一种企业风险预警方法、装置、设备及可读存储介质与流程

本发明涉及智能决策技术领域，特别涉及一种企业风险预警方法、装置、设备及可读存储介质。

背景技术：

近年来国内企业债开始打破刚兑规律，出现违约事件，且违约数量呈现增长趋势。因此，债券市场的风险控制及对存在信用风险的发债主体进行尽早预警，避免投资人出现重大损失，变得越来越重要。现有的判断企业是否存在违约风险的方式是风控人员基于企业的各种公告信息利用专家经验和其推理逻辑进行风险判断，由于不同专业人士的自身经验及视角覆盖度的局限性，导致难以覆盖到所有案例，容易产生遗漏；随着机器学习算法的不断发展，机器学习算法越来越多的被应用到各个领域以解决例如：数据预测、数据分类和数据聚类的问题；但是，将机器学习算法应用到企业违约风险判断领域，还存在以下技术问题：1)如何将企业的各种公告信息处理为机器学习算法可使用的信息，2)如何提高机器学习算法利用企业的各种公告信息的效率。

技术实现要素：

本发明的目的在于提供一种企业风险预警方法、装置、设备及存储介质，能够确定出企业之间的风险影响关系，从而更加准确的进行企业风险预警。

根据本发明的一个方面，提供了一种企业风险预警方法，所述方法包括：

当接收到风险预警指令时，获取多个实体对象分别在多个连续的时间区间内的状态信息；其中，所述状态信息包括：各个实体对象之间的关联关系；

根据多个实体对象在各个时间区间内的状态信息，分别绘制出与每个时间区间对应的企业关联图谱；其中，所述企业关联图谱包括：表征实体对象的节点和表征实体对象之间的关联关系的边；

针对一个目标实体对象，按照时间先后顺序依次根据各个时间区间的企业关联图谱，并利用预设的风险评估模型，计算出所述目标实体对象的风险评估值；

判断各个实体对象的风险评估值是否大于预设阈值，若是，则向指定终端发送风险预警消息；其中，所述风险预警消息包括：风险评估值大于预设阈值的实体对象。

可选的，所述根据多个实体对象在各个时间区间内的状态信息，分别绘制出与每个时间区间对应的企业关联图谱，包括：

根据多个实体对象在一个时间区间内的状态信息，在与所述时间区间对应的企业关联图谱中绘制代表各个实体对象的节点，并为每个实体对象的节点设置节点属性；其中，节点属性包括：在所述时间区间内为实体对象设置的潜在风险值；

根据各个实体对象之间的关联关系在所述企业关联图谱中的各个节点之间绘制边，并为每个边设置边属性；其中，所述边属性包括：用于表征关联关系类型的关联矢量，所述关联矢量为1×n维的向量，且n为关联关系类型的种类数目。

可选的，所述针对一个目标实体对象，按照时间先后顺序依次根据各个时间区间的企业关联图谱，并利用预设的风险评估模型，计算出所述目标实体对象的风险评估值，包括：

针对所述目标实体对象的一个时间区间t，根据所述时间区间t的企业关联图谱，获取所述目标实体对象在所述时间区间t内的潜在风险值以及所述目标实体对象与关联对象的关联矢量；其中，所述关联对象为通过边与表征所述目标实体对象的节点连接的其他节点所表征的实体对象；

根据所述潜在风险值、关联矢量以及上个时间区间t-1传递到所述时间区间t的隐藏风险影响因子ht-1，计算出所述时间区间t传递到下个时间区间t+1的隐藏风险影响因子ht；

依次计算出各个时间区间传递到下个时间区间的隐藏风险影响因子，直至计算出时间区间t+n传递到当前时间点的隐藏风险影响因子ht+n；其中，时间区间t+n为当前时间点的上个时间区间；

根据所述隐藏风险影响因子ht+n计算出所述目标实体对象的风险评估值。

可选的，所述根据所述潜在风险值、关联矢量以及上个时间区间t-1传递到所述时间区间t的隐藏风险影响因子ht-1，计算出所述时间区间t传递到下个时间区间t+1的隐藏风险影响因子ht，包括：

按照如下公式计算出更新门ut：

ut＝f(gatxu(xt；rt)+gathu(xt，ht-1；rt))；

其中，f()为sigmoid函数；

xt为所述目标实体对象在时间区间t内的潜在风险值；

rt为所述目标实体对象在时间区间t内和关联对象的关联矢量；

ht-1为上个时间区间t-1传递到时间区间t的隐藏风险影响因子；

gatxu为基于图注意力机制神经网络gat构建的第一gat模型；

gathu为基于图注意力机制神经网络gat构建的第二gat模型；

按照如下公式计算出重置门st：

st＝f(gatxs(xt；rt)+gaths(xt，ht-1；rt))；

其中，f()为sigmoid函数；

gatxs为基于图注意力机制神经网络gat构建的第三gat模型；

gaths为基于图注意力机制神经网络gat构建的第四gat模型；

按照如下公式计算出当前风险影响因子ht-：

ht-＝t(gatxh(xt；rt)+st*gathh(xt，ht-1；rt))；

其中，t()为tanh函数；

gatxh为基于图注意力机制神经网络gat构建的第五gat模型；

gathh为基于图注意力机制神经网络gat构建的第六gat模型；

按照如下公式计算出时间区间t传递到下个时间区间t+1的隐藏风险影响因子ht：

ht＝(1-ut)*ht-+ut*ht-1。

可选的，所述根据所述隐藏风险影响因子ht+n计算出所述目标实体对象的风险评估值，包括：

按照如下公式计算目标实体对象的风险评估值v+：

v+＝ht+n+v_；

其中，v_为所述目标实体对象在当前时间点的潜在风险值。

可选的，所述风险评估模型为结合了图神经网络gnn和循环神经网络rnn的模型。

为了实现上述目的，本发明还提供一种企业风险预警装置，所述装置包括：

接收模块，用于当接收到风险预警指令时，获取多个实体对象分别在多个连续的时间区间内的状态信息；其中，所述状态信息包括：各个实体对象之间的关联关系；

绘制模块，用于根据多个实体对象在各个时间区间内的状态信息，分别绘制出与每个时间区间对应的企业关联图谱；其中，所述企业关联图谱包括：表征实体对象的节点和表征实体对象之间的关联关系的边；

计算模块，用于针对一个目标实体对象，按照时间先后顺序依次根据各个时间区间的企业关联图谱，并利用预设的风险评估模型，计算出所述目标实体对象的风险评估值；

预警模块，用于判断各个实体对象的风险评估值是否大于预设阈值，若是，则向指定终端发送风险预警消息；其中，所述风险预警消息包括：风险评估值大于预设阈值的实体对象。

可选的，所述绘制模块，用于：

根据多个实体对象在一个时间区间内的状态信息，在与所述时间区间对应的企业关联图谱中绘制代表各个实体对象的节点，并为每个实体对象的节点设置节点属性；其中，节点属性包括：在所述时间区间内为实体对象设置的潜在风险值；

根据各个实体对象之间的关联关系在所述企业关联图谱中的各个节点之间绘制边，并为每个边设置边属性；其中，所述边属性包括：用于表征关联关系类型的关联矢量，所述关联矢量为1×n维的向量，且n为关联关系类型的种类数目。

为了实现上述目的，本发明还提供一种计算机设备，该计算机设备具体包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述介绍的企业风险预警方法的步骤。

为了实现上述目的，本发明还提供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上述介绍的企业风险预警方法的步骤。

本发明提供的企业风险预警方法、装置、设备及存储介质，由于在时间上，企业未来的状态不仅同当前时间点的自身状态相关，还同过去一段时间的自身连续状态相关；在空间上，公司的信用风险不仅跟其自身状态信息相关，还受到其外部关联方的影响；因此，本发明提出了一种基于图序列神经网络gsn的企业信用风险预警模型，能够基于企业自身当前状态信息，并结合企业在空间及时间两种维度的状态信息，对企业未来的信用风险进行预测，能够确定出企业之间的风险影响关系，从而更加准确的进行企业风险预警。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为实施例一提供的企业风险预警方法的一种可选的流程示意图；

图2为实施例二提供的企业风险预警装置的一种可选的组成结构示意图；

图3为实施例三提供的计算机设备的一种可选的硬件架构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例一

本发明实施例提供了一种企业风险预警方法，如图1所示，该方法具体包括以下步骤：

步骤s101：当接收到风险预警指令时，获取多个实体对象分别在多个连续的时间区间内的状态信息；其中，所述状态信息包括：各个实体对象之间的关联关系，以及实体对象的潜在风险值。

具体的，实体对象可以为：公司、机构、自然人；关联关系包括以下类型：控股、抵押、担保、实际控制人、法人、业务往来方。

其中，所述多个实体对象分别在多个连续的时间区间内的状态信息为存储在区块链节点中的公告信息；将所述多个实体对象分别在多个连续的时间区间内的状态信息上传至区块链可保证其安全性和对用户的公正透明性。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

步骤s102：根据多个实体对象在各个时间区间内的状态信息，分别绘制出与每个时间区间对应的企业关联图谱；其中，所述企业关联图谱包括：表征实体对象的节点和表征实体对象之间的关联关系的边。

具体的，步骤s102，包括：

步骤a1：根据多个实体对象在一个时间区间内的状态信息，在与所述时间区间对应的企业关联图谱中绘制代表各个实体对象的节点，并为每个实体对象的节点设置节点属性；其中，节点属性包括：在所述时间区间内为实体对象设置的潜在风险值；

步骤a2：根据各个实体对象之间的关联关系在所述企业关联图谱中的各个节点之间绘制边，并为每个边设置边属性；其中，所述边属性包括：用于表征关联关系类型的关联矢量，所述关联矢量为1×n维的向量，且n为关联关系类型的种类数目。

在本实施例中，企业关联图谱可以通过企业自身信息、其关联方信息及它们之间的具体关联关系进行有效表示；构建企业关联图谱的具体过程为：基于从各种公告中提取到的企业信息以及企业之间的关系数据，将公司、机构及自然人等重要实体对象抽象成企业关联图谱中的节点，其对应的状态信息以节点属性的形式表示，并将公司与公司之间、公司与机构、公司与人员之间的各类关联关系(如控股、抵押、担保等)抽象为节点与节点之间的边，具体关联关系的状态信息以边属性的形式表示。

需要说明的是，专家事先根据每个实体对象在各个时间区间内的基本信息、经营信息、贷款信息等为实体对象设置对应时间区间内的潜在风险值；潜在风险值用于表征实体对象的违约风险概率；一个实体对象的潜在风险值越大，说明实体对象具有违约风险的概率越大。此外，由于各个实体对象之间可以有一种或多种类型的关联关系，所以为了能够通过一个企业关联图谱表示各个实体对象之间的多种类型的关联关系，在本实施例中采用了关联矢量；初始的关联矢量的每个维度的值均为0，且每个维度对应一种类型的关联关系。若两个实体对象之间存在控股、业务往来方两种类型的关联关系，则在关联矢量中将表征控股和表征业务往来方的维度的值设置为1。

在本实施例中，创新性的采用矢量形式的关联矢量对关系边进行表示，有效的将多边且有向图的形式转化为单边的形式，从而使得构建的企业关联图谱更加适用于基于单边结构的gat(graphattentionnetwork，图注意力机制神经网络)学习模型框架，避免了专门设计基于多边有向图结构的复杂gat学习模型框架，使得整体的gat学习模型框架更加简化。

步骤s103：针对一个目标实体对象，按照时间先后顺序依次根据各个时间区间的企业关联图谱，并利用预设的风险评估模型，计算出所述目标实体对象的风险评估值。

其中，所述风险评估模型为gsn预警模型，gsn预警模型是一种结合了图神经网络gnn和循环神经网络rnn的模型。其中，gnn结构可以有效对应空间维度(企业之间的关联关系)进行建模，rnn可以对时间序列进行有效建模。具体的，本实施例中gnn的具体实现采用了图注意力机制神经网络(gat)架构，一种更加适合企业之间信用风险传导的gnn结构，且采用矢量的形式对关系边进行表示，有效的将多边且有向图的形式转化为单边的形式。另外，rnn的具体实现采用了gru(gaterecurrentunit，门控循环单元)结构。

具体的，步骤s103，包括：

步骤b1：针对所述目标实体对象的一个时间区间t，根据所述时间区间t的企业关联图谱，获取所述目标实体对象在所述时间区间t内的潜在风险值以及所述目标实体对象与关联对象的关联矢量；其中，所述关联对象为通过边与表征所述目标实体对象的节点连接的其他节点所表征的实体对象；

步骤b2：根据所述潜在风险值、关联矢量以及上个时间区间t-1传递到所述时间区间t的隐藏风险影响因子ht-1，计算出所述时间区间t传递到下个时间区间t+1的隐藏风险影响因子ht；

步骤b3：重复执行上述步骤，直至计算出时间区间t+n传递到当前时间点的隐藏风险影响因子ht+n；其中，时间区间t+n为当前时间点的上个时间区间；

步骤b4：根据所述隐藏风险影响因子ht+n计算出所述目标实体对象的风险评估值。

进一步的，步骤b2，包括：

步骤b21：按照如下公式计算出更新门ut：

ut＝f(gatxu(xt；rt)+gathu(xt，ht-1；rt))；

其中，f()为sigmoid函数；

xt为所述目标实体对象在时间区间t内的潜在风险值；

rt为所述目标实体对象在时间区间t内和关联对象的关联矢量；

ht-1为上个时间区间t-1传递到时间区间t的隐藏风险影响因子；

gatxu为基于图注意力机制神经网络gat构建的第一gat模型；

gathu为基于图注意力机制神经网络gat构建的第二gat模型；

步骤b22：按照如下公式计算出重置门st：

st＝f(gatxs(xt；rt)+gaths(xt，ht-1；rt))；

其中，f()为sigmoid函数；

gatxs为基于图注意力机制神经网络gat构建的第三gat模型；

gaths为基于图注意力机制神经网络gat构建的第四gat模型；

步骤b23：按照如下公式计算出当前风险影响因子ht-：

ht-＝t(gatxh(xt；rt)+st*gathh(xt，ht-1；rt))；

其中，t()为tanh函数；

gatxh为基于图注意力机制神经网络gat构建的第五gat模型；

gathh为基于图注意力机制神经网络gat构建的第六gat模型；

步骤b24：按照如下公式计算出时间区间t传递到下个时间区间t+1的隐藏风险影响因子ht：

ht＝(1-ut)*ht-+ut*ht-1。

需要说明的是，gru是循环神经网络(recurrentneuralnetwork，rnn)的一种。在gru结构中，更新门ut用于决定有多少过去的信息可以继续传递到未来；重置门st用于决定有多少过去的信息不能继续传递到未来。

其中，第一gat模型、第三gat模型、第五gat模型的输入均为xt和rt；但第一gat模型、第三gat模型、第五gat模型的系数不同；第二gat模型、第四gat模型、第六gat模型的输入均为xt、ht-1和rt，但第二gat模型、第四gat模型、第六gat模型的系数不同。

需要说明的是，gat是一种基于图注意力机制的图神经网络模型(gnn)，具有神经网络这种端到端的学习特点，减少了繁琐的传导路径因子挖掘这些特征工程工作。所述图注意力机制神经网络gat模型包括：多个gat层和一个全链接层，且在每个gat层中包括：注意力层和残差网络层。gat通过注意力机制，自动的学习关联节点对目标节点的影响程度，即对每个企业可以学习到其对应不同关联关系的重要性。且在学习的过程中，企业自身状态信息是非常重要的特征因子。即同时学习了企业自身状态和关联方的综合相互作用。这是对现实中，风险传导的概率不仅同关联方有关，还与自身的抵御风险能力高度相关，因此，gat相对只注重关系重要性的学习算法，具有更精准的优势。

进一步的，步骤b4，包括：

按照如下公式计算目标实体对象的风险评估值v+：

v+＝ht+n+v_；

其中，v_为所述目标实体对象在当前时间点的潜在风险值。

此外，还可将每个实体对象的风险评估值上传至区块链中，以防止其被篡改；其他用户可从区块链中下载得每个实体对象的风险评估值。

步骤s104：判断各个实体对象的风险评估值是否大于预设阈值，若是，则向指定终端发送风险预警消息；其中，所述风险预警消息包括：风险评估值大于预设阈值的实体对象。

其中，若一个实体对象的风险评估值越大，则说明该实体对象在未来一段时间内会发生信用风险事件的概率越大。

在时间上，企业未来的状态不仅同当前时间点的自身状态相关，还同过去一段时间的自身连续状态(时间序列)相关；在空间上，公司的信用风险不仅跟其自身状态信息相关，还受到其外部关联方的影响。因此，本实施例提出了一种基于图序列神经网络(gsn)的企业信用风险预警模型，可以同时对企业的时间和空间两种维度进行建模。由于企业间风险传导的概率同企业关联关系的关系抽象程度较高，企业间关系类型较多，不同关系间的差异性较大，不同关系间还存在组合增强效应等等特点，现有的模型泛化性能较差，未能取得良好效果。在本实施例中，提出了一种新的基于gsn的关联企业之间信用风险传导模型，从时间维度和企业维度两方面综合判断企业在未来发生违约风险的概率，更全面的模拟了现实情况。此外，本实施例还创新型的采用矢量的形式对关系边进行表示，有效的将多边且有向图的形式转化为单边的形式，避免了专门设计基于多边有向图的复杂gat结构，使得基于单边学习的gat结构可以经过简单的修改即可应用。相对风控业务人员，由于模型是基于全量数据集自动化运行，可以有效做到全局覆盖，提升效率。

实施例二

本发明实施例提供了一种企业风险预警装置，如图2所示，该装置具体包括以下组成部分：

接收模块201，用于当接收到风险预警指令时，获取多个实体对象分别在多个连续的时间区间内的状态信息；其中，所述状态信息包括：各个实体对象之间的关联关系；

绘制模块202，用于根据多个实体对象在各个时间区间内的状态信息，分别绘制出与每个时间区间对应的企业关联图谱；其中，所述企业关联图谱包括：表征实体对象的节点和表征实体对象之间的关联关系的边；

计算模块203，用于针对一个目标实体对象，按照时间先后顺序依次根据各个时间区间的企业关联图谱，并利用预设的风险评估模型，计算出所述目标实体对象的风险评估值；

预警模块204，用于判断各个实体对象的风险评估值是否大于预设阈值，若是，则向指定终端发送风险预警消息；其中，所述风险预警消息包括：风险评估值大于预设阈值的实体对象。

具体的，绘制模块202，用于：

根据多个实体对象在一个时间区间内的状态信息，在与所述时间区间对应的企业关联图谱中绘制代表各个实体对象的节点，并为每个实体对象的节点设置节点属性；其中，节点属性包括：在所述时间区间内为实体对象设置的潜在风险值；

根据各个实体对象之间的关联关系在所述企业关联图谱中的各个节点之间绘制边，并为每个边设置边属性；其中，所述边属性包括：用于表征关联关系类型的关联矢量，所述关联矢量为1×n维的向量，且n为关联关系类型的种类数目。

进一步的，计算模块203，具体包括：

获取单元，用于针对所述目标实体对象的一个时间区间t，根据所述时间区间t的企业关联图谱，获取所述目标实体对象在所述时间区间t内的潜在风险值以及所述目标实体对象与关联对象的关联矢量；其中，所述关联对象为通过边与表征所述目标实体对象的节点连接的其他节点所表征的实体对象；

计算单元，用于根据所述潜在风险值、关联矢量以及上个时间区间t-1传递到所述时间区间t的隐藏风险影响因子ht-1，计算出所述时间区间t传递到下个时间区间t+1的隐藏风险影响因子ht；

处理单元，用于依次计算出各个时间区间传递到下个时间区间的隐藏风险影响因子，直至计算出时间区间t+n传递到当前时间点的隐藏风险影响因子ht+n；其中，时间区间t+n为当前时间点的上个时间区间；

评估单元，用于根据所述隐藏风险影响因子ht+n计算出所述目标实体对象的风险评估值。

更进一步的，计算单元，具体用于：

按照如下公式计算出更新门ut：

ut＝f(gatxu(xt；rt)+gathu(xt，ht-1；rt))；

其中，f()为sigmoid函数；

xt为所述目标实体对象在时间区间t内的潜在风险值；

rt为所述目标实体对象在时间区间t内和关联对象的关联矢量；

ht-1为上个时间区间t-1传递到时间区间t的隐藏风险影响因子；

gatxu为基于图注意力机制神经网络gat构建的第一gat模型；

gathu为基于图注意力机制神经网络gat构建的第二gat模型；

按照如下公式计算出重置门st：

st＝f(gatxs(xt；rt)+gaths(xt，ht-1；rt))；

其中，f()为sigmoid函数；

gatxs为基于图注意力机制神经网络gat构建的第三gat模型；

gaths为基于图注意力机制神经网络gat构建的第四gat模型；

按照如下公式计算出当前风险影响因子ht-：

ht-＝t(gatxh(xt；rt)+st*gathh(xt，ht-1；rt))；

其中，t()为tanh函数；

gatxh为基于图注意力机制神经网络gat构建的第五gat模型；

gathh为基于图注意力机制神经网络gat构建的第六gat模型；

按照如下公式计算出时间区间t传递到下个时间区间t+1的隐藏风险影响因子ht：

ht＝(1-ut)*ht-+ut*ht-1。

更进一步的，评估单元，具体用于：

按照如下公式计算目标实体对象的风险评估值v+：

v+＝ht+n+v_；

其中，v_为所述目标实体对象在当前时间点的潜在风险值。

更进一步的，所述风险评估模型为结合了图神经网络gnn和循环神经网络rnn的模型。

实施例三

本实施例还提供一种计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图3所示，本实施例的计算机设备30至少包括但不限于：可通过系统总线相互通信连接的存储器301、处理器302。需要指出的是，图3仅示出了具有组件301-302的计算机设备30，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

本实施例中，存储器301(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器301可以是计算机设备30的内部存储单元，例如该计算机设备30的硬盘或内存。在另一些实施例中，存储器301也可以是计算机设备30的外部存储设备，例如该计算机设备30上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。当然，存储器301还可以既包括计算机设备30的内部存储单元也包括其外部存储设备。在本实施例中，存储器301通常用于存储安装于计算机设备30的操作系统和各类应用软件。此外，存储器301还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器302在一些实施例中可以是中央处理器(centralprocessingunit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器302通常用于控制计算机设备30的总体操作。

具体的，在本实施例中，处理器302用于执行处理器302中存储的企业风险预警方法的程序，所述企业风险预警方法的程序被执行时实现如下步骤：

当接收到风险预警指令时，获取多个实体对象分别在多个连续的时间区间内的状态信息；其中，所述状态信息包括：各个实体对象之间的关联关系；

根据多个实体对象在各个时间区间内的状态信息，分别绘制出与每个时间区间对应的企业关联图谱；其中，所述企业关联图谱包括：表征实体对象的节点和表征实体对象之间的关联关系的边；

针对一个目标实体对象，按照时间先后顺序依次根据各个时间区间的企业关联图谱，并利用预设的风险评估模型，计算出所述目标实体对象的风险评估值；

判断各个实体对象的风险评估值是否大于预设阈值，若是，则向指定终端发送风险预警消息；其中，所述风险预警消息包括：风险评估值大于预设阈值的实体对象。

上述方法步骤的具体实施例过程可参见第一实施例，本实施例在此不再重复赘述。

实施例四

本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、app应用商城等等，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如下方法步骤：

当接收到风险预警指令时，获取多个实体对象分别在多个连续的时间区间内的状态信息；其中，所述状态信息包括：各个实体对象之间的关联关系；

根据多个实体对象在各个时间区间内的状态信息，分别绘制出与每个时间区间对应的企业关联图谱；其中，所述企业关联图谱包括：表征实体对象的节点和表征实体对象之间的关联关系的边；

针对一个目标实体对象，按照时间先后顺序依次根据各个时间区间的企业关联图谱，并利用预设的风险评估模型，计算出所述目标实体对象的风险评估值；

判断各个实体对象的风险评估值是否大于预设阈值，若是，则向指定终端发送风险预警消息；其中，所述风险预警消息包括：风险评估值大于预设阈值的实体对象。

上述方法步骤的具体实施例过程可参见第一实施例，本实施例在此不再重复赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

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。

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上述实施例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。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。