Enterprise risk prediction method and device and storage medium

具体实施方式

为了使本技术领域的人员更好地理解本申请的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本实施例，提供了一种企业风险预测方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的计算设备中执行。图1示出了一种用于实现企业风险预测方法的计算设备的硬件结构框图。如图1所示，计算设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器可用于存储应用软件的软件程序以及模块，如本申请实施例中的企业风险预测方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的企业风险预测方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算设备的用户界面进行交互。

此处需要说明的是，在一些可选实施例中，上述图1所示的计算设备可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算设备中的部件的类型。

在上述运行环境下，根据本实施例的第一个方面，提供了一种企业风险预测方法，该方法由图1中所示的计算设备实现。图2示出了该方法的流程示意图，参考图2所示，该方法包括：

S202：通过自然语言处理模型确定与目标企业相关的舆情的情感性偏向、重要性和相关标的的关联度；

S204：根据情感性偏向、重要性和相关标的的关联度计算舆情分，其中舆情分根据历史舆情分所调整；以及

S206：通过预设的风险预测模型根据舆情分对目标企业进行风险预测。

具体地，计算设备通过自然语言处理模型确定与目标企业相关的舆情的情感性偏向、重要性和相关标的的关联度。

进一步地，计算设备获取目标企业当日关联的所有舆情集合。计算设备将舆情集合划分为三个子集合：正面舆情集合，负面舆情集合和中性舆情集合。对正面舆情集合计算分值S₊，将每篇舆情的关联度、情感评分和重要性做相乘并最终求和：

其中r为单篇舆情与标的相关性，s为单篇舆情情感评分，i为单篇舆情重要性。

进一步地，对负面舆情集合计算分值S_，由于着重关注于企业的负面风险，因此计算中加强了负面舆情的影响程度，将情感分s做了平方处理：

对中性舆情集合计算舆情分值S₀，由于中性新闻的情感值为0，重要性多为0，因此先计算了主体当日关联的所有舆情的情感分值的平均值α，并乘以中性舆情集合的所有关联性r并求和。

结合S₊,S_-，S₀，做归一化计算处理，通过以下公式算出的值v取值在[-1,1]之间：

由于上述计算出的v值的绝对值多数集中在0.4以下，采用双曲正切函数扩大其数值，使舆情分数的分布愈加均衡：

S_t即为企业主体当日(日期t)的舆情分值。

进一步地，计算设备通过历史舆情分调整企业当日的舆情分，之后根据调整的舆情分确定回退序列。之后计算设备通过预设的风险预测模型根据回退序列，确定该企业的有风险的概率，从而对目标企业进行风险预测。

可选地，通过自然语言处理模型确定与目标企业相关的舆情的情感性偏向、重要性和相关标的的关联度的操作，包括：通过关联程度模型根据与目标企业相关的数据，确定舆情的相关标的的关联度；通过情感分值偏向模型根据与目标企业相关的数据，确定舆情的情感性偏向；以及通过重要程度模型根据与目标企业相关的数据，确定舆情的重要性。

具体地，自然语言处理模型包括关联程度模型、情感分值偏向模型和重要程度模型。

计算设备将与目标企业相关的数据输入关联程度模型，关联程度模型输出舆情的相关标的的关联度。计算设备将与目标企业相关的数据输入情感分值偏向模型，关联程度模型输出舆情的情感性偏向。计算设备将与目标企业相关的数据输入重要程度模型，关联程度模型输出舆情的重要性。

其中情感性偏向标签可以划分为[-3，-2，-1,0,1,2,3]。其中正数表示为正面情感偏向，负数表示为负面情感偏向，0表示中性情感事件；同时，数值的绝对值大小决定了情感性的偏向程度；重要程度可划分为[0,1,2,3]，数值越高代表舆情的重要程度越高。

并且与目标企业相关的数据为计算设备每日从公开财经资讯源获取结构化数据。其中该数据包括新闻资讯的网站、标题、内容、作者和新闻发布时间。并对新闻的文本内容进行分词处理，同时去除高频常用词汇(例如：的、是、只要…)。

可选地，方法还包括：获取预设时间内的历史舆情分；利用加权求和的方式对历史舆情分进行计算，得到历史舆情分序列；以及根据历史舆情分序列对舆情分进行调整。

具体地，结合历史舆情风险计算企业主体的调整舆情分，对主体历史N(eg.N＝30)天的单日舆情分S_t进行衰减加权求和，离当日越近的日期的单日舆情分给予越高的权重，离当日越远的日期的单日舆情分给予越低的权重。定义因子权重序列：

对历史N日的单日舆情分通过因子权重序列进行加权求和得到调整舆情分：

调整舆情分的取值范围同样在[-1,1]之间。

可选地，方法还包括：根据历史舆情分序列确定回退值序列；以及根据回退值序列对目标企业进行风险预测。

具体地，针对调整舆情分序列，采用历史M(eg,M＝7)天的分数回退值的方法获取回退值序列。具体方法为，对于单日调整舆情分，将其与历史M天(包括当日)的最高单日调整舆情分做比较处理，如果当日调整舆情分为历史M天内最高，则回退值记为0，反之，将当日调整舆情分减去历史M天最高单日调整舆情分作为当日舆情回退值：

S_drawdown,t＝S_adj,t-max(S_adj,t,S_adj,t-1,…,S_adj,t-M+1)

最终获得的调整舆情分的回退值序列取值在[-2,0]之间，数值的绝对值越大代表企业的舆情风险越大。

此外，计算设备通过以下步骤对企业风险进行预测：

(1)每日资讯获取：每日从公开财经资讯源获取结构化数据，包括新闻资讯的网站、标题、内容、作者和新闻发布时间。并对新闻的文本内容进行分词处理，同时去除高频常用词汇(例如：的、是、只要…)以优化后续的样本处理和训练。

(2)资讯情感性推理：使用自研的基于机器学习和深度学习的舆情模型推理每篇舆情相关联的企业主体和关联程度，同时推理舆情的情感分值偏向和重要程度。情感性偏向标签可以划分为[-3，-2，-1,0,1,2,3]：其中正数表示为正面情感偏向，负数表示为负面情感偏向，0表示中性情感事件；同时，数值的绝对值大小决定了情感性的偏向程度；重要程度可划分为[0,1,2,3]，数值越高代表舆情的重要程度越高。

(3)企业主体每日舆情分计算：对于每个主体，获取其当日关联的所有舆情集合，定义：

单篇舆情与标的相关性：r

单篇舆情情感评分：s

单篇舆情重要性：i

将舆情集合划分为三个子集合：正面舆情集合，负面舆情集合和中性舆情集合。对正面舆情集合计算分值S₊，将每篇舆情的关联度、情感评分和重要性做相乘并最终求和：

对负面舆情集合计算分值S_，由于着重关注于企业的负面风险，因此计算中加强了负面舆情的影响程度，将情感分s做了平方处理：

对中性舆情集合计算舆情分值S₀，由于中性新闻的情感值为0，重要性多为0，因此先计算了主体当日关联的所有舆情的情感分值的平均值α，并乘以中性舆情集合的所有关联性r并求和。

结合S₊,S_-，S₀，做归一化计算处理，通过以下公式算出的值v取值在[-1,1]之间：

由于上述计算出的v值的绝对值多数集中在0.4以下，采用双曲正切函数扩大其数值，使舆情分数的分布愈加均衡：

S_t即为企业主体当日(日期t)的舆情分值。

(4)时间窗口的因子权重衰减计算调整舆情分：

结合历史舆情风险计算企业主体的调整舆情分，对主体历史N(eg.N＝30)天的单日舆情分S_t进行衰减加权求和，离当日越近的日期的单日舆情分给予越高的权重，离当日越远的日期的单日舆情分给予越低的权重。定义因子权重序列：

对历史N日的单日舆情分通过因子权重序列进行加权求和得到调整舆情分：

调整舆情分的取值范围同样在[-1,1]之间。

(5)计算主体调整舆情分回退值：

针对调整舆情分序列，采用历史M(eg,M＝7)天的分数回退值的方法获取回退值序列。具体方法为，对于单日调整舆情分，将其与历史M天(包括当日)的最高单日调整舆情分做比较处理，如果当日调整舆情分为历史M天内最高，则回退值记为0，反之，将当日调整舆情分减去历史M天最高单日调整舆情分作为当日舆情回退值：

S_drawdown,t＝S_adj,t-max(S_adj,t,S_adj,t-1,…,S_adj,t-M+1)

最终获得的调整舆情分的回退值序列取值在[-2,0]之间，数值的绝对值越大代表企业的舆情风险越大。

(6)企业主体风险判断：

将主体调整舆情分回退值作为一个风险因子，结合智能风险预警模型，指定个性化风险配置，实现潜在风险预测。

此外，参考图1所示，根据本实施例的第二个方面，提供了一种存储介质。所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行以上任意一项所述的方法。

从而根据本实施例，本技术方案使用一种与既有方法不同的机制来对企业主体做舆情风险分析，自研舆情模型系统推理舆情的情感性偏向、重要性和相关标的的关联度，设计了一种主体每日舆情分的计算方式，并使用基于时间窗口的因子权重衰减和舆情分回退值的方法计算主体每日的调整舆情分，将调整舆情分序列作为一个因子预测主体潜在的风险偏向。。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

实施例2

图3示出了根据本实施例的第一个方面所述的企业风险预测装置300，该装置300与根据实施例1的第一个方面所述的方法相对应。参考图3所示，该装置300包括：第一确定模块310，用于通过自然语言处理模型确定与目标企业相关的舆情的情感性偏向、重要性和相关标的的关联度；第一计算模块320，用于根据情感性偏向、重要性和相关标的的关联度计算舆情分，其中舆情分根据历史舆情分所调整；以及风险预测模块330，用于通过预设的风险预测模型根据舆情分对目标企业进行风险预测。

可选地，通过自然语言处理模型确定与目标企业相关的舆情的情感性偏向、重要性和相关标的的关联度的操作，包括：第一确定子模块，用于通过关联程度模型根据与目标企业相关的数据，确定舆情的相关标的的关联度；第二确定子模块，用于通过情感分值偏向模型根据与目标企业相关的数据，确定舆情的情感性偏向；以及第三确定子模块，用于通过重要程度模型根据与目标企业相关的数据，确定舆情的重要性。

可选地，装置还包括：第一获取子模块，用于获取预设时间内的历史舆情分；第一计算子模块，用于利用加权求和的方式对历史舆情分进行计算，得到历史舆情分序列；以及分值调整子模块，用于根据历史舆情分序列对舆情分进行调整。

可选地，装置还包括：第四确定子模块，用于根据历史舆情分序列确定回退值序列；以及风险预测子模块，用于根据回退值序列对目标企业进行风险预测。

从而根据本实施例，本技术方案使用一种与既有方法不同的机制来对企业主体做舆情风险分析，自研舆情模型系统推理舆情的情感性偏向、重要性和相关标的的关联度，设计了一种主体每日舆情分的计算方式，并使用基于时间窗口的因子权重衰减和舆情分回退值的方法计算主体每日的调整舆情分，将调整舆情分序列作为一个因子预测主体潜在的风险偏向。

实施例3

图4示出了根据本实施例的第一个方面所述的企业风险预测装置400，该装置400与根据实施例1的第一个方面所述的方法相对应。参考图4所示，该装置400包括：处理器410；以及存储器420，与处理器410连接，用于为处理器410提供处理以下处理步骤的指令：通过自然语言处理模型确定与目标企业相关的舆情的情感性偏向、重要性和相关标的的关联度；根据情感性偏向、重要性和相关标的的关联度计算舆情分，其中舆情分根据历史舆情分所调整；以及通过预设的风险预测模型根据舆情分对目标企业进行风险预测。

可选地，通过自然语言处理模型确定与目标企业相关的舆情的情感性偏向、重要性和相关标的的关联度的操作，包括：通过关联程度模型根据与目标企业相关的数据，确定舆情的相关标的的关联度；通过情感分值偏向模型根据与目标企业相关的数据，确定舆情的情感性偏向；以及通过重要程度模型根据与目标企业相关的数据，确定舆情的重要性。

可选地，装置还包括：获取预设时间内的历史舆情分；利用加权求和的方式对历史舆情分进行计算，得到历史舆情分序列；以及根据历史舆情分序列对舆情分进行调整。

可选地，装置还包括：根据历史舆情分序列确定回退值序列；以及根据回退值序列对目标企业进行风险预测。

从而根据本实施例，本技术方案使用一种与既有方法不同的机制来对企业主体做舆情风险分析，自研舆情模型系统推理舆情的情感性偏向、重要性和相关标的的关联度，设计了一种主体每日舆情分的计算方式，并使用基于时间窗口的因子权重衰减和舆情分回退值的方法计算主体每日的调整舆情分，将调整舆情分序列作为一个因子预测主体潜在的风险偏向。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。