违约概率展示方法、装置、计算机设备和存储介质与流程

本申请涉及计算机技术领域，特别是涉及一种违约概率展示方法、装置、计算机设备和存储介质。

背景技术：

违约概率是指借款人在未来一定时期内不能按合同要求偿还银行贷款本息或履行相关义务的可能性。违约概率是计算贷款预期损失、贷款定价以及信贷组合管理的基础，目前，银行对企业违约概率的展示都是通过表格来进行展示，当企业非常多时，使用表格展示非常不方便，无法快速通过浏览直接得到想要的企业违约概率，企业违约概率展示的效果很差。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提高违约概率展示效果的违约概率展示方法、装置、计算机设备和存储介质。

一种违约概率展示方法，所述方法包括：

接收终端发送的违约概率展示指令，所述违约概率展示指令携带违约源标识，根据所述违约概率展示指令在预设知识图谱中查询目标知识图谱，所述目标知识图谱的顶点为所述违约源标识对应的实体；

通过已训练好的风险传导模型得到违约概率，所述违约概率与所述目标知识图谱中待展示实体相对应，将所述待展示实体对应的的违约概率与所述目标知识图谱发送至所述终端关联显示。

在其中一个实施例中，通过已训练好的风险传导模型得到违约概率，所述违约概率与所述目标知识图谱中待展示实体相对应，将所述待展示实体对应的违约概率与所述目标知识图谱发送至所述终端关联显示，包括：

通过已训练好的风险传导模型得到违约概率，所述违约概率与所述目标知识图谱中待展示实体相对应，将所述待展示实体对应的违约概率按照预设阈值划分风险等级，得到所述待展示实体的风险等级；

将所述违约概率、所述风险等级与所述目标知识图谱发送所述终端关联显示。

在其中一个实施例中，通过已训练好的风险传导模型得到违约概率，所述违约概率与所述目标知识图谱中待展示实体相对应，将所述待展示实体对应的违约概率与所述目标知识图谱发送至所述终端关联显示，包括：

获取所述目标知识图谱中待展示实体在不同预设时间点对应的违约概率，将所述预设时间点、所述违约概率与所述目标知识图谱发送所述终端关联显示；

接收所述终端发送的预设时间点违约概率显示指令，根据所述预设时间点违约概率显示指令使所述终端显示所述预设时间点对应的所述违约概率与所述目标知识图谱。

在其中一个实施例中，通过已训练好的风险传导模型得到违约概率，所述违约概率与所述目标知识图谱中待展示实体相对应，将所述待展示实体对应的违约概率与所述目标知识图谱发送至所述终端关联显示，包括：

获取所述目标知识图谱中待展示实体在预设时间段内的违约概率，将所述预设时间段、所述违约概率与所述目标知识图谱发送所述终端关联显示；

接收所述终端发送的动态显示违约概率指令，根据所述动态显示违约概率指令使所述终端按照所述预设时间段顺序显示所述违约概率与所述目标知识图谱。

在其中一个实施例中，所述在接收终端发送的违约概率展示指令，根据所述违约概率展示指令在预设知识图谱中查询目标知识图谱之前，还包括：

接收所述预设知识图谱的建立指令，根据所述建立指令获取实体的信用状况；

根据所述实体的信用状况识别目标实体和所述目标实体之间的关联关系，根据所述目标实体和所述目标实体之间的关联关系建立预设知识图谱。

在其中一个实施例中，根据所述违约概率展示指令在预设知识图谱中查询目标知识图谱，包括：

根据所述违约源标识在预设知识图谱匹配对应的违约源实体；

当匹配到违约源实体时，获取预设展示层数，根据预设展示层数在所述预设知识图谱中查找与所述违约源实体关联的目标实体，得到所述目标知识图谱。

在其中一个实施例中，所述在获取所述目标知识图谱中实体对应的违约概率，将所述实体的违约概率与所述目标知识图谱发送至所述终端关联显示之前，还包括：

获取目标知识图谱中待展示实体属性和待展示实体关联关系，根据所述待展示实体属性和所述待展示实体关联关系得到待展示实体属性因子和待展示实体关联关系因子，根据所述待展示实体属性因子和所述待展示实体关联关系因子得到风险预警特征向量；

将所述风险预警特征向量输入到已训练的风险传导模型中，得到违约概率向量，根据所述违约概率向量得到待展示实体违约概率。

一种违约概率展示装置，所述装置包括：

图谱查询模块，用于接收终端发送的违约概率展示指令，所述违约概率展示指令携带违约源标识，根据所述违约概率展示指令在预设知识图谱中查询目标知识图谱，所述目标知识图谱的顶点为所述违约源标识对应的实体；

违约概率展示模块，用于通过已训练好的风险传导模型得到违约概率，所述违约概率与所述目标知识图谱中待展示实体相对应，将所述待展示实体对应的违约概率与所述目标知识图谱发送至所述终端关联显示。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

接收终端发送的违约概率展示指令，所述违约概率展示指令携带违约源标识，根据所述违约概率展示指令在预设知识图谱中查询目标知识图谱，所述目标知识图谱的顶点为所述违约源标识对应的实体；

获取所述目标知识图谱中实体对应的违约概率，将所述实体的违约概率与所述目标知识图谱发送至所述终端关联显示。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

接收终端发送的违约概率展示指令，所述违约概率展示指令携带违约源标识，根据所述违约概率展示指令在预设知识图谱中查询目标知识图谱，所述目标知识图谱的顶点为所述违约源标识对应的实体；

通过已训练好的风险传导模型得到违约概率，所述违约概率与所述目标知识图谱中待展示实体相对应，将所述待展示实体对应的违约概率与所述目标知识图谱发送至所述终端关联显示。

上述违约概率展示方法、装置、计算机设备和存储介质，通过接收终端发送的违约概率展示指令，所述违约概率展示指令携带违约源标识，根据所述违约概率展示指令在预设知识图谱中查询目标知识图谱，所述目标知识图谱的顶点为所述违约源标识对应的实体；通过已训练好的风险传导模型得到违约概率，所述违约概率与所述目标知识图谱中待展示实体相对应，将所述待展示实体对应的违约概率与所述目标知识图谱发送至所述终端关联显示。通过将违约概率与知识图谱结合进行展示，能够提高违约概率的展示效果，满足用户需求。

附图说明

图1为一个实施例中违约概率展示方法的应用场景图；

图2为一个实施例中违约概率展示方法的流程示意图；

图3为一个实施例中展示违约概率的界面示意图；

图4为一个实施例中展示违约概率风险等级的流程示意图；

图5为一个实施例中展示不同时间点违约概率的流程示意图；

图6为一个实施例中展示时间点违约概率的界面示意图；

图7为图6实施例中展示另一时间点违约概率的界面示意图；

图8为一个实施例中动态展示方法违约概率的流程示意图；

图9为一个实施例中动态展示方法违约概率的界面示意图；

图10为一个实施例中建立预设知识图谱的流程示意图；

图11为一个实施例中得到目标知识图谱的流程示意图；

图12为一个实施例中得到待展示实体违约概率的流程示意图；

图13为一个实施例中违约概率展示装置的结构框图；

图14为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的违约概率展示方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104接收终端102发送的违约概率展示指令，违约概率展示指令携带违约源标识，服务器104根据违约概率展示指令在预设知识图谱中查询目标知识图谱，目标知识图谱的顶点为违约源标识对应的实体；服务器104通过已训练好的风险传导模型得到违约概率，违约概率与目标知识图谱中待展示实体相对应，将待展示实体对应的违约概率与目标知识图谱发送至终端102关联显示。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种违约概率展示方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

s202，接收终端发送的违约概率展示指令，违约概率展示指令携带违约源标识，根据违约概率展示指令在预设知识图谱中查询目标知识图谱，目标知识图谱的顶点为违约源标识对应的实体。

其中，违约源标识用于唯一标识违约源，该违约源标识可以是名称、编号等等，该违约源是指已发生违约事件的目标，该目标可以是企业，也可以是个人。预设知识图谱是预先建立好的知识图谱，该知识图谱可以是企业为实体建立的企业知识图谱。目标知识图谱是指要查询到的以违约源标识对应的实体为顶点的知识图谱。根据违约概率展示指令在预设知识图谱中查询目标知识图谱。

具体地，服务器接收终端发送的违约概率展示指令，该违约概率展示指令携带有违约源标识，根据违约概率展示指令在预设知识图谱中查询目标知识图谱，目标知识图谱的顶点为违约源标识对应的实体。例如，服务器接收中到终端发送的企业违约概率展示指令，该违约概率展示指令指携带有出险企业的名称，根据该违约概率展示指令在预先设置好的企业知识图谱中查找以该企业名称对应的实体为顶点的知识图谱。

s204，通过已训练好的风险传导模型得到违约概率，违约概率与目标知识图谱中待展示实体相对应，将待展示实体对应的违约概率与目标知识图谱发送至终端关联显示。

其中，风险传导模型是根据实体的历史信用状信息、实体与违约源实体的关联关系信息和违约风险波动信息使用深度神经网络算法进行训练得到的。。

具体地，服务器通过已训练好的风险传导模型得到违约概率，违约概率与目标知识图谱中各个待展示实体相对应，，将各个待展示实体对应的违约概率与目标知识图谱发送至终端关联显示。例如，如图3所示，得到的企业违约概率的知识图谱的显示图，每一个企业实体对应一个圆形图标，圆形图标中写入该企业实体的违约概率，该图标的形状也可以是方框等其它形状。其中企业1为违约源企业。企业5、企业6、企业m和企业j是在企业1违约之前出险企业。关系是企业与企业之间的关联关系，可以有多种关联关系。

在上述实施例中，通过将接收终端发送的违约概率展示指令，违约概率展示指令携带违约源标识，根据违约概率展示指令在预设知识图谱中查询目标知识图谱，目标知识图谱的顶点为违约源标识对应的实体，通过已训练好的风险传导模型得到违约概率，违约概率与目标知识图谱中待展示实体相对应，将待展示实体对应的违约概率与目标知识图谱发送至终端关联显示，能够在知识图谱中显示各个实体的违约概率，方便人们的查找，提高了违约概率的展示效果。

在一个实施例中，如图4所示，步骤s204，即通过已训练好的风险传导模型得到违约概率，违约概率与目标知识图谱中待展示实体相对应，将待展示实体对应的违约概率与目标知识图谱发送至终端关联显示，包括步骤：

s402，通过已训练好的风险传导模型得到违约概率，违约概率与目标知识图谱中待展示实体相对应，将待展示实体对应的违约概率按照预设阈值划分风险等级，得到待展示实体的风险等级。

其中，预设阈值是预先设置好的用来划分违约概率等级的数值。风险等级用于反映该实体的违约概率的高低。

具体地，通过已训练好的风险传导模型得到违约概率，违约概率与目标知识图谱中待展示实体相对应，将各个待展示实体对应的违约概率按照预设阈值划分不同的风险等级，得到待展示实体的风险等级。该风险等级包括强、中和弱。比如，违约概率为85％以上的实体风险等级为强，违约概率为65％以下的实体风险等级为弱，风险等级强表示该实体违约概率很高，需要进行预警。

s404，将违约概率、风险等级与目标知识图谱发送终端关联显示。

具体地，服务器将实体的违约概率、风险等级与目标知识图谱发送至终端关联显示。例如，如图3所示，可以将图3中各个待展示实体对应的圆形图标填充不同的颜色来表示待展示实体的风险等级，比如企业n的违约概率为96％，风险等级为强，则该企业n的图标填充颜色为深黄色，表示风险等级为强。企业4的违约概率为71％，则风险等级为中，该企业n的图标填充颜色为浅黄色。企业c的违约概率为7％，则风险等级为弱。该企业1的图标填充颜色为绿色。企业1的图标填充颜色为红色，表示当前时点已出险违约。企业5、企业6、企业m和企业j的图标填充颜色为灰色表示这些企业在企业1出险时间之前已出险违约。在一个实施例中，还可以将各个待展示实体对应的图标设置不同的形状来表示实体对应的风险等级，比如，风险等级为强的待展示实体可以对应圆形图标，风险等级为中的可以对应方形图标，风险等级为弱的可以对应角形图标。

在上述实施例中，通过通过已训练好的风险传导模型得到违约概率，违约概率与目标知识图谱中待展示实体相对应，将待展示实体对应的违约概率按照预设阈值划分风险等级，得到待展示实体的风险等级，将违约概率、风险等级与目标知识图谱发送终端关联显示，能够清晰明了的展示不同风险等级的实体，方便用户的使用。

在一个实施例中，如图5所示，步骤s204，即通过已训练好的风险传导模型得到违约概率，违约概率与目标知识图谱中待展示实体相对应，将待展示实体对应的违约概率与目标知识图谱发送至终端关联显示，包括步骤：

s502，获取目标知识图谱中待展示实体在不同预设时间点对应的违约概率，将预设时间点、违约概率与目标知识图谱发送终端关联显示。

具体地，服务器获取到目标知识图谱中待展示实体在不同预设时间点对应的违约概率，服务器可以使用已训练的风险传导模型得到不同预设时间点对应的违约概率，比如，预设时间点可以为未来6个月和未来12个月。通过已训练的风险传导模型得到未来6个月和未来12个月的违约概率，服务器将预设时间点、违约概率与目标知识图谱发送终端关联显示。如图6所示，当前时点企业1违约时，未来6个月企业知识图谱中各个企业的违约概率。

s504，接收终端发送的预设时间点违约概率显示指令，根据预设时间点违约概率显示指令使终端显示预设时间点对应的违约概率与目标知识图谱。

具体地，用户终端点击预设时间点按钮，服务器接收终端发送的预设时间点违约概率显示指令，根据预设时间点违约概率显示指令使终端显示预设时间点对应的违约概率与目标知识图谱。比如，如图6所示，用户可以点击六个月内或者一年内的时间按钮。当用户点击一年内地时间按钮，得到的企业违约概率的知识图谱可以如图7所示。在一个实施例中，用户可以通过点击时间按钮，可以自主选择不同点预设时间点，方便用户的使用。

在上述实施例中，通过获取目标知识图谱中待展示实体在不同预设时间点对应的违约概率，将预设时间点、违约概率与目标知识图谱发送终端关联显示，接收终端发送的预设时间点违约概率显示指令，根据预设时间点违约概率显示指令使终端显示预设时间点对应的违约概率与目标知识图谱，可以在终端显示不同时间点待展示实体的违约概率，方便用户的查看，提高违约概率的展示效果。

在一个实施例中，如图8所示，步骤s204，即通过已训练好的风险传导模型得到违约概率，违约概率与目标知识图谱中待展示实体相对应，将待展示实体对应的违约概率与目标知识图谱发送至终端关联显示，包括步骤：

s802，获取目标知识图谱中待展示实体在预设时间段内的违约概率，将预设时间段、违约概率与目标知识图谱发送终端关联显示。

具体地，服务器获取目标知识图谱中待展示实体在预设时间段内的违约概率，服务器可以使用已训练的风险传导模型得到在预设时间段内的违约概率，服务器将预设时间段、违约概率与目标知识图谱发送终端关联显示。其中，预设时间段是指从违约源当前时间开始到未来预设时间点的时间，比如从当前时间点到一年后，通过已训练的风险传导模型得到从当前时间点到一年后各个实体的违约概率，获取到该时间段每个时间点的违约概率，可以以分、时和日等为单位。终端显示的画面可以如图9所示，以时间轴的形式显示时间段，该时间轴可以在画面中除知识图谱以外的任意位置，图9中的时间轴是在知识图谱的下方。

s804，接收终端发送的动态显示违约概率指令，根据动态显示违约概率指令使终端按照预设时间段顺序显示违约概率与目标知识图谱。

具体地，用户可以通过点击动态播放按钮，服务器接收到终端发送的动态显示违约概率指令，根据动态显示违约概率指令使终端按照预设时间段顺序播放带有违约概率的目标知识图谱。

在上述实施例中，通过获取目标知识图谱中待展示实体在预设时间段内的违约概率，将预设时间段、违约概率与目标知识图谱发送终端关联显示，接收终端发送的动态显示违约概率指令，根据动态显示违约概率指令使终端按照预设时间段顺序显示违约概率与目标知识图谱，通过动态显示违约概率，可以使用户清晰的了解到违约概率的变化趋势，能够提升用户体验，满足用户需求。

在一个实施例中，如图10所示，在步骤202之前，即在接收终端发送的违约概率展示指令，根据违约概率展示指令在预设知识图谱中查询目标知识图谱之前，还包括步骤：

s1002，接收预设知识图谱的建立指令，根据建立指令获取实体的信用状况。

具体地，服务器接收预设知识图谱的建立指令，根据该建立指令服务器可以从各种渠道采集已被合法公开的实体的信用状况信息和从服务器内部数据库中获取保存的未被公开的实体的信用状况信息，得到实体的信用状况。其中，实体的信用状况是指能够反映当前实体状况的信息，可以包括，实体的风险事件信息、正面反面舆情信息和实体的基本信息等等。在一个实施例中，获取到的未被公开的实体的信用状况信息是经过加密算法加密的，此时，需要经过授权获取到解密密钥对加密的实体的信用状况信息进行解密，保证未被公开的实体的信用状况信息的安全性。该预设知识图谱可以是企业知识图谱，该各个实体可以是企业、可以是自然人、可以是高管或者与企业相关联的人等。企业的信用状况就可以包括企业基本信息、企业经营信息、企业财务信息、企业风险事件信息和企业正面反面舆情信息等。

s1004，根据实体的信用状况识别目标实体和目标实体之间的关联关系，根据目标实体和目标实体之间的关联关系建立预设知识图谱。

其中，关联关系是指目标实体之间的关系，例如，目标实体是企业，则企业之间的关联关系可以包括投资关系、信贷关系、隐性关系、事件关系、增信关系、交易关系、其他关系等。隐性关系是指包括亲属关系、往来关系、代理关系等。

具体地，服务器获取到实体的信用状况信息时，可以对该信用状况信息进行数据加工，可以使用数据仓库技术(etl，extract-transform-load，用来描述将数据从来源端经过抽取、交互转换、加载至目的端的过程)对信用状况信息进行数据加工，识别出各个目标实体和各个目标实体之间的关联关系，根据各个目标实体和各个目标实体之间的关联关系建立预设知识图谱，并将建立的预设知识图谱中关系型数据保存到图数据库中，该图数据库可以使用neo4j(一个高性能的nosql图形数据库)数据库。

在上述实施例中，通过接收预设知识图谱的建立指令，根据建立指令获取实体的信用状况，根据实体的信用状况识别目标实体和目标实体之间的关联关系，根据目标实体和目标实体之间的关联关系建立预设知识图谱，可以预先建立好知识图谱，在进行违约概率展示时可以使用该知识图谱，方便违约概率的展示。

在一个实施例中，如图11所示，步骤s202，即根据违约概率展示指令在预设知识图谱中查询目标知识图谱，包括步骤：

s1102，根据违约源标识在预设知识图谱匹配对应的违约源实体。

具体地，服务器根据违约源标识在预设知识图谱查找对应的违约源实体，当能够查找到一致的违约源实体时，执行步骤s1104，当未查找到该违约源标识时，向终端返回违约源标识有误的提示。比如，违约源标识是企业名称，在企业知识图谱中查询该企业名称，当未查找到该企业名称时，向终端返回该企业名称有误的提示。

s1104，当匹配到违约源实体时，获取预设展示层数，根据预设展示层数在预设知识图谱中查找与违约源实体关联的目标实体，得到目标知识图谱。

具体地，当能够查找到违约源实体时，服务器获取到预设展示层数，该预设展示层数是指要展示的知识图谱的层数，即最后一层的实体与违约源实体之间存在预设展示层数的关联关系。根据预设展示层数在预设知识图谱中查找与违约源实体关联的目标实体，即查找到与违约源实体存在预设展示层数的关联关系之内的所有实体，该实体就是目标实体，得到目标知识图谱。比如，预设展示层数为一层，则查找与违约源实体存在一个关联关系所有实体。预设展示层数为三层，则查找与违约源实体存在一个关联关系的所有实体、两个关联关系的所有实体和三个关联关系的所有实体。例如，如图3所示，企业1与企业c之间存在一个关联关系，该企业c就是一层的实体，企业x与企业1之间存在两个关联关系，则企业x就是二层的实体。如果预设展示层数为二层，则查询到与企业1存在二个关联关系的所有实体和一个关联关系的所有实体，最终得到图3。

在上述实施例中，通过根据违约源标识在预设知识图谱匹配对应的违约源实体，当匹配到违约源实体时，获取预设展示层数，根据预设展示层数在预设知识图谱中查找与违约源实体关联的目标实体，得到目标知识图谱，能够查询到以违约源实体为中心的目标知识图谱，能够更清楚的展示违约概率，方便使用。

在一个实施例中，如图12所示，步骤s204之前，即在获取目标知识图谱中实体对应的违约概率，将实体的违约概率与目标知识图谱发送至终端关联显示之前，还包括：

s1202，获取目标知识图谱中待展示实体属性和待展示实体关联关系，根据待展示实体属性和待展示实体间关联关系得到待展示实体属性因子和待展示实体间关联关系因子，根据待展示实体属性因子和待展示实体间关联关系因子得到风险预警特征向量。

其中，待展示实体属性是指该待展示实体的信用状况信息。

具体地，服务器获取目标知识图谱中各个待展示实体属性和待展示实体与违约源实体间关联关系，根据待展示实体的属性得到待展示实体属性因子，根据待展示实体与违约源实体间关联关系得到待展示实体关联关系因子，然后将待展示实体属性因子和待展示实体关联关系因子组合得到风险预警特征向量。比如，根据企业属性得到企业属性因子，当一个企业基本信息为正常，企业经营信息为良好、企业财务信息为正常、企业风险事件信息为无和企业正面反面舆情信息为正面舆情信息多于反面舆情信息，则得到的企业属性因子可以是[1,1,1,1,1]。该企业与违约源企业的关联关系为违约源企业投资、投资和担保三层关联关系，得到的企业间关联关系因子为[1,1,2]。最后得到的风险预警特征向量可以是[1,1,1,1,1,1,1,2]。其中，可以根据基础关联关系得到关联关系类型，分别为不同的关系类型设置对应的关联关系因子。比如，基础关联关系为投资和担保，且预设展示层数为3层，则关联关系类型就有2×2+(2×2)²+(2×2)³＝84种关系类型。当基础关联关系为n种且预设展示层数为n层时，得到的关系类型为2×n+(2×n)²+(2×n)³......(2×n)ⁿ种。在一个实施例中还对得到的实体属性因子进行因子筛选，可以通过业务专家经验进行筛选。

s1204，将风险预警特征向量输入到已训练的风险传导模型中，得到违约概率向量，根据违约概率向量得到待展示实体违约概率。

其中，该风险传导模型是根据实体的历史风险预警特征向量和对应的历史违约概率向量使用深度神经网络算法进行训练得到的。

具体地，将得到的风险预警特征向量输入到已训练的风险传导模型中，得到违约概率向量，根据违约概率向量得到待展示实体违约概率。预先在训练风险传导模型时设置好违约概率向量得到实体违约概率的对应关系，比如，得到一个企业的违约概率向量为[0.1,0.2,0.25,0.27,0.4,0.4]，得则该企业在一个月后的违约概率为10％，在六个月后的违约概率为40％。

在一个实施例中，获取历史在预设时间段内的预设知识图谱。使用transh(基于超平面的嵌入式模型，建立一个面向关系的超平面)方法对历史知识图谱中每个节点进行自学习，包括每个节点的关系信息、节点的自身状态特征信息、节点出险状态信息等，提取到节点关联关系和节点状态属性因子，进行特征工程整合得到风险预警特征向量。获取到历史知识图谱中每个节点对应的违约风险波动数据，根据违约风险波动数据得到违约概率向量。将风险预警特征向量输入到深度神经网络dnn中，将违约概率向量作为深度神经网络的标签进行训练，当训练完成时，得到风险传导模型。也可以通过获取实体的历史信用状信息，根据实体的历史信用状况信息得到实体的历史实体属性因子，获取历史知识图谱中的关联关系，根据关联关系得到历史关联关系因子，根据历史实体属性因子和历史关联关系因子得到风险预警特征向量。获取到历史知识图谱中每个实体对应的违约风险波动数据，根据违约风险波动数据得到违约概率向量，将风险预警特征向量输入到深度神经网络dnn中，将违约概率向量作为深度神经网络的标签进行训练，当训练完成时，得到风险传导模型。

在上述实施例中，通过获取目标知识图谱中待展示实体属性和待展示实体关联关系，根据待展示实体属性和待展示实体关联关系得到待展示实体属性因子和待展示实体关联关系因子，根据待展示实体属性因子和待展示实体间关联关系因子得到风险预警特征向量，将风险预警特征向量输入到已训练的风险传导模型中，得到违约概率向量，根据违约概率向量得到待展示实体违约概率，通过风险传导模型得到待展示实体违约概率，在进行展示时可以直接得到违约概率，提高展示实体违约概率的效率，方便进行实体违约概率的展示。

应该理解的是，虽然图2、4、5、8、10-12的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、4、5、8、10-12中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图13所示，提供了一种违约概率展示装置1300，包括：图谱查询模块1302和违约概率展示模块1304，其中：

图谱查询模块1302，用于接收终端发送的违约概率展示指令，违约概率展示指令携带违约源标识，根据违约概率展示指令在预设知识图谱中查询目标知识图谱，目标知识图谱的顶点为违约源标识对应的实体；

违约概率展示模块1304，用于通过已训练好的风险传导模型得到违约概率，违约概率与目标知识图谱中待展示实体相对应，将待展示实体对应的违约概率与目标知识图谱发送至终端关联显示。

在上述实施例中，通过图谱查询模块1302查询到目标知识图谱，在违约概率展示模块1304中获取到待展示实体的违约概率，并将待展示实体的违约概率与目标知识图谱发送至终端关联显示，通过将违约概率与知识图谱关联显示，能够提高违约概率展示的效果，提高用户体验。

在一个实施例中，违约概率展示模块1304，包括：

风险等级划分模块，用于通过已训练好的风险传导模型得到违约概率，违约概率与目标知识图谱中待展示实体相对应，将待展示实体对应的违约概率按照预设阈值划分风险等级，得到待展示实体的风险等级；

第一显示模块，用于将违约概率、风险等级与目标知识图谱发送终端关联显示。

在一个实施例中，违约概率展示模块1304，包括：

时间点确定模块，用于获取目标知识图谱中待展示实体在不同预设时间点对应的违约概率，将预设时间点、违约概率与目标知识图谱发送终端关联显示；

第二显示模块，用于接收终端发送的预设时间点违约概率显示指令，根据预设时间点违约概率显示指令使终端显示预设时间点对应的违约概率与目标知识图谱。

在一个实施例中，违约概率展示模块1304，包括：

时间段确定模块，用于获取目标知识图谱中待展示实体在预设时间段内的违约概率，将预设时间段、违约概率与目标知识图谱发送终端关联显示；

第三显示模块，用于接收终端发送的动态显示违约概率指令，根据动态显示违约概率指令使终端按照预设时间段顺序显示违约概率与目标知识图谱。

在一个实施例中，违约概率展示装置1300，还包括：

信用获取模块，用于接收预设知识图谱的建立指令，根据建立指令获取实体的信用状况；

图谱建立模块，用于根据实体的信用状况识别目标实体和目标实体之间的关联关系，根据目标实体和目标实体之间的关联关系建立预设知识图谱。

在一个实施例中，图谱查询模块1302，包括：

实体匹配模块，用于根据违约源标识在预设知识图谱匹配对应的违约源实体；

目标实体查找模块，用于当匹配到违约源实体时，获取预设展示层数，根据预设展示层数在预设知识图谱中查找与违约源实体关联的目标实体，得到目标知识图谱。

在一个实施例中，违约概率展示装置1300，还包括：

特征向量得到模块，用于获取目标知识图谱中待展示实体属性和待展示实体关联关系，根据待展示实体属性和待展示实体关联关系得到待展示实体属性因子和待展示实体关联关系因子，根据待展示实体属性因子和待展示实体关联关系因子得到风险预警特征向量；

违约概率得到模块，用于将风险预警特征向量输入到已训练的风险传导模型中，得到违约概率向量，根据违约概率向量得到待展示实体违约概率。

关于违约概率展示装置的具体限定可以参见上文中对于违约概率展示方法的限定，在此不再赘述。上述违约概率展示装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储违约概率数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种违约概率展示方法。

本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：接收终端发送的违约概率展示指令，违约概率展示指令携带违约源标识，根据违约概率展示指令在预设知识图谱中查询目标知识图谱，目标知识图谱的顶点为违约源标识对应的实体；通过已训练好的风险传导模型得到违约概率，违约概率与目标知识图谱中待展示实体相对应，将待展示实体对应的违约概率与目标知识图谱发送至终端关联显示。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过已训练好的风险传导模型得到违约概率，违约概率与目标知识图谱中待展示实体相对应，将待展示实体对应的违约概率按照预设阈值划分风险等级，得到待展示实体的风险等级；将违约概率、风险等级与目标知识图谱发送终端关联显示。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取目标知识图谱中待展示实体在不同预设时间点对应的违约概率，将预设时间点、违约概率与目标知识图谱发送终端关联显示；接收终端发送的预设时间点违约概率显示指令，根据预设时间点违约概率显示指令使终端显示预设时间点对应的违约概率与目标知识图谱。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取目标知识图谱中待展示实体在预设时间段内的违约概率，将预设时间段、违约概率与目标知识图谱发送终端关联显示；接收终端发送的动态显示违约概率指令，根据动态显示违约概率指令使终端按照预设时间段顺序显示违约概率与目标知识图谱。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：接收预设知识图谱的建立指令，根据建立指令获取实体的信用状况；根据实体的信用状况识别目标实体和目标实体之间的关联关系，根据目标实体和目标实体之间的关联关系建立预设知识图谱。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据违约源标识在预设知识图谱匹配对应的违约源实体；当匹配到违约源实体时，获取预设展示层数，根据预设展示层数在预设知识图谱中查找与违约源实体关联的目标实体，得到目标知识图谱。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取目标知识图谱中待展示实体属性和待展示实体关联关系，根据待展示实体属性和待展示实体关联关系得到待展示实体属性因子和待展示实体关联关系因子，根据待展示实体属性因子和待展示实体关联关系因子得到风险预警特征向量；将风险预警特征向量输入到已训练的风险传导模型中，得到违约概率向量，根据违约概率向量得到待展示实体违约概率。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：接收终端发送的违约概率展示指令，违约概率展示指令携带违约源标识，根据违约概率展示指令在预设知识图谱中查询目标知识图谱，目标知识图谱的顶点为违约源标识对应的实体；通过已训练好的风险传导模型得到违约概率，违约概率与目标知识图谱中待展示实体相对应，将待展示实体对应的违约概率与目标知识图谱发送至终端关联显示。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过已训练好的风险传导模型得到违约概率，违约概率与目标知识图谱中待展示实体相对应，将待展示实体对应的违约概率按照预设阈值划分风险等级，得到待展示实体的风险等级；将违约概率、风险等级与目标知识图谱发送终端关联显示。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取目标知识图谱中待展示实体在不同预设时间点对应的违约概率，将预设时间点、违约概率与目标知识图谱发送终端关联显示；接收终端发送的预设时间点违约概率显示指令，根据预设时间点违约概率显示指令使终端显示预设时间点对应的违约概率与目标知识图谱。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取目标知识图谱中待展示实体在预设时间段内的违约概率，将预设时间段、违约概率与目标知识图谱发送终端关联显示；接收终端发送的动态显示违约概率指令，根据动态显示违约概率指令使终端按照预设时间段顺序显示违约概率与目标知识图谱。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：接收预设知识图谱的建立指令，根据建立指令获取实体的信用状况；根据实体的信用状况识别目标实体和目标实体之间的关联关系，根据目标实体和目标实体之间的关联关系建立预设知识图谱。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据违约源标识在预设知识图谱匹配对应的违约源实体；当匹配到违约源实体时，获取预设展示层数，根据预设展示层数在预设知识图谱中查找与违约源实体关联的目标实体，得到目标知识图谱。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取目标知识图谱中待展示实体属性和待展示实体关联关系，根据待展示实体属性和待展示实体关联关系得到待展示实体属性因子和待展示实体关联关系因子，根据待展示实体属性因子和待展示实体关联关系因子得到风险预警特征向量；将风险预警特征向量输入到已训练的风险传导模型中，得到违约概率向量，根据违约概率向量得到待展示实体违约概率。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。