作品名稱：博股經今——基于知識圖譜的企業風險評估系統
學校名稱：山東理工大學
參賽隊伍：博股經今——基于知識圖譜的企業風險評估系統
隊伍編號：204275
參賽學生：張裕浩 蘇博 張依冉
指導老師：梁群
投票日期：2024年10月08日 00:00->2024年12月05日 15:00
請在微信端進行投票。點此掃描二維碼。
一、開發背景
隨著“數據二十條”等一系列政策措施相繼出臺，數據要素戰略地位在人工智能快速發展的態勢中進一步凸顯。目前國內對于信息管理和檢索領域的問題并沒有一套成熟的解決方案，行業空間巨大。知識圖譜作為人工智能領域的重要分支，其發展空間也十分廣闊。本研究旨在開發基于知識圖譜的企業風險評估系統，以應對當前信息管理和檢索領域缺乏成熟解決方案的問題。隨著數據要素在國家政策中的戰略地位日益突出，以及人工智能技術的快速發展，知識圖譜作為重要的人工智能分支，其應用潛力巨大。然而，傳統的查詢方式存在效率低下、準確性不足等缺陷，無法滿足用戶個性化需求及復雜企業關系的信息透明度要求。因此，構建這樣一個系統不僅能夠有效整合并分析來自多源的數據，還能通過實時更新和多種算法優化，實現對企業風險的全面準確評估。此外，該系統還將覆蓋更廣泛的企業類型，包括小型企業和個體工商戶，從而為用戶提供一個更加完整、高效且個性化的信息檢索與決策支持工具。通過填補現有市場空白，促進知識圖譜技術的應用與發展，最終達到提升整體社會經濟運行效率的目標。
二、結構說明
我們開發了知識圖譜評估風險的系統，涵蓋了模型選擇、知識圖譜構建、策略應用以及實際案例驗證等多個環節。
1、數據安全與完整性保障
通過AES加密和hash鎖，我們確保了數據在傳輸和存儲過程中的安全性和完整性。這種加密機制有效防止了未經授權的訪問和數據竊取，同時能夠檢測數據的任何微小變化，保障了知識圖譜在多端傳輸時的數據完整性與準確性。
2、知識圖譜構建與優化
利用K-means聚類算法對數據進行預處理，選擇合適的k值并初始化聚類中心，通過迭代優化分組數據，為構建知識圖譜提供結構化基礎。采用剪枝算法優化模型，提升處理效率，降低過擬合風險，增強模型的泛化能力。
3、深度學習模型應用
在實體識別階段，部署BERT-BiLSTM-CRF模型進行深度文本分析，識別關鍵實體和關系，轉化為知識圖譜的節點和邊。對于圖像數據，結合CNN和LSTM提取特征，識別圖像中的實體和動態關系，并將BERT模型輸出作為CNN-LSTM模型輸入，進一步提取特征和進行時間序列分析。
4、知識圖譜的泛化與實驗驗證
知識圖譜通過多維度數據融合，提高了查詢便利性和風險評估的準確性。在模擬環境中采用數據增強技術，提高模型泛化能力。通過模型融合和集成學習技術，優化模型性能和準確性。多次實驗驗證了知識圖譜的高性能、融合性和精準性，證明了其在企業風險分析和決策支持中的有效性。
三、功能說明
系統能夠實現以下功能：
1、我們構建了一個全面的知識圖譜，它不僅包含了豐富的文本信息，還整合了圖像數據，從而提升了知識圖譜應用的準確性、效率和可擴展性。這樣的知識圖譜可以廣泛應用于各種領域，如金融分析、市場研究、醫療診斷等，為用戶提供了一個強大的決策支持工具。
2、這些技術的應用使得股權穿透過程更加高效和準確，實現了多維度融合，打破了企業和公司和個人之間的信息壁壘，有助于用戶更好地理解企業的資本結構、規避潛在風險。因此，我們使用基于知識圖譜的風險分析系統來進行多維度的分析，以保證在股權穿透工作中的獲得最佳效果。
