图重构，即对于节点vi∈V，分别根据经过超图神经网络更新后的股权节点特征表示EQ和供应商节点特征表示ES计算其n-1个最近邻节点，将其与节点vi分别组成新的超边和后添加到对应的超边集合中，更新股权超图GQ和供应商超图GS。同时使用k-means对股权超图和供应商超图分别进行聚类计算，对于节点vi∈V，将其最近的m-1个聚类中心指定为该节点的相邻超边，并将其添加到节点vi对应超图的相邻超边集合中；然后通过节点卷积和超边卷积获取更新后的股权超图和供应商超图的隐藏高阶特征，并将得到的节点特征表示连接得到多视图节点特征表示
7.根据权利要求6所述的基于多视图动态超图神经网络的中小企业信用风险评估方法，其特征在于，所述多视图动态超图神经网络用于学习多种企业关联关系相互影响下的企业信用风险特征；即根据由股权超图和供应商超图中学习到的企业隐藏高阶特征聚合得到的使用k-NN和k-means方法构建超图GM，通过节点卷积和超边卷积学习GM中多种企业关联关系影响下的企业信用风险，得到企业目标节点表示。
8.根据权利要求1所述的基于多视图动态超图神经网络的中小企业信用风险评估方法，其特征在于，所述步骤4)企业信用风险评估过程是：将企业目标节点表示输入到使用LogSoftmax激活函数的全连接层，得到每个企业节点的信用风险分类。
...【技术特征摘要】
1.一种基于多视图动态超图神经网络的中小企业信用风险评估方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多视图动态超图神经网络的中小企业信用风险评估方法，其特征在于，所述步骤2)具体包括：对企业样本进行筛选，对样本特征统一标准并进行归一化，得到特征集；根据企业之间的共同股东关联关系构建股权邻接矩阵，根据企业的供应商关系构建供应商邻接矩阵。
3.根据权利要求1所述的基于多视图动态超图神经网络的中小企业信用风险评估方法，其特征在于，所述步骤3)中，股权超图构建方式具体为：由具有共同股东的企业作为超边中的节点，即对于企业节点集合中的任意企业节点vi∈v，遍历企业共同股东关联关系邻接矩阵，找到与该企业节点具有相同股东的其他企业节点，并将其索引列表作为一条超边ei添加到超边集合eq中，由此可得企业股权超图gq＝{v，eq}，其中vq为企业节点集合，eq为企业超边集合。
4.根据权利要求1所述的基于多视图动态超图神经网络的中小企业信用风险评估方法，其特征在于，所述步骤3)中，供应商超图构建方式具体为：由企业及其所有供应商作为超边中的节点，即对于企业节点集合中的任意企业节点vi∈v，遍历企业供应商关联关系邻接矩阵，找到该企业节点的所有供应商企业节点，并将其索引列表作为一条超边ei添加到超边集合es中，由此可得企业供应商超图gs＝{v，es}，其中vs为企业节点集合，es为企业超边集合。
5.根据权利要求1所述的基于多视图动态超图神经网络的中小企业信用风险评估方法，其特征在于，所述步骤4)中，采用超图神经网络用于学习企业股权超图和企业供应商超图中高阶特征，即对于初始企业节点特征表示分别根据股权超图和供应商超图经过超图神经网络的节点卷积获取股权超边特征表示和供应商超边特征表示然后通过超边卷积获取股权超图目标...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。