面向风控的企业关联信息知识图谱构建与应用研究

发布时间：2021-10-25 05:27

　　随着经济的不断发展,在市场交易和投资领域产生了大量的信用主体,其中的组织机构主体包括企业、投资公司和银行等,人物主体包括企业关键人物和投资人等。这些主体之间存在着大量且复杂的关联关系,而当某些信用主体出现失信行为,与其密切关联的主体产生信用风险的概率也将增加。传统的数据模型难以高效分析和利用这些关联关系。本文通过构建企业关联信息领域的知识图谱,分析目标企业资质和信用,及其是否与低信用企业密切关联,建立了企业风控模型,能有效帮助评估风险优化决策。除此之外,知识图谱通过知识库推理还可以获取到企业间隐含的关联关系等有价值的信息。本文围绕企业关联信息知识图谱的构建与应用展开研究,具体的研究内容如下:第一,研究企业关联信息知识图谱的构建。知识图谱的构建流程一般为知识表示建模、知识抽取和知识存储融合等。本文针对企业信息数据建立了合适的知识表示的数据模型,然后分别对结构化、非结构化类型的数据设计了知识抽取方法完成了高质量的知识抽取,并应用Neo4j图数据库进行数据存储,建立了企业关联信息垂直领域的知识图谱。第二,研究知识库推理对企业关联信息知识图谱的补全和完善。本文主要研究了企业关联信息知识图谱中上... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

LSTM网络结构图

第 2 章 相关理论与技术完成这一步，特征信息到达输出门，通过归一化函数确定哪个部分信息需要输出。然后通过一个 tanh 函数进行处理正负一之间的值并将它和归一化结果相乘，最终得到输出，公式如下： = ( π ) (2-5) = ( ) (2-6)在公式 2-5 中， 为 t 时刻的归一化函数的结果， 表示在 o 状态下对于输入 的参数。公式 2-6 中， 为 t 时刻隐藏层的向量。通过这些网络单元的设计让 LSTM 模型能一定程度的抵抗梯度溃散的影响。近年来，LSTM 模型实际应用和学术领域都被广泛研究，在文字和图像处理领域都有不错的效果。其主要应用于序列处理问题上，特别是对于文本进行处理的相关任务例如机器翻译、实体识别等。根据其结构的不同可以划分为五种LSTM 模型，可以分别实现判别和生成模型，LSTM 常用结构如图 2-4 所示。

北京工业大学工程硕士专业学位论文输出的对齐位置进行预测，其公式如下： = × ( ¨ ￠ ( )) 2-7 中，L 是序列的总长，模型中需要训练的参数有 W过一个服从于N( )的正太分布来创建，对于注意能减小距离。Attention 模型结构如下图所示：

【参考文献】：
期刊论文
[1]基于深度学习的中文实体关系抽取方法[J]. 孙紫阳,顾君忠,杨静.  计算机工程. 2018(09)
[2]关系模型向RDF（S）模型转换研究[J]. 杨王黎,郑雪芸,袁满.  微型电脑应用. 2017(09)
[3]利用D2R实现关系数据库到关联数据的转换[J]. 谢刚.  电子商务. 2017(07)
[4]基于深度神经网络的中文命名实体识别[J]. 张海楠,伍大勇,刘悦,程学旗.  中文信息学报. 2017(04)
[5]基于知识图谱的Web信息抽取系统[J]. 王辉,郁波,洪宇,肖仰华.  计算机工程. 2017(06)
[6]基于BLSTM的命名实体识别方法[J]. 冯艳红,于红,孙庚,孙娟娟.  计算机科学. 2018(02)
[7]知识图谱的发展与构建[J]. 李涛,王次臣,李华康.  南京理工大学学报. 2017(01)
[8]知识图谱技术综述[J]. 徐增林,盛泳潘,贺丽荣,王雅芳.  电子科技大学学报. 2016(04)
[9]结合Rete的RDF数据分布式并行推理算法[J]. 汪璟玢,郑翠春.  模式识别与人工智能. 2016(05)
[10]知识图谱构建技术综述[J]. 刘峤,李杨,段宏,刘瑶,秦志光.  计算机研究与发展. 2016(03)

硕士论文
[1]基于规则的百科人物属性抽取算法的研究[D]. 李红亮.西南交通大学 2013



本文编号：3456742