[发明专利]一种基于知识图谱和本体推理机的信贷风险预测方法

说明书

本发明提供一种基于知识图谱和本体推理机的信贷风险预测方法，包含步骤：S1、依时序搜集若干借贷公司在设定期间内对外公开的第一至第n类金融信息数据；S2、建立借贷公司经营状况知识图谱；S3、为借贷公司进行本体推理，挖掘与借贷公司经营状况相关的经营状态信息；S4、基于借贷公司的金融信息数据、经营状态信息建立训练集和验证集，训练神经网络模型，该神经网络模型用于预测信贷公司的信贷风险概率；S5、搜集待进行信贷风险预测的借贷公司的金融信息数据，挖掘该借贷公司的经营状态信息，将该借贷公司的金融信息数据、经营状态信息输入训练好的神经网络模型，预测该借贷公司的信贷风险概率。

技术领域

本发明涉及金融行业风险控制技术领域，特别涉及一种基于知识图谱和本体推理机的信贷风险预测方法。

背景技术

我国银行信贷业务规模庞大，给国家经济发展带来巨大力量的同时，极大地提高了居民生活的便利性。然而其发展的规模越大，对信贷风险管理水平的要求就越高。如果不能保证风险管理的有效性，信贷将会直接影响商业银行的稳定经营与持续健康发展，甚至对我国经济发展也造成一定的威胁。但是信贷风险的形成是一个从萌芽、积累直至发生的渐进过程。其征兆隐藏在浩瀚的金融数据信息之下，不易察觉。现有技术中也有分别通过知识图谱和神经网络来预测公司的信贷风险，然而这两种方法分别存在各自的不足之处。

知识图谱(Knowledge Graph)，是显示知识发展进程与结构关系的一系列各种不同的图形。通过将知识域可视化表示(包括但不限于将知识领域映射为知识地图)，从而使得挖掘、分析、构建、绘制和显示知识单元或知识群之间的网络、结构、关联、交叉、演化、衍生等诸多隐含的复杂关系成为可能。知识图谱由于其可以高效直观刻画借贷主体间的关联网络而被引入到信贷风险管理中。现有信贷风险管理中的知识图谱虽然同时可展示上千万级甚至上亿级数据，但同时请求知识图谱可视化时长较长，缺乏可用性和灵活性，不利于信贷审核人员观察。

神经网络(Neural Network，缩写NN)，机器学习的一种，用于对函数进行估计或近似。通过把借贷公司金融数据的每个特征装入网络输入层的每个神经元，再在输出层进行标签分类，结合浩瀚的借贷公司金融数据，就能建立一个用于银行信贷风险预警的神经网络，避免防范银行信贷风险的发生。然而该神经网络预警信贷风险的准确率受到借贷公司金融数据透明度的影响。

由于很多企业公司的各项金融数据没有完全公开，为了减少银行“坏账”的产生，如何从借贷公司公开的金融数据信息中挖掘出更深层次信息，建立更为准确的信贷风险预测模型，提高借贷风险预测准确率显得尤为重要。

发明内容

本发明的目的是提供一种基于知识图谱和本体推理机的信贷风险预测方法，根据搜集的借贷公司金融信息数据，建立借贷公司经营状况知识图谱，基于知识图谱，建立本体推理挖掘借贷公司经营状况相关的经营状态信息；并通过借贷公司的金融信息数据、经营状态信息训练神经网络模型，预测借贷公司还贷概率，能更好地帮助银行放贷时出现不良贷款并及时发现问题贷款，有助于及时采取有效措施降低放贷损失。

为了达到上述目的，本发明提供一种基于知识图谱和本体推理机的信贷风险预测方法，包含步骤：

S1、依时序搜集若干借贷公司在设定期间内对外公开的第一至第n类金融信息数据；预处理所述第一至第n类金融信息数据；

S2、基于第一至第n类金融信息数据，建立借贷公司经营状况知识图谱；

S3、基于所述公司经营状况知识图谱为所述借贷公司进行本体推理，挖掘与借贷公司经营状况相关的经营状态信息；

S4、将部分借贷公司的金融信息数据、经营状态信息作为训练集，其余借贷公司的金融信息数据、经营状态信息作为验证集，训练神经网络模型，该神经网络模型用于预测信贷公司的信贷风险概率；