一种风险监测方法及装置与流程

1.本发明涉及人工智能技术领域，具体涉及一种风险监测方法及装置。


背景技术：

2.随着数据技术的发展，产生了海量数据，同时也伴随着数据风险。目前自动监测风险指标的技术运用越来越广泛，已存在风险预警相关技术，但存在不足包括：关注的数据维度有限，不能针对业务特点全面地进行风险预警；此外，风险预警需要借助人力，导致人力成本过高、效率低下。


技术实现要素：

3.针对现有技术中的问题，本发明实施例提供一种风险监测方法及装置，能够至少部分地解决现有技术中存在的问题。
4.一方面，本发明提出一种风险监测方法，包括：
5.输入融合数据至预设风险监测模型；所述预设风险监测模型是根据融合样本数据训练神经网络模型得到的；所述融合数据融合有客户维度综合知识图谱数据、产品维度综合知识图谱数据和企业维度综合知识图谱数据；所述客户维度综合知识图谱数据、所述产品维度综合知识图谱数据和所述企业维度综合知识图谱数据包括各自对应的信息图谱数据，以及与各信息图谱数据对应的风险监测图谱数据；
6.将所述预设风险监测模型的输出结果作为风险监测结果。
7.其中，所述神经网络模型通过将brnn与lstm相结合得到。
8.其中，所述风险监测结果分别与客户维度、产品维度和企业维度相对应；相应的，在所述将所述预设风险监测模型的输出结果作为风险监测结果的步骤之后，所述风险监测方法还包括：
9.若客户维度风险监测结果、产品维度风险监测结果和企业维度风险监测结果中的至少一个存在风险，则生成与至少一个存在风险的风险监测结果相对应的风险预警消息。
10.其中，获取所述融合数据，包括：
11.分别构建客户信息图谱数据、产品信息图谱数据和企业信息图谱数据；
12.根据与所述客户信息图谱数据、所述产品信息图谱数据和所述企业信息图谱数据分别对应数据项的风险监测阈值和各自对应数据项，分别构建客户风险监测图谱数据、产品风险监测图谱数据和企业风险监测图谱数据；
13.将所述客户信息图谱数据和所述客户风险监测图谱数据、所述产品信息图谱数据和所述产品风险监测图谱数据，以及所述企业信息图谱数据和所述企业风险监测图谱数据分别进行融合，得到所述客户维度综合知识图谱数据、所述产品维度综合知识图谱数据和所述企业维度综合知识图谱数据。
14.其中，在所述获取所述融合数据的步骤之后，所述风险监测方法还包括：
15.利用度中心性计算方法计算所述客户维度综合知识图谱数据、所述产品维度综合
知识图谱数据和所述企业维度综合知识图谱数据中的节点权重。
16.其中，在所述利用度中心性计算方法计算客户所述维度综合知识图谱数据、所述产品维度综合知识图谱数据和所述企业维度综合知识图谱数据中的节点权重的步骤之后，所述风险监测方法还包括：
17.将所述节点权重赋予所述维度综合知识图谱数据、所述产品维度综合知识图谱数据和所述企业维度综合知识图谱数据中的实体，并对赋予节点权重后的维度综合知识图谱数据、产品维度综合知识图谱数据和企业维度综合知识图谱数据进行向量化表示；
18.利用mainfolde算法对向量化表示的客户维度综合知识图谱数据、产品维度综合知识图谱数据和企业维度综合知识图谱数据进行运算处理。
19.其中，所述风险监测方法还包括：
20.输入经过运算处理后的向量化表示的融合数据至所述预设风险监测模型，并继续执行后续步骤。
21.其中，获取所述企业风险监测图谱数据，包括：
22.获取企业信息，并识别所述企业信息的文字内容，将所述文字内容与预设正面舆情库和预设负面舆情库中的词语分别进行匹配；
23.根据匹配结果确定文字内容所属类型；文字内容所属类型包括正面内容或负面内容；
24.遍历所有文字内容，根据各文字内容的文字内容所属类型获取与所述正面内容或所述负面内容分别对应的文字内容数量；
25.若与所述正面内容对应的文字内容数量少于与所述负面内容对应的文字内容数量，则确定所述企业信息为负面企业信息；
26.获取与所述负面企业信息对应的企业互动信息，若所述企业互动信息中的至少一项互动指标数据的统计数值大于预设统计数据阈值，则将所述负面企业信息作为所述企业风险监测图谱数据。
27.一方面，本发明提出一种风险监测装置，包括：
28.输入单元，用于输入融合数据至预设风险监测模型；所述预设风险监测模型是根据融合样本数据训练神经网络模型得到的；所述融合数据融合有客户维度综合知识图谱数据、产品维度综合知识图谱数据和企业维度综合知识图谱数据；所述客户维度综合知识图谱数据、所述产品维度综合知识图谱数据和所述企业维度综合知识图谱数据包括各自对应的信息图谱数据，以及与各信息图谱数据对应的风险监测图谱数据；
29.监测单元，用于将所述预设风险监测模型的输出结果作为风险监测结果。
30.再一方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
31.所述处理器和所述存储器通过所述总线完成相互间的通信；
32.所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：
33.输入融合数据至预设风险监测模型；所述预设风险监测模型是根据融合样本数据训练神经网络模型得到的；所述融合数据融合有客户维度综合知识图谱数据、产品维度综合知识图谱数据和企业维度综合知识图谱数据；所述客户维度综合知识图谱数据、所述产品维度综合知识图谱数据和所述企业维度综合知识图谱数据包括各自对应的信息图谱数
据，以及与各信息图谱数据对应的风险监测图谱数据；
34.将所述预设风险监测模型的输出结果作为风险监测结果。
35.本发明实施例提供一种非暂态计算机可读存储介质，包括：
36.所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：
37.输入融合数据至预设风险监测模型；所述预设风险监测模型是根据融合样本数据训练神经网络模型得到的；所述融合数据融合有客户维度综合知识图谱数据、产品维度综合知识图谱数据和企业维度综合知识图谱数据；所述客户维度综合知识图谱数据、所述产品维度综合知识图谱数据和所述企业维度综合知识图谱数据包括各自对应的信息图谱数据，以及与各信息图谱数据对应的风险监测图谱数据；
38.将所述预设风险监测模型的输出结果作为风险监测结果。
39.本发明实施例提供的风险监测方法及装置，输入融合数据至预设风险监测模型，将所述预设风险监测模型的输出结果作为风险监测结果，不但能够降低人力成本、提高效率，还能够克服数据维度有限的缺点，针对业务特点全面地进行风险预警。
附图说明
40.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
41.图1是本发明一实施例提供的风险监测方法的流程示意图。
42.图2是本发明一实施例提供的风险监测装置的结构示意图。
43.图3为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
44.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。
45.图1是本发明一实施例提供的风险监测方法的流程示意图，如图1所示，本发明实施例提供的风险监测方法，包括：
46.步骤s1：输入融合数据至预设风险监测模型；所述预设风险监测模型是根据融合样本数据训练神经网络模型得到的；所述融合数据融合有客户维度综合知识图谱数据、产品维度综合知识图谱数据和企业维度综合知识图谱数据；所述客户维度综合知识图谱数据、所述产品维度综合知识图谱数据和所述企业维度综合知识图谱数据包括各自对应的信息图谱数据，以及与各信息图谱数据对应的风险监测图谱数据。
47.步骤s2：将所述预设风险监测模型的输出结果作为风险监测结果。
48.在上述步骤s1中，装置输入融合数据至预设风险监测模型；所述预设风险监测模型是根据融合样本数据训练神经网络模型得到的；所述融合数据融合有客户维度综合知识
图谱数据、产品维度综合知识图谱数据和企业维度综合知识图谱数据；所述客户维度综合知识图谱数据、所述产品维度综合知识图谱数据和所述企业维度综合知识图谱数据包括各自对应的信息图谱数据，以及与各信息图谱数据对应的风险监测图谱数据。装置可以是执行该方法的计算机设备，需要说明是，本发明实施例涉及的客户、产品和企业相关数据都是经用户授权的。
49.客户信息图谱数据是根据客户信息构建的知识图谱数据，客户信息可以包括：
50.客户的基本信息，包括：客户本人上月末金融资产规模、客户身份联网核查证明和客户信用评级等。
51.客户关联的家庭成员基本信息，包括：家庭成员上月末金融资产规模、联网核查证明和信用评级等。
52.客户持股企业信息，包括：持股企业数量、持股企业隶属行业、持股比例和持股金额等。
53.产品信息图谱数据是根据产品信息构建的知识图谱数据，产品信息可以包括：
54.信托产品底层投资信息，包括：底层资产配置比例、投资产品名称、产品代码、产品类型和持仓占比等。
55.信托产品存续期运行指标数据，包括：单位净值、历史净值和区间收益率等。
56.信托公司回传的披露报告信息，包括：披露报告文本内容和披露报告回传日期等。
57.企业信息图谱数据是根据企业信息构建的知识图谱数据，企业信息可以包括企业新闻等。
58.与各信息图谱数据对应的风险监测图谱数据，可以理解为用于对各信息图谱数据进行风险监控的图谱数据。
59.与客户信息图谱数据对应的客户风险监测图谱数据，用于对客户信息图谱数据进行风险监控。
60.与产品信息图谱数据对应的产品风险监测图谱数据，用于对产品信息图谱数据进行风险监控。
61.与企业信息图谱数据对应的企业风险监测图谱数据，用于对企业信息图谱数据进行风险监控。
62.融合样本数据，可以理解为预先选择出的可以作为神经网络模型训练的如下数据：
63.客户维度综合知识图谱数据、产品维度综合知识图谱数据和企业维度综合知识图谱数据。
64.神经网络模型(neural networks，nn)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。
65.训练样本数据采用存量数据构建的客户维度综合知识图谱数据c1、产品维度综合知识图谱数据c2和企业维度综合知识图谱数据c3，训练样本数据包括存在风险的数据、风险边缘数据以及无风险数据。训练方法为本领域常规训练方法，不再赘述。
66.在上述步骤s2中，装置将所述预设风险监测模型的输出结果作为风险监测结果。
67.本发明实施例提供的风险监测方法，输入融合数据至预设风险监测模型，将所述预设风险监测模型的输出结果作为风险监测结果，不但能够降低人力成本、提高效率，还能够克服数据维度有限的缺点，针对业务特点全面地进行风险预警。
68.进一步地，所述神经网络模型通过将brnn与lstm相结合得到。brnn双向循环神经网络(bidirectional rnn)，主要解决的问题是，前面序列的元素无法感知后面序列输出的问题。
69.长短期记忆(long short-term memory,lstm)是一种特殊的rnn，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。
70.综合考虑到数据之间的关联关系以及数据的时效性，模型采用双向循环神经网络(brnn)，同时考虑到循环神经网络对上下文信息的存储很有限，会丢失部分时序序列时间较早的信息，因此，在模型中增加长短时记忆网络层lstm。
71.综上考虑信息上下文关联、时效性以及信息的存储，此神经网络模型共五层，分别包括输入层input layer、brnn-forward layer、brnn-backward layer、lstm、输出层output layer。
72.本发明实施例提供的风险监测方法，能够克服单一模型的缺点，从而提高模型运算效率和模型输出结果的准确性。
73.进一步地，所述风险监测结果分别与客户维度、产品维度和企业维度相对应；相应的，在所述将所述预设风险监测模型的输出结果作为风险监测结果的步骤之后，所述风险监测方法还包括：
74.若客户维度风险监测结果、产品维度风险监测结果和企业维度风险监测结果中的至少一个存在风险，则生成与至少一个存在风险的风险监测结果相对应的风险预警消息。例如，产品维度风险监测结果存在风险，则生成针对产品维度的风险预警消息。
75.本发明实施例提供的风险监测方法，能够更有针对性，更加及时地获取存在风险的风险监测结果。
76.进一步地，获取所述融合数据，包括：
77.分别构建客户信息图谱数据、产品信息图谱数据和企业信息图谱数据；客户信息图谱数据记为a1，构建具体说明如下：
78.将客户的基本信息、客户关联的家庭成员基本信息数据以及客户持股企业信息作为结构化和半结构化数据，并通过知识图谱提取技术，提取实体和属性作为知识图谱的节点，节点包括但不限于(客户姓名、客户年龄、客户信用评级、客户资产规模、客户持股企业数量和客户持股企业比例等)，将关系作为知识图谱的边，构建客户信息图谱数据a1。例如《客户a，持股企业，持股企业数量》、《客户a，姐妹，家族成员b》、《家族成员b、信用、信用评级》可构成知识图谱三元组。
79.产品信息图谱数据a2和企业信息图谱数据a3构建步骤可参照上述客户信息图谱数据a1构建步骤的说明，不再赘述。
80.根据与所述客户信息图谱数据、所述产品信息图谱数据和所述企业信息图谱数据分别对应数据项的风险监测阈值和各自对应数据项，分别构建客户风险监测图谱数据、产品风险监测图谱数据和企业风险监测图谱数据；客户风险监测图谱数据记为b1，构建具体
说明如下：
81.先获取与客户信息图谱数据对应数据项，该数据项可以理解为用于风险监测的数据项，可以包括：
82.资产波动数据和股份波动数据等，对应的风险监测阈值可以分别设置为30％和10％。
83.与客户信息图谱数据对应数据项还可以是与风险监测阈值无关的数据，例如客户身份识别状态结果，例如客户本人或关联客户的联网核查结果为非正常状态，或客户征信结果存在不良记录，则将该类结果纳入关注区。
84.如果客户月末金融资产规模下降幅度超过30％，则将资产波动数据的该数据项纳入关注区。
85.如果客户持股企业的持股比例下降幅度超过10％，则将股份波动数据的该数据项纳入关注区。
86.构建客户风险监测图谱数据b1，例如包括：
87.将《资产波动、阈值、30％》、《阈值、下降30％，关注区》、《客户征信、不良记录、关注区》构成知识图谱三元组。
88.进一步地，获取所述企业风险监测图谱数据，包括：
89.获取企业信息，并识别所述企业信息的文字内容，将所述文字内容与预设正面舆情库和预设负面舆情库中的词语分别进行匹配；文字内容识别技术为本领域成熟技术，不再赘述。预设正面舆情库中是指预先设定好的正面词语语料库、预设负面舆情库中是指预先设定好的负面词语语料库。
90.根据匹配结果确定文字内容所属类型；文字内容所属类型包括正面内容或负面内容；如果匹配结果为在预设正面舆情库中的正面词语语料库，则说明该文字内容为正面内容；如果匹配结果为在预设负面舆情库中的负面词语语料库，则说明该文字内容为负面内容。
91.遍历所有文字内容，根据各文字内容的文字内容所属类型获取与所述正面内容或所述负面内容分别对应的文字内容数量；举例说明如下：
92.所有文字内容为5个，分别记为a～e，其中a～b为正面内容、c～e为负面内容；则与正面内容对应的文字内容数量为2、与负面内容对应的文字内容数量为3。
93.若与所述正面内容对应的文字内容数量少于与所述负面内容对应的文字内容数量，则确定所述企业信息为负面企业信息；参照上述举例，该企业信息为负面企业信息。
94.获取与所述负面企业信息对应的企业互动信息，若所述企业互动信息中的至少一项互动指标数据的统计数值大于预设统计数据阈值，则将所述负面企业信息作为所述企业风险监测图谱数据。企业互动信息可以包括针对企业信息的点赞数量、评论数量和转发数量等互动指标数据。
95.以点赞数量为例，其对应的预设统计数据阈值如果设置为5000次，则如果点赞数量大于5000次，则将负面企业信息作为所述企业风险监测图谱数据。
96.具体可以将负面企业信息放入关注区，作为构建企业风险监测图谱数据中的数据内容。
97.还可以采用如下方式：
98.将正面内容按照正面影响程度由高到低的顺序分为a～d四个等级，将负面内容按照负面影响程度由低到高的顺序分为e～h四个等级，将满足预设统计数据阈值条件的负面企业信息归于g级或h级，并将g级或h级的负面企业信息放入关注区，再将该关注区作为企业风险监测图谱数据中的数据内容。
99.本发明实施例提供的风险监测方法，通过合理地获取企业风险监测图谱数据，进一步能够提高风险监测结果的准确性。
100.进一步地，获取所述产品风险监测图谱数据，包括：
101.将投资产品按类型分为权益类、固收类、商品及金融衍生品类、混合类等，获取各类投资产品的比例以及产品运行波动率，对应的风险监测阈值可以分别设置为30％和20％。产品运行波动率的计算公式为本领域成熟技术，不再赘述。
102.如果投资产品的比例超过30％，则将该数据项纳入关注区。
103.如果产品运行波动率超过10％，则将该数据项纳入关注区。
104.与产品信息图谱数据对应数据项还可以是与风险监测阈值无关的数据，例如：
105.通过预先设定的企业官网地址，定期爬取相关披露报告或财务报表。识别报告或报表中各项财务指标。
106.构建多变量模型，并利用z计分法预测企业财务失败可能性。可以通过五个变量反映每个周期内企业偿债能力、获利能力、运营能力指标，综合分析预测企业财务失败或破产的可能性。
107.其中，企业偿债能力指标x1＝(运营资金/资产总额)
×
100、x4＝(普通股及优先股市场价值总额/负债账面价值总额)
×
100。
108.企业获利能力x2＝(留存收益/资产总额)
×
100、x3＝(息税前利润/资产总额)
×
100。
109.企业运营能力x5＝销售收入/资产总额。
110.z为判别函数值，z＝w1
×
x1 w2
×
x2 w3
×
x3 w4
×
x4 w5
×
x5，当z值低于判别阀值时，将z放入关注区。其中，判别阀值可根据实际情况自主设置，可选为1.81。
111.w1～w5为与x1～x5分别对应的权重，可根据实际情况自主设置，可分别选为0.012、0.014、0.033、0.006和0.999。
112.通过合理地获取产品风险监测图谱数据，进一步能够提高风险监测结果的准确性。
113.产品风险监测图谱数据b2和企业风险监测图谱数据b3的构建步骤，可参照上述客户风险监测图谱数据b1构建的说明，不再赘述。
114.将所述客户信息图谱数据和所述客户风险监测图谱数据、所述产品信息图谱数据和所述产品风险监测图谱数据，以及所述企业信息图谱数据和所述企业风险监测图谱数据分别进行融合，得到所述客户维度综合知识图谱数据、所述产品维度综合知识图谱数据和所述企业维度综合知识图谱数据。客户维度综合知识图谱数据记为c1，构建具体说明如下：
115.将客户信息图谱数据a1和客户风险监测图谱数据b1的实体进行匹配，例如：将客户信息图谱数据a1中的客户资产和客户风险监测图谱数据b1中的资产波动指向同一个实体，利用实体链接的技术进行知识合并，实现将客户信息图谱数据a1和客户风险监测图谱数据b1进行融合，得到客户维度综合知识图谱数据c1。产品维度综合知识图谱数据c2和企
业维度综合知识图谱数据c3的构建步骤，可参照上述客户维度综合知识图谱数据c1构建的说明，不再赘述。
116.本发明实施例提供的风险监测方法，通过全面地将数据融合成客户维度综合知识图谱数据c1、产品维度综合知识图谱数据c2和企业维度综合知识图谱数据c3，有助于准确和全面地进行风险监测。
117.进一步地，在所述获取所述融合数据的步骤之后，所述风险监测方法还包括：
118.利用度中心性计算方法计算所述客户维度综合知识图谱数据、所述产品维度综合知识图谱数据和所述企业维度综合知识图谱数据中的节点权重。
119.由于，知识图谱中每个实体和实体之前的连接方式不同，包括一对多，多对多，多对一的方式，因此，每个节点的重要程度也不同。节点的度，是指节点的关联边，关联边越多，该节点的权重越大。
120.例如：持股企业实体节点，客户信息图谱数据a1中的客户实体，和客户风险监测图谱数据b1中的企业股份实体以及企业股份阈值实体，同客户年龄只关联客户实体相比，持股企业实体节点应赋予更大的权重。
121.度中心性计算方法为本领域成熟方法，不再赘述。
122.本发明实施例提供的风险监测方法，通过准确计算节点权重，使得实体之间的关联关系紧密程度得到体现，从而有助于提高预设风险监测模型输出结果的准确性。
123.进一步地，在所述利用度中心性计算方法计算客户所述维度综合知识图谱数据、所述产品维度综合知识图谱数据和所述企业维度综合知识图谱数据中的节点权重的步骤之后，所述风险监测方法还包括：
124.将所述节点权重赋予所述维度综合知识图谱数据、所述产品维度综合知识图谱数据和所述企业维度综合知识图谱数据中的实体，并对赋予节点权重后的维度综合知识图谱数据、产品维度综合知识图谱数据和企业维度综合知识图谱数据进行向量化表示；即对知识图谱进行向量表示，需要将知识图谱中的实体和关系通过不同的映射矩阵，映射到空间向量中进行表示。以三元组《客户a，持股企业，持股企业数量》为例，将头实体“客户a”通过word2vec模型训练得到向量h，关系/属性“持股企业”向量为r，尾实体“持股企业数量”向量为t，分别通过映射函数m可以将实体和关系向量映射为空间向量h
t
＝m
rh
×
h和t
t
＝m
rh
×
t。
125.利用mainfolde算法对向量化表示的客户维度综合知识图谱数据、产品维度综合知识图谱数据和企业维度综合知识图谱数据进行运算处理。mainfolde算法为本领域成熟算法，将关系r映射为流程体上，即h r为中心半径为r的超球体，而不是近似h r的精确点，更有利于处理关系复杂的知识图谱。
126.本发明实施例提供的风险监测方法，更有利于处理关系复杂的知识图谱。
127.进一步地，所述风险监测方法还包括：
128.输入经过运算处理后的向量化表示的融合数据至所述预设风险监测模型，并继续执行后续步骤。即该步骤中将前述的融合数据替换为输入经过运算处理后的向量化表示的融合数据，其他说明不再赘述。
129.可以理解的是，经过运算处理后的向量化表示的融合数据作为模型的输入，可以提高预设风险监测模型的运算效率。
130.本发明实施例提供的风险监测方法，能够进一步提高预设风险监测模型的运算效
率。
131.需要说明的是，本发明实施例提供的风险监测方法可用于金融领域，也可用于除金融领域之外的任意技术领域，本发明实施例对风险监测方法的应用领域不做限定。
132.图2是本发明一实施例提供的风险监测装置的结构示意图，如图2所示，本发明实施例提供的风险监测装置，包括输入单元201和监测单元202，其中：
133.输入单元201用于输入融合数据至预设风险监测模型；所述预设风险监测模型是根据融合样本数据训练神经网络模型得到的；所述融合数据融合有客户维度综合知识图谱数据、产品维度综合知识图谱数据和企业维度综合知识图谱数据；所述客户维度综合知识图谱数据、所述产品维度综合知识图谱数据和所述企业维度综合知识图谱数据包括各自对应的信息图谱数据，以及与各信息图谱数据对应的风险监测图谱数据；监测单元202用于将所述预设风险监测模型的输出结果作为风险监测结果。
134.具体的，装置中的输入单元201用于输入融合数据至预设风险监测模型；所述预设风险监测模型是根据融合样本数据训练神经网络模型得到的；所述融合数据融合有客户维度综合知识图谱数据、产品维度综合知识图谱数据和企业维度综合知识图谱数据；所述客户维度综合知识图谱数据、所述产品维度综合知识图谱数据和所述企业维度综合知识图谱数据包括各自对应的信息图谱数据，以及与各信息图谱数据对应的风险监测图谱数据；监测单元202用于将所述预设风险监测模型的输出结果作为风险监测结果。
135.本发明实施例提供的风险监测装置，输入融合数据至预设风险监测模型，将所述预设风险监测模型的输出结果作为风险监测结果，不但能够降低人力成本、提高效率，还能够克服数据维度有限的缺点，针对业务特点全面地进行风险预警。
136.本发明实施例提供风险监测装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
137.图3为本发明实施例提供的电子设备实体结构示意图，如图3所示，所述电子设备包括：处理器(processor)301、存储器(memory)302和总线303；
138.其中，所述处理器301、存储器302通过总线303完成相互间的通信；
139.所述处理器301用于调用所述存储器302中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：
140.输入融合数据至预设风险监测模型；所述预设风险监测模型是根据融合样本数据训练神经网络模型得到的；所述融合数据融合有客户维度综合知识图谱数据、产品维度综合知识图谱数据和企业维度综合知识图谱数据；所述客户维度综合知识图谱数据、所述产品维度综合知识图谱数据和所述企业维度综合知识图谱数据包括各自对应的信息图谱数据，以及与各信息图谱数据对应的风险监测图谱数据；
141.将所述预设风险监测模型的输出结果作为风险监测结果。
142.本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
143.输入融合数据至预设风险监测模型；所述预设风险监测模型是根据融合样本数据训练神经网络模型得到的；所述融合数据融合有客户维度综合知识图谱数据、产品维度综合知识图谱数据和企业维度综合知识图谱数据；所述客户维度综合知识图谱数据、所述产
品维度综合知识图谱数据和所述企业维度综合知识图谱数据包括各自对应的信息图谱数据，以及与各信息图谱数据对应的风险监测图谱数据；
144.将所述预设风险监测模型的输出结果作为风险监测结果。
145.本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：
146.输入融合数据至预设风险监测模型；所述预设风险监测模型是根据融合样本数据训练神经网络模型得到的；所述融合数据融合有客户维度综合知识图谱数据、产品维度综合知识图谱数据和企业维度综合知识图谱数据；所述客户维度综合知识图谱数据、所述产品维度综合知识图谱数据和所述企业维度综合知识图谱数据包括各自对应的信息图谱数据，以及与各信息图谱数据对应的风险监测图谱数据；
147.将所述预设风险监测模型的输出结果作为风险监测结果。
148.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
149.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
150.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
151.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
152.在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
153.以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。