基于本体论的物流金融风险关联挖掘模型研究
发布时间：2021-06-09 08:40
在传统的物流金融风险管理控制研究中,更多的是关注风险事件与风险事件之间一对一的对应因果关系,然而在现实中物流金融风险事件的成因比较复杂,而且不同的风险因素相互作用、相互关联使得所产生的风险较为复杂多变,为了更好的促进物流金融的健康发展、减少风险事件的发生频率,有必要研究风险之间的关联特性和关联模式。首先,对物流金融风险、风险关联分析、本体的相关文献进行了梳理和归纳,主要包括风险管理理论、风险关联管理理论、本体理论和数据挖掘原理及方法。其次,从物流风险的内涵、物流金融风险的概念及特征和物流金融风险类别及成因这三大方面,阐述了物流金融风险体系结构。再者,在充分考虑风险关联模式和关联特性的基础上设计了物流金融风险本体框架OntoLFR,,并以物流金融风险本体框架为蓝本,从类层、属性层和实例层三个层次构建了物流金融风险本体模型LFROM。然后,采用Apriori数据挖掘算法挖掘物流金融风险事件隐患库中风险与风险之间的关联规则,载入构建好的本体模型LFROM中。最后,设计融资企业卷款逃跑的风险事件（RWrisk）仿真案例并利用本体模型LFROM进行推演计算,验证物流金融风险...
【文章来源】：江西财经大学江西省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
论文研究技术路线
2.相关概念与理论基础11图2-1七步法框图2.2数据挖掘时代的飞速发展使得每天产生的数据是十分庞大的，从海量的数据中识别有用有价值的数据需要依靠数据挖掘这门计算机科学技术，挖掘出来的数据经过整合、划分、归并等操作一步一步演化成我们所需要的信息，这时就完成了知识工程中，数据到信息再到知识的转变。在数据挖掘中，科学家开发多种数据处理的方法，方便人们更快更高效的获取有价值的东西，这也加快了数据向知识转变的进程[46]。总体来说，数据挖掘将会在知识工程中起着较为重要的支撑作用，不仅能促进知识工程的发展，而且对人类文明的进步具有重要的推动作用。有监督学习和无监督学习是数据挖掘算法的两个主要模块。无监督学习是指在构建数据模型时不需要进行部分的数据训练，如k-means等聚类算法；有监督学习是指在构建数据模型时需要拿出一部风数据进行数据训练，如贝叶斯分类算法等[47]。数据挖掘任务主要分为三种分别为聚类、分类和关联分析，聚类是根据距离的远近自然聚合成类，分类算法是按照某一特征对数据进行划分，关联分析是从数据中找到数据项与数据项之间存在的某种特殊定律，包括渐变定律、反馈定律、推理定律等。数据挖掘过程主要分为五个阶段。（1）明确目的、数据建模的目的。（2）准备数据，减少被污染的数据。（3）使用软件或程序设计来运行挖掘算法。（4）挖掘结果分析；（5）模型优化及再挖掘[48]。
基于本体论的物流金融风险关联挖掘模型研究14图2-2关联规则挖掘实现过程（3）关联规则的描述两个数据项在每个文本案例中会经常同时出现，那么这两个数据项之间存在着关联特性。以此类推，当多个数据项同时在很多个案例文本中出现，那么它们之间存在关联关系。（4）关联规则算法实现关联规则算法最为经典的是Apriori关联规则挖掘算法[55]，首先查找频繁项集，看哪些数据项会经常同时出现，经过不断的扫描数据库中的数据项，进而产生数据项之间的关联规则，并通过设置特定的支持度和置信度来获取相应的关联规则[56]，最终达到挖掘有用信息的目的。（5）关联规则应用关于关联挖掘规则的应用，比较耳熟能详就是啤酒于尿片的经典案例[57]。数据中的关联信息，在现实生活中有很大的用处，当然也会带来很大的商机。数据关联规则描述着不同数据与数据之间的潜在联系，可以根据其中的一个数据来推断其关联数据大概率出现。特别是在风险的预控预警中，通过风险事件的表象风险因素来挖掘出与其相关的所有关联风险因素，这样一来对于风险的防控可以做到精准防范和有效规避。2.3风险管理理论风险指某一事务发生损失的概率，在各行各业中均会有概率发生。这时可以
【参考文献】：
期刊论文
[1]考虑项目关联关系的R&D网络风险传播建模与仿真[J]. 杨乃定,刘慧,张延禄,李芮萌. 中国管理科学. 2019(10)
[2]股权质押与债券违约风险的关联与预警[J]. 艾仁智,高畅,陈茵. 清华金融评论. 2019(08)
[3]模糊评价法下物流金融风险的研究[J]. 徐蔚之. 全国流通经济. 2018(13)
[4]化工领域设备本体模型构建[J]. 刘树明,万锋,杨宇,钟伟民. 华东理工大学学报(自然科学版). 2017(03)
[5]本体研究综述[J]. 王向前,张宝隆,李慧宗. 情报杂志. 2016(06)
[6]关联规则挖掘综述[J]. 崔妍,包志强. 计算机应用研究. 2016(02)
[7]基于本体的贝叶斯网络知识推理研究[J]. 蔡炳万,石宇强,李明辉,张敏. 机械设计与制造. 2016(01)
[8]Risk Evaluation on Logistics Finance of Agricultural Products Based on Fuzzy-AHP Model[J]. Yan PANG,Yangkun XIA. Asian Agricultural Research. 2015(09)
[9]本体映射中元素名称相似度计算方法研究[J]. 孙煜飞,马良荔,郭晓明,苏凯. 小型微型计算机系统. 2015(09)
[10]风险链视角下建设项目进度风险评估[J]. 曹吉鸣,申良法,彭为,马腾. 同济大学学报(自然科学版). 2015(03)
硕士论文
[1]基于人工免疫的物流金融风险识别模型研究[D]. 张兴宇.江西财经大学 2019
[2]基于语义本体的数字档案资源知识管理模型研究[D]. 熊华兰.辽宁大学 2019
[3]基于本体论的铁路风险关联知识发现研究[D]. 李福鑫.北京交通大学 2017
[4]基于Web数据挖掘的个性化推荐系统研究[D]. 刘鑫峰.长春工业大学 2016
[5]基于动态KMV模型和时序关联规则的商业银行信用风险研究[D]. 李自胜.浙江财经大学 2016
[6]物流企业主导下物流金融的新盈利模式及风险管理[D]. 王惠.厦门大学 2014
[7]智能查询中的本体推理机制及其应用研究[D]. 吴彦伟.西安电子科技大学 2014
[8]古建筑领域本体模型的构建及检索[D]. 宋钰.北京建筑大学 2013
[9]本体推理机制在关系中的存储研究与实现[D]. 刘艺茹.重庆大学 2012
[10]物流金融业务模式及风险管理研究[D]. 熊小芬.武汉理工大学 2007
本文编号：3220259
【文章来源】：江西财经大学江西省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
论文研究技术路线
2.相关概念与理论基础11图2-1七步法框图2.2数据挖掘时代的飞速发展使得每天产生的数据是十分庞大的，从海量的数据中识别有用有价值的数据需要依靠数据挖掘这门计算机科学技术，挖掘出来的数据经过整合、划分、归并等操作一步一步演化成我们所需要的信息，这时就完成了知识工程中，数据到信息再到知识的转变。在数据挖掘中，科学家开发多种数据处理的方法，方便人们更快更高效的获取有价值的东西，这也加快了数据向知识转变的进程[46]。总体来说，数据挖掘将会在知识工程中起着较为重要的支撑作用，不仅能促进知识工程的发展，而且对人类文明的进步具有重要的推动作用。有监督学习和无监督学习是数据挖掘算法的两个主要模块。无监督学习是指在构建数据模型时不需要进行部分的数据训练，如k-means等聚类算法；有监督学习是指在构建数据模型时需要拿出一部风数据进行数据训练，如贝叶斯分类算法等[47]。数据挖掘任务主要分为三种分别为聚类、分类和关联分析，聚类是根据距离的远近自然聚合成类，分类算法是按照某一特征对数据进行划分，关联分析是从数据中找到数据项与数据项之间存在的某种特殊定律，包括渐变定律、反馈定律、推理定律等。数据挖掘过程主要分为五个阶段。（1）明确目的、数据建模的目的。（2）准备数据，减少被污染的数据。（3）使用软件或程序设计来运行挖掘算法。（4）挖掘结果分析；（5）模型优化及再挖掘[48]。
基于本体论的物流金融风险关联挖掘模型研究14图2-2关联规则挖掘实现过程（3）关联规则的描述两个数据项在每个文本案例中会经常同时出现，那么这两个数据项之间存在着关联特性。以此类推，当多个数据项同时在很多个案例文本中出现，那么它们之间存在关联关系。（4）关联规则算法实现关联规则算法最为经典的是Apriori关联规则挖掘算法[55]，首先查找频繁项集，看哪些数据项会经常同时出现，经过不断的扫描数据库中的数据项，进而产生数据项之间的关联规则，并通过设置特定的支持度和置信度来获取相应的关联规则[56]，最终达到挖掘有用信息的目的。（5）关联规则应用关于关联挖掘规则的应用，比较耳熟能详就是啤酒于尿片的经典案例[57]。数据中的关联信息，在现实生活中有很大的用处，当然也会带来很大的商机。数据关联规则描述着不同数据与数据之间的潜在联系，可以根据其中的一个数据来推断其关联数据大概率出现。特别是在风险的预控预警中，通过风险事件的表象风险因素来挖掘出与其相关的所有关联风险因素，这样一来对于风险的防控可以做到精准防范和有效规避。2.3风险管理理论风险指某一事务发生损失的概率，在各行各业中均会有概率发生。这时可以
【参考文献】：
期刊论文
[1]考虑项目关联关系的R&D网络风险传播建模与仿真[J]. 杨乃定,刘慧,张延禄,李芮萌. 中国管理科学. 2019(10)
[2]股权质押与债券违约风险的关联与预警[J]. 艾仁智,高畅,陈茵. 清华金融评论. 2019(08)
[3]模糊评价法下物流金融风险的研究[J]. 徐蔚之. 全国流通经济. 2018(13)
[4]化工领域设备本体模型构建[J]. 刘树明,万锋,杨宇,钟伟民. 华东理工大学学报(自然科学版). 2017(03)
[5]本体研究综述[J]. 王向前,张宝隆,李慧宗. 情报杂志. 2016(06)
[6]关联规则挖掘综述[J]. 崔妍,包志强. 计算机应用研究. 2016(02)
[7]基于本体的贝叶斯网络知识推理研究[J]. 蔡炳万,石宇强,李明辉,张敏. 机械设计与制造. 2016(01)
[8]Risk Evaluation on Logistics Finance of Agricultural Products Based on Fuzzy-AHP Model[J]. Yan PANG,Yangkun XIA. Asian Agricultural Research. 2015(09)
[9]本体映射中元素名称相似度计算方法研究[J]. 孙煜飞,马良荔,郭晓明,苏凯. 小型微型计算机系统. 2015(09)
[10]风险链视角下建设项目进度风险评估[J]. 曹吉鸣,申良法,彭为,马腾. 同济大学学报(自然科学版). 2015(03)
硕士论文
[1]基于人工免疫的物流金融风险识别模型研究[D]. 张兴宇.江西财经大学 2019
[2]基于语义本体的数字档案资源知识管理模型研究[D]. 熊华兰.辽宁大学 2019
[3]基于本体论的铁路风险关联知识发现研究[D]. 李福鑫.北京交通大学 2017
[4]基于Web数据挖掘的个性化推荐系统研究[D]. 刘鑫峰.长春工业大学 2016
[5]基于动态KMV模型和时序关联规则的商业银行信用风险研究[D]. 李自胜.浙江财经大学 2016
[6]物流企业主导下物流金融的新盈利模式及风险管理[D]. 王惠.厦门大学 2014
[7]智能查询中的本体推理机制及其应用研究[D]. 吴彦伟.西安电子科技大学 2014
[8]古建筑领域本体模型的构建及检索[D]. 宋钰.北京建筑大学 2013
[9]本体推理机制在关系中的存储研究与实现[D]. 刘艺茹.重庆大学 2012
[10]物流金融业务模式及风险管理研究[D]. 熊小芬.武汉理工大学 2007
本文编号：3220259
本文链接：https://www.wllwen.com/shoufeilunwen/jjglss/3220259.html
