公司关联信息风险监测方法、装置、设备及存储介质与流程

本发明涉及风险监测技术领域，尤其涉及一种公司关联信息风险监测方法、装置、设备及存储介质。

背景技术：

目前在进行公司风险评估时，可以依据专家规则或业务经验手工提炼风险信号来进行风险检测，提炼方式为简单的指标统计。或者根据仅公司自身的信用数据构建知识图谱，利用图深度学习对公司自身知识图谱学习特征嵌入，将特征嵌入通过风险评估模型进行风险评估。

但是，无论是通过手工提炼风险信号来进行风险评估，还是通过公司自身信用数据进行风险评估，评估结果的准确度均比较低。

技术实现要素：

本发明的主要目的在于提供一种公司关联信息风险监测方法、装置、设备及存储介质，旨在解决当前进行公司风险评估时评估结果的准确度比较低的技术问题。

为实现上述目的，本发明实施例提供一种公司关联信息风险监测方法，所述公司关联信息风险监测方法包括：

获取公司的客户特征信息及所述公司关联方的关联特征信息；

基于所述客户特征信息和所述关联特征信息提取特征嵌入向量；

根据所述特征嵌入向量对预设深度学习网络的多头注意力模块与特征嵌入网络进行训练，得到目标模型；

获取待评估公司的待评估特征信息，通过所述目标模型与所述待评估特征信息对所述待评估公司进行风险预测，得到预测结果。

优选地，所述根据所述特征嵌入向量对预设深度学习网络的多头注意力模块与特征嵌入网络进行训练，得到目标模型的步骤包括：

通过预设深度学习网络的多头注意力模块对所述特征嵌入向量进行处理，得到隐层向量；

通过所述预设深度学习网络的线性二分类器对所述隐层向量进行映射，得到分类结果；

根据所述分类结果对所述预设深度学习网络的特征嵌入网络与所述多头注意力模块进行训练，得到目标模型。

优选地，所述通过预设深度学习网络的多头注意力模块对所述特征嵌入向量进行处理，得到隐层向量的步骤包括：

获取预设深度学习网络中多头注意力模块的注意力权重参数；

根据所述注意力权重参数对所述特征嵌入向量进行预设运算，得到隐层向量。

优选地，所述基于所述客户特征信息和所述关联特征信息提取特征嵌入向量的步骤包括：

将所述客户特征信息和所述关联特征信息输入预设深度学习网络的特征嵌入网络；

通过所述特征嵌入网络对所述客户特征信息和所述关联特征信息进行数据转换，得到特征嵌入向量。

优选地，所述获取公司的客户特征信息及所述公司关联方的关联特征信息的步骤包括：

获取公司的历史信贷违约信息，根据所述历史信贷违约信息创建训练标签，获取所述公司的标签特征信息，并由所述训练标签与所述标签特征信息形成客户特征信息；

获取所述公司的关联图谱信息，根据所述关联图谱信息获取所述公司关联方的关联特征信息。

优选地，所述根据所述关联图谱信息获取所述公司关联方的关联特征信息的步骤包括：

根据所述关联图谱信息识别所述公司的关联方；

获取所述关联方的关联特征信息。

优选地，所述获取待评估公司的待评估特征信息的步骤之后，还包括：

通过模型解释性模块对所述待评估特征信息进行贡献度计算，生成关联风险监测信息。

为实现上述目的，本发明还提供一种公司关联信息风险监测装置，所述公司关联信息风险监测装置包括：

获取模块，用于获取公司的客户特征信息及所述公司关联方的关联特征信息；

提取模块，用于基于所述客户特征信息和所述关联特征信息提取特征嵌入向量；

训练模块，用于根据所述特征嵌入向量对预设深度学习网络的多头注意力模块与特征嵌入网络进行训练，得到目标模型；

预测模块，用于获取待评估公司的待评估特征信息，通过所述目标模型对所述待评估特征信息进行风险预测，得到预测结果。

进一步地，为实现上述目的，本发明还提供一种公司关联信息风险监测设备，所述公司关联信息风险监测设备包括存储器、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公司关联信息风险监测程序，所述公司关联信息风险监测程序被所述处理器执行时实现上述的公司关联信息风险监测方法的步骤。

进一步地，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有公司关联信息风险监测程序，所述公司关联信息风险监测程序被处理器执行时实现上述的公司关联信息风险监测方法的步骤。

本发明实施例提供一种公司关联信息风险监测方法、装置、设备及存储介质，获取公司的客户特征信息及所述公司关联方的关联特征信息；基于所述客户特征信息和所述关联特征信息提取特征嵌入向量；根据所述特征嵌入向量对预设深度学习网络的多头注意力模块与特征嵌入网络进行训练，得到目标模型；获取待评估公司的待评估特征信息，通过所述目标模型对所述待评估特征信息进行风险预测，得到预测结果。本发明从公司的客户特征信息及公司关联方的关联特征信息提取特征嵌入向量作为训练依据，对预设深度学习网络的多头注意力模块与特征嵌入网络进行训练，使得在应用训练得到的目标模型进行风险预测时，通过目标模型的多头注意力机制对待评估特征信息进行预测，有效提高进行公司风险评估时评估结果的准确度。

附图说明

图1为本发明公司关联信息风险监测方法实施例方案涉及的硬件运行环境的结构示意图；

图2为本发明公司关联信息风险监测方法第一实施例的流程示意图；

图3为本发明公司关联信息风险监测方法第二实施例的流程示意图；

图4为本发明公司关联信息风险监测方法第三实施例的流程示意图；

图5为本发明公司关联信息风险监测方法第四实施例的流程示意图；

图6为本发明公司关联信息风险监测装置较佳实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种公司关联信息风险监测方法、装置、设备及存储介质，获取公司的客户特征信息及所述公司关联方的关联特征信息；基于所述客户特征信息和所述关联特征信息提取特征嵌入向量；根据所述特征嵌入向量对预设深度学习网络的多头注意力模块与特征嵌入网络进行训练，得到目标模型；获取待评估公司的待评估特征信息，通过所述目标模型对所述待评估特征信息进行风险预测，得到预测结果。本发明从公司的客户特征信息及公司关联方的关联特征信息提取特征嵌入向量作为训练依据，对预设深度学习网络的多头注意力模块与特征嵌入网络进行训练，使得在应用训练得到的目标模型进行风险预测时，通过目标模型的多头注意力机制对待评估特征信息进行预测，有效提高进行公司风险评估时评估结果的准确度。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境的公司关联信息风险监测设备结构示意图。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。

本发明实施例公司关联信息风险监测设备可以是pc，也可以是平板电脑、便携计算机等可移动式终端设备。

如图1所示，该公司关联信息风险监测设备可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的公司关联信息风险监测设备结构并不构成对公司关联信息风险监测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及公司关联信息风险监测程序。

在图1所示的设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的公司关联信息风险监测程序，并执行以下操作：

获取公司的客户特征信息及所述公司关联方的关联特征信息；

基于所述客户特征信息和所述关联特征信息提取特征嵌入向量；

根据所述特征嵌入向量对预设深度学习网络的多头注意力模块与特征嵌入网络进行训练，得到目标模型；

获取待评估公司的待评估特征信息，通过所述目标模型与所述待评估特征信息对所述待评估公司进行风险预测，得到预测结果。

进一步地，所述根据所述特征嵌入向量对预设深度学习网络的多头注意力模块与特征嵌入网络进行训练，得到目标模型的步骤包括：

通过预设深度学习网络的多头注意力模块对所述特征嵌入向量进行处理，得到隐层向量；

通过所述预设深度学习网络的线性二分类器对所述隐层向量进行映射，得到分类结果；

根据所述分类结果对所述预设深度学习网络的特征嵌入网络与所述多头注意力模块进行训练，得到目标模型。

进一步地，所述通过预设深度学习网络的多头注意力模块对所述特征嵌入向量进行处理，得到隐层向量的步骤包括：

获取预设深度学习网络中多头注意力模块的注意力权重参数；

根据所述注意力权重参数对所述特征嵌入向量进行预设运算，得到隐层向量。

进一步地，所述基于所述客户特征信息和所述关联特征信息提取特征嵌入向量的步骤包括：

将所述客户特征信息和所述关联特征信息输入预设深度学习网络的特征嵌入网络；

通过所述特征嵌入网络对所述客户特征信息和所述关联特征信息进行数据转换，得到特征嵌入向量。

进一步地，所述获取公司的客户特征信息及所述公司关联方的关联特征信息的步骤包括：

获取公司的历史信贷违约信息，根据所述历史信贷违约信息创建训练标签，获取所述公司的标签特征信息，并由所述训练标签与所述标签特征信息形成客户特征信息；

获取所述公司的关联图谱信息，根据所述关联图谱信息获取所述公司关联方的关联特征信息。

进一步地，所述根据所述关联图谱信息获取所述公司关联方的关联特征信息的步骤包括：

根据所述关联图谱信息识别所述公司的关联方；

获取所述关联方的关联特征信息。

进一步地，所述获取待评估公司的待评估特征信息的步骤之后，处理器1001可以用于调用存储器1005中存储的公司关联信息风险监测程序，并执行以下操作：

通过模型解释性模块对所述待评估特征信息进行贡献度计算，生成关联风险监测信息。

为了更好的理解上述技术方案，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

参照图2，本发明第一实施例提供一种公司关联信息风险监测方法的流程示意图。该实施例中，所述公司关联信息风险监测方法包括以下步骤：

步骤s10，获取公司的客户特征信息及所述公司关联方的关联特征信息；

本实施例中公司关联信息风险监测方法应用于公司关联信息风险监测系统，可以理解地，为方便描述，以下将公司关联信息风险监测系统简称为系统；系统中包含预设深度学习网络与模型解释性模块，预设深度学习网络在本实施例中优选为图深度学习网络，图深度学习网络由特征嵌入网络、线性二分类器、多头注意力模块组成，特征嵌入网络用于将数据转换为固定大小的特征进行表示；线性二分类器在机器学习中，用于使用二次曲面来将物件或事件分成两个或以上的分类；多头注意力模块用于利用多个查询，来平行地计算从输入信息中选取多个信息；模型解释性模块用于计算模型中多个输入变量如何工作，以及模型的预测如何根据输入变量的值而变化。

可以理解地，目前在进行公司风险评估时，可以依据专家规则或业务经验手工提炼风险信号来进行风险检测，提炼方式为简单的指标统计。或者根据仅公司自身的信用数据构建知识图谱，利用图深度学习对公司自身知识图谱学习特征嵌入，将特征嵌入通过风险评估模型进行风险评估。但是，无论是通过手工提炼风险信号来进行风险评估，还是通过公司自身信用数据进行风险评估，评估结果的准确度均比较低。在此基础上，本申请提出一种公司关联信息风险监测方法，通过从公司的客户特征信息及公司关联方的关联特征信息提取特征嵌入向量作为训练依据，对预设深度学习网络的多头注意力模块与特征嵌入网络进行训练，使得在应用训练得到的目标模型进行风险预测时，通过目标模型的多头注意力机制对待评估特征信息进行预测，有效提高进行公司风险评估时评估结果的准确度。

进一步地，系统获取至少一个公司的历史信贷违约信息，通过历史信贷违约信息创建训练标签，同时获取该公司的标签特征信息，其中标签特征信息是指具有训练标签的公司所对应的多种特征信息，可以理解地，在机器学习或深度学习中，用于对初始的学习网络进行训练的数据越多，将会使得训练得到的最终模型的准确度越高，因此在获取历史信贷违约信息时，可以尽可能地获取多个公式的历史信贷违约信息，数量上不封顶。为了能够更加准确地进行风险评估，系统还需要获取与当前公司相关的其他公司或企业的特征信息，而若获取了多个公司的历史信贷违约信息，则需要分别获取每一公司的关联公司或企业的特征信息，得到公司关联方的关联特征信息。

步骤s20，基于所述客户特征信息和所述关联特征信息提取特征嵌入向量；

进一步地，为了能够更加方便地对客户特征信息和关联特征信息进行处理，系统需要从客户特征信息和关联特征信息中提取特征信息，具体地，系统将客户特征信息和关联特征信息输入至预设深度学习网络的特征嵌入网络中，通过特征嵌入网络对输入的客户特征信息和关联特征信息进行数据转换，并在数据转换完成后得到特征嵌入向量。

进一步地，所述基于所述客户特征信息和所述关联特征信息提取特征嵌入向量的步骤包括：

步骤s21，将所述客户特征信息和所述关联特征信息输入预设深度学习网络的特征嵌入网络；

步骤s22，通过所述特征嵌入网络对所述客户特征信息和所述关联特征信息进行数据转换，得到特征嵌入向量。

进一步地，为了能够方便通过客户特征信息和关联特征信息对预设深度学习网络进行训练，需要对客户特征信息和关联特征信息进行数据格式转换，具体地，系统将客户特征信息和关联特征信息输入至预设深度学习网络的特征嵌入网络中，通过特征嵌入网络对客户特征信息和关联特征信息进行数据转换，具体地，由于客户特征信息和关联特征信息的数据维度可能与预设深度学习网络能够识别的数据维度不同，预设深度学习网络的特征嵌入网络中设置有可识别数据的维度信息，因此预设深度学习网络在接收到客户特征信息和关联特征信息后，通过特征嵌入网络识别客户特征信息和关联特征信息的数据维度，再对客户特征信息和关联特征信息进行升维或降维处理，使得降维处理后客户特征信息和关联特征信息的数据维度与特征嵌入网络中可识别数据的维度信息相同，并转换得到特征嵌入向量；系统通过循环执行上述获取特征嵌入向量的过程，注意计算公司多种类型的关联方的特征嵌入向量，并找出公司的每一种类型的关联方节点集合。可以理解地，在将客户特征信息和关联特征信息输入预设深度学习网络的特征嵌入网络时，还需要输入节点卷积核与边集合组成的异构图，注意力头数、注意力参数、线性分类器参数和最大迭代参数等信息。通过预设深度学习网络提取客户特征信息和关联特征信息的特征嵌入向量，避免通过手工提取特征嵌入向量，有利于提高数据处理的效率，同时可以减少手工提取时产生的误差，提高提取数据的准确度。

步骤s30，根据所述特征嵌入向量对预设深度学习网络的多头注意力模块与特征嵌入网络进行训练，得到目标模型；

进一步地，系统首先将特征嵌入向量通过预设深度学习网络的多头注意力模块进行运算，计算出隐层向量；再通过预设深度学习网络中的线性二分类器，对隐层向量进行映射，得到由多个分类组成的分类结果；最后再根据生成的分类结果对预设深度学习网络的多头注意力模块与特征嵌入网络进行训练，得到目标模型。

步骤s40，获取待评估公司的待评估特征信息，通过所述目标模型对所述待评估特征信息进行风险预测，得到预测结果。

进一步地，存在公司需要在本系统下进行风险业务办理时，可以向系统发出业务办理请求，而系统在接收到公司发送的业务办理请求时，首先将需要进行风险业务办理的公司确定为待评估公司，然后获取待评估公司的待评估特征信息，再将待评估公司的待评估风险信息输入至训练得到的目标模型中，通过目标模型对待评估特征信息进行风险预测，最后得到对该公司进行风险预测的预测结果，其中预测结果为介于0～1之间的违约概率，系统可以将预测结果通过显示设备进行输出，使得工作人员可以根据预测结果中的违约概率对该公司的业务办理请求进行决策，具体地，可以根据违约概率决策是否通过待评估公司的业务办理(如贷款)请求，若违约概率高于该金融机构(如银行)设置的预设违约概率，说明向待评估公司进行贷款，待评估公司具有较高的几率不能还款，若通过待评估公司的贷款业务办理请求，将会导致银行利益受损，不利于银行的发展。

本实施例提供一种公司关联信息风险监测方法、装置、设备及存储介质，获取公司的客户特征信息及所述公司关联方的关联特征信息；基于所述客户特征信息和所述关联特征信息提取特征嵌入向量；根据所述特征嵌入向量对预设深度学习网络的多头注意力模块与特征嵌入网络进行训练，得到目标模型；获取待评估公司的待评估特征信息，通过所述目标模型对所述待评估特征信息进行风险预测，得到预测结果。本发明从公司的客户特征信息及公司关联方的关联特征信息提取特征嵌入向量作为训练依据，对预设深度学习网络的多头注意力模块与特征嵌入网络进行训练，使得在应用训练得到的目标模型进行风险预测时，通过目标模型的多头注意力机制对待评估特征信息进行预测，有效提高进行公司风险评估时评估结果的准确度。

进一步地，参照图3，基于本发明公司关联信息风险监测方法的第一实施例，提出本发明公司关联信息风险监测方法的第二实施例，在第二实施例中，所述根据所述特征嵌入向量对预设深度学习网络的多头注意力模块与特征嵌入网络进行训练，得到目标模型的步骤包括：

步骤s31，通过预设深度学习网络的多头注意力模块对所述特征嵌入向量进行处理，得到隐层向量；

步骤s32，通过所述预设深度学习网络的线性二分类器对所述隐层向量进行映射，得到分类结果；

步骤s33，根据所述分类结果对所述预设深度学习网络的特征嵌入网络与所述多头注意力模块进行训练，得到目标模型。

进一步地，系统将特征嵌入向量输入至预设深度学习网络中，通过预设深度学习网络中的多头注意力模块对输入的特征嵌入向量进行处理，具体地，由多头注意力模块对输入的特征嵌入向量进行加权平均运算，在完成运算后得到隐层向量。进一步地，系统将运算得到的隐层向量通过预设深度学习网络的线性二分类器进行映射，通过线性二分类器将隐层向量映射为多个分类，并由多个分类形成映射的分类结果。进一步地，系统根据映射得到的分类结果，对预设深度学习网络的特征嵌入网络与多头注意力模块进行训练，具体地，对特征嵌入网络以及多头注意力模块中的参数进行训练，在将参数训练至收敛时判定训练完成，结束循环过程，并得到最终的目标模型。在训练得到最终的目标模型后，只需要将待评估公司的待评估特征信息输入至目标模型，就可以通过目标模型根据待评估特征信息对待评估公司进行风险预测，并生成预测结果，通过对预设深度学习网络的特征嵌入网络与所述多头注意力模块进行训练，提高通过训练得到的目标模型进行预测的预测结果准确度。

进一步地，所述通过预设深度学习网络的多头注意力模块对所述特征嵌入向量进行处理，得到隐层向量的步骤包括：

步骤s311，获取预设深度学习网络中多头注意力模块的注意力权重参数；

步骤s312，根据所述注意力权重参数对所述特征嵌入向量进行预设运算，得到隐层向量。

可以理解地，预设深度学习网络的多头注意力模块中由系统分配注意力权重参数，用于表示多头注意力模块中各头在整体模块中所占的权重，并且各头的权重并非固定不变的，而是由系统根据一定的更新规则进行更新后分配。因此，系统从预设深度学习网络的多头注意力模块中获取由各头权重组成的注意力权重参数，再根据注意力权重参数对特征嵌入向量进行预设的加权平均运算，具体地，将特征嵌入向量分别与各头的权重进行乘积运算，得到多个乘积结果，再将多个乘积结果通过加和运算拼接起来，形成特征嵌入向量的隐层向量，便于通过隐层向量映射出分类结果后对预设深度学习网络的特征嵌入网络与所述多头注意力模块进行训练，提高通过训练得到的目标模型进行预测的预测结果准确度。

本实施例通过多头注意力模块与线性二分类器先后对特征嵌入向量进行处理，再由处理得到的分类结果对预设深度学习网络的多头注意力模块与特征嵌入网络进行训练，使得通过训练得到的目标模型进行预测的预测结果准确度更高。

进一步地，参照图4，基于本发明公司关联信息风险监测方法的第一实施例，提出本发明公司关联信息风险监测方法的第三实施例，在第三实施例中，所述获取公司的客户特征信息及所述公司关联方的关联特征信息的步骤包括：

步骤s11，获取公司的历史信贷违约信息，根据所述历史信贷违约信息创建训练标签，获取所述公司的标签特征信息，并由所述训练标签与所述标签特征信息形成客户特征信息；

步骤s12，获取所述公司的关联图谱信息，根据所述关联图谱信息获取所述公司关联方的关联特征信息。

进一步地，由于公司在向银行等金融机构进行贷款等业务办理时，需要向银行提供征信、工商、法律、交易、信贷、财务、企业主、预警、风险等特征信息，或者授权金融机构可以直接通过系统获取该公司的征信、工商、法律、交易、信贷、财务、企业主、预警、风险等特征信息，系统可以从金融机构的风险信息数据库或公司的风险信息存储单元中获取该公司的征信、工商、法律、交易、信贷、财务、企业主、预警、风险等对公司是否违约具有影响的特征信息作为标签特征信息，同时还可以从金融机构的风险信息数据库或公司的风险信息存储单元中获取该公司的历史信贷违约信息，在获取历史信贷违约信息后，系统根据历史信贷违约情况创建训练标签，例如存在违约情况则设置标识1，不存在违约情况则设置标识0。在获取到标签特征信息与训练标签，并由训练标签与标签特征信息共同组成客户特征信息，以在后续将客户特征信息输入至预设深度学习网络，并训练得到训练标签与标签特征信息之间的关联关系。

可以理解地，在金融相关的业务办理进行评估时，只根据当前公司的特征信息进行评估是不准确的，若该公司存在子公司或者母公司等关联公司，其关联公司的特征信息也会对当前公司的信贷能力产生影响。因此，系统还需要获取当前公司的关联图谱信息，其中关联图谱信息用于显示当前公司及与当前公司具有关联关系的其他公司之间的关系，系统获取关联图谱信息后，再通过关联图谱信息获取当前公司的关联方，并获取关联方的关联特征信息。

进一步地，所述根据所述关联图谱信息获取所述公司关联方的关联特征信息的步骤包括：

步骤s121，根据所述关联图谱信息识别所述公司的关联方；

步骤s122，获取所述关联方的关联特征信息。

进一步地，在获取到关联图谱信息后，系统可以通过关联图谱信息中识别出与当前公司关联的其他公司，将与当前公司关联的其他公司作为关联方，再获取关联方的担保、上下游、相同实控人、相同法人代表、诉讼、交易、对外投资、股权等特征信息，以及获取关联方的征信、工商、法律、交易、信贷、财务、企业主、预警、风险等特征信息，并将担保、上下游、相同实控人、相同法人代表、诉讼、交易、对外投资、股权等特征信息，以及征信、工商、法律、交易、信贷、财务、企业主、预警、风险等特征信息共同组成关联方的关联特征信息。

本实施例获取公司的客户特征信息及所述公司关联方的关联特征信息，通过由训练标签生成的客户特征信息，以及关联方的关联特征信息，使得后续通过预设的图深度学习网络，对公司及其关联方的风险信息进行特征嵌入提取得到的特征嵌入向量更加准确。并且，通过模型可解释性模块，给出有具有可解释性的风险影响因素，可以提高公司关联风险监测结论的说服力。

进一步地，参照图5，基于本发明公司关联信息风险监测方法的第一实施例，提出本发明公司关联信息风险监测方法的第四实施例，在第四实施例中，所述获取待评估公司的待评估特征信息的步骤之后，还包括：

步骤s100，通过模型解释性模块对所述待评估特征信息进行贡献度计算，生成关联风险监测信息。

进一步地，系统中还设置有模型解释性模块，可以计算模型中多个输入变量如何工作，以及模型的预测如何根据输入变量的值而变化。因此，系统在通过特征嵌入向量对预设深度学习网络的多头注意力模块与特征嵌入网络进行训练，得到目标模型后，并在通过目标模型与获取的待评估特征信息对待评估公司进行风险预测时，通过模型解释性模块对输入至目标模型中的待评估特征信息进行贡献度计算，确定待评估特征信息中各特征在风险评估中的贡献度，以此对待评估特征信息作出模型解释性，并在计算完成后生成待评估公司的关联风险监测信息，并可以通过显示屏幕将关联风险监测信息进行输出，具体地，可以在输出预测结果时将关联风险监测信息一同输出，以达到对待评估公司进行全面风险监测的目的。

本实施例通过模型解释性模块对所述待评估特征信息进行贡献度计算，生成关联风险监测信息，有效提高提高企业风险监测的全面性。

进一步地，本发明还提供一种公司关联信息风险监测装置。

参照图6，图6为本发明公司关联信息风险监测装置第一实施例的功能模块示意图。

所述公司关联信息风险监测装置包括：

获取模块10，用于获取公司的客户特征信息及所述公司关联方的关联特征信息；

提取模块20，用于基于所述客户特征信息和所述关联特征信息提取特征嵌入向量；

训练模块30，用于根据所述特征嵌入向量对预设深度学习网络的多头注意力模块与特征嵌入网络进行训练，得到目标模型；

预测模块40，用于获取待评估公司的待评估特征信息，通过所述目标模型对所述待评估特征信息进行风险预测，得到预测结果。

进一步地，所述获取模块10包括：

第一获取单元，用于获取公司的历史信贷违约信息，根据所述历史信贷违约信息创建训练标签，获取所述公司的标签特征信息，并由所述训练标签与所述标签特征信息形成客户特征信息；

第二获取单元，用于获取所述公司的关联图谱信息，根据所述关联图谱信息获取所述公司关联方的关联特征信息。

进一步地，所述获取模块10还包括：

识别单元，用于根据所述关联图谱信息识别所述公司的关联方；

第三获取单元，用于获取所述关联方的关联特征信息。

进一步地，所述提取模块20包括：

输入单元，用于将所述客户特征信息和所述关联特征信息输入预设深度学习网络的特征嵌入网络；

转换单元，用于通过所述特征嵌入网络对所述客户特征信息和所述关联特征信息进行数据转换，得到特征嵌入向量。

进一步地，所述训练模块30包括：

数据处理单元，用于通过预设深度学习网络的多头注意力模块对所述特征嵌入向量进行处理，得到隐层向量；

映射单元，用于通过所述预设深度学习网络的线性二分类器对所述隐层向量进行映射，得到分类结果；

训练单元，用于根据所述分类结果对所述预设深度学习网络的特征嵌入网络与所述多头注意力模块进行训练，得到目标模型。

进一步地，所述训练模块30还包括：

第四获取单元，用于获取预设深度学习网络中多头注意力模块的注意力权重参数；

运算单元，用于根据所述注意力权重参数对所述特征嵌入向量进行预设运算，得到隐层向量。

进一步地，所述预测模块40包括：

计算单元，用于通过模型解释性模块对所述待评估特征信息进行贡献度计算，生成关联风险监测信息。

此外，本发明还提供一种存储介质，所述存储介质优选为计算机可读存储介质，其上存储有公司关联信息风险监测程序，所述公司关联信息风险监测程序被处理器执行时实现上述公司关联信息风险监测方法各实施例的步骤。

在本发明公司关联信息风险监测装置和计算机可读介质的实施例中，包含了上述公司关联信息风险监测方法各实施例的全部技术特征，说明和解释内容与上述公司关联信息风险监测方法各实施例基本相同，在此不做赘述。

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。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(可以是固定终端，如物联网智能设备，包括智能空调、智能电灯、智能电源、智能路由器等智能家居；也可以是移动终端，包括智能手机、可穿戴的联网ar/vr装置、智能音箱、自动驾驶汽车等诸多联网设备)执行本发明各个实施例所述的方法。

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。