(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211164313.1 (22)申请日 2022.09.23 (71)申请人 苏州城方信息技 术有限公司 地址 215000 江苏省苏州市工业园区金鸡 湖大道88号人工智能产业园G4-201单 元 (72)发明人 张磊　陶虹　张旭方　熊懿清　 (74)专利代理 机构 北京同辉知识产权代理事务 所(普通合伙) 11357 专利代理师 梁语嫣 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 10/04(2012.01) G06F 17/18(2006.01) G06N 3/08(2006.01)G06N 3/04(2006.01) G06Q 50/26(2012.01) (54)发明名称 一种基于多源异构数据融合的金融企业经 营风险预警方法 (57)摘要 本发明涉及一种基于多源异构数据融合的 金融企业经营风险预警方法， 针对 金融企业经营 风险模型构建的数据获取模块， 通过数据获取模 块获取的数据进行分析、 加工后构建特征， 对构 建的特征进行相关性分析获得相关系数， 筛选获 得金融企业经营风险预警模型特征， 融合网格搜 索和交叉验证策略对金融企业经营风险预警模 型进行训练， 根据金融企业经营风险预警模型对 金融企业进行 实时监控， 并提供监管的优先级名 单； 本发明提供的基于多源异构数据融合的金融 企业经营风险预警方法充分挖掘各个预警特征 背后的交叉和掩藏关系， 可以根据模 型得到金融 企业预警的优先级， 大大节约了人力成本， 提升 监管的效率和准确率。 权利要求书2页 说明书7页 附图2页 CN 115545437 A 2022.12.30 CN 115545437 A 1.一种基于多源异构数据融合的金融企业经营风险预警方法， 其特征在于， 包括以下 步骤： S1、 针对金融企业经 营风险模型构建的数据获取模块； S2、 对步骤S1中通过 数据获取模块获取的数据进行分析、 加工后构建特 征； S3、 对步骤S2构建的特征进行相关性分析获得相关系数， 筛选获得金融企业经营风险 预警模型 特征； S4、 融合网格搜索和交叉验证策略对金融企业经 营风险预警模型进行训练； S5、 根据金融企业经营风险预警模型对金融企业进行实时监控， 并提供监管的优先级 名单。 2.根据权利要求1所述的基于多源异构数据融合的金融企业经营风险预警方法， 其特 征在于： 所述步骤S2中通过数据获取模块获取的数据包括12345热线的工单内容、 企业舆情 信息、 企业工商信息以及公安经侦的经 营异常金融企业名单。 3.根据权利要求2所述的基于多源异构数据融合的金融企业经营风险预警方法， 其特 征在于： 所述步骤S2中的12345热线的工单内容是通过对12345热线使用 BERT算法进行提 取， 得到被投诉的企业， 再使用BLEU算法对提取的企业进行标准化映射， 最后获取12345热 线中企业被投诉的次数 特征。 4.根据权利要求2所述的基于多源异构数据融合的金融企业经营风险预警方法， 其特 征在于： 所述步骤S2是将所述企业舆情信息经过tokenizer编码， 并添加特殊字符， 输入 BERT模型获取对企业舆情信息的编码向量， 关注特殊字符对应的输出结果， 将输出结果送 入一个softmax全 连接层进行分类输出， BERT模 型为企业舆情数据打上标签， 最后获取企业 存在消极标签舆情的次数 特征。 5.根据权利要求2所述的基于多源异构数据融合的金融企业经营风险预警方法， 其特 征在于： 所述步骤S2中企业工商信息包括对企业经营范围变更前后的文本进行清洗， 统计 变化前后企业经 营范围文本的交并比， 将通过以下公式计算出交并比作为特 征输入： 式(1)中A和B分别指的是变化前后的企业经 营范围变更的文本 。 6.根据权利要求1所述的基于多源异构数据融合的金融企业经营风险预警方法， 其特 征在于： 所述步骤S2中的特征指的是对于步骤S1 中获得的文本数据进 行量化操作后得到的 金融企业经 营风险模型的特 征。 7.根据权利要求1所述的基于多源异构数据融合的金融企业经营风险预警方法， 其特 征在于： 所述步骤S3中特征之间相关性是通过相关系数来刻画的， 相关系数定义特征(X,Y) 之间的相关程度如下式所示： (2)式中cov(X， Y)为协方差， σ 为标准差， 计算公式如式(3)(4)和(5)所示： 权　利　要　求　书 1/2 页 2 CN 115545437 A 2将上述公式代入到(2)式 中得到最终的相关系数 得计算公式： 删除相关性高的维度 特征， 降低训练数据的维度， 加快模型训练速度， 并得到训练数据 集。 8.根据权利要求1所述的基于多源异构数据融合的金融企业经营风险预警方法， 其特 征在于， 所述步骤S4中金融企业经营风险预警模型的训练包括构建LR分类器， 逻辑回归是 通过将线性函数的结果映射到Sigmoid()函数中， 预估单个金融企业出现经营风险的概率 并进行分类。 9.根据权利要求8所述的基于多源异构数据融合的金融企业经营风险预警方法， 其特 征在于， 所述 步骤S4中金融企业经 营风险预警模型的训练具体包括以下步骤： S41、 逻辑回归 模型输入及输出： S42、 逻辑回归 模型： 通过Logistic函数归一 化到(0,1)间， y的取值有特殊的含义， 它表示结果取1的概 率； S43、 逻辑回归损失函数： 得到逻辑回归的表达式后， 采用极大似然估计法求解模型中 的参数， 似然函数的表达式为： S44、 逻辑回归采用梯度下降优化损失： 对损失函数的参数进行求导， 使用梯度下降的 方式来更新 参数θ,其中对参数θ 求 导的过程如下： 并通过下面的方式对参数θ进行 更新： 其中α为逻辑回归模型的学习率， 当 小于某个阈值或达到最大迭 代次数时， 模型停止学习。 10.根据权利要求9所述的基于多源异构数据融合的金融企业经营风险预警方法， 其特 征在于： 所述逻辑回归中的θ和α属于金融企业经营风险预警模型 的超参数， 属于金融企业 经营风险预警模型 可优化的对象。权　利　要　求　书 2/2 页 3 CN 115545437 A 3