[发明专利]基于深度学习神经网络的企业投资风险评估方法

权利要求书

1.基于深度学习神经网络的企业投资风险评估方法，其特征在于：包括：

第一、信息采集；基于既成的投资关系的信息，分别采集各投资关系信息中投资机构和/或被投企业的基础信息；

第二、数据清洗；将投资机构及被投企业的基础信息格式化为可保存于关系型数据库中的结构化数据；

第三、数据转化；基于金融词汇及训练词向量库形成的目标词向量库，对结构化数据进行分词后完成对应数据的向量转化及特征向量的抽取；

基于每个投资关系信息，其中投资机构的特征向量与其中被投企业的特征向量通过目标函数转化为一个投资案例特征向量；

第四、建立模型；基于搜集的投资案例资料，将投资案例中的投资关系经所述信息采集、所述数据清洗、所述数据转化后获得大量的投资案例特征向量，向深度学习神经网络中输入大量的投资案例特征向量获得投资风险评估模型；

第五、风险评估；将待评估的投资关系通过所述信息采集、所述数据清洗、所述数据转化后获得待评估的投资案例特征向量，并将评估的投资案例特征向量输入所述投资风险评估模型，根据投资风险评估模型的输出结果做出投资决策；

第六、模型更新；将第五步中的投资关系及投资决策作为投资案例资料，所述深度学习神经网络基于第五步的投资案例资料获得优化的投资风险评估模型。

2.根据权利要求1所述的基于深度学习神经网络的企业投资风险评估方法，其特征在于：所述数据清洗时，对被投企业的结构化数据和投资机构的结构化数据使用了数据去重；数据去重时采取保留字段数据最全数据的措施；对未采集完整的被投企业的结构化数据和投资机构的结构化数据采取关联查询、均值填充的方式补全数据。

3.根据权利要求1或2所述的基于深度学习神经网络的企业投资风险评估方法，其特征在于：所述数据清洗时，被投企业的结构化数据包括工商信息、员工信息、股权信息、融资信息、对外投资信息、司法信息、经营信息、竞品信息、新闻舆情数据。

4.根据权利要求3所述的基于深度学习神经网络的企业投资风险评估方法，其特征在于：所述数据清洗时，投资机构的结构化数据包含投资机构名称、机构简介、官网信息、成立日期、地址信息、联系信息、历史投资行业信息、历史投资轮次信息、历史投资金额趋势信息、历史投资案例趋势信息。

5.根据权利要求4所述的基于深度学习神经网络的企业投资风险评估方法，其特征在于：对对被投企业的结构化数据/投资机构的结构化数据进行数据去重时，需确保数据格式统一并校验。

6.根据权利要求1所述的基于深度学习神经网络的企业投资风险评估方法，其特征在于：所述数据转化时，通过Skip-gram模型训练词向量库，获得形状为[V×N]的目标词向量库，其中V为向量，N为向量列的数量。

7.根据权利要求5所述的基于深度学习神经网络的企业投资风险评估方法，其特征在于：使用目标词向量库对被投企业的结构化数据和投资机构的结构化数据的分词清单进行向量化转换；若分词清单的长度为m，则被投企业/投资机构的特征向量形状为m×N；将该向量m×N在列方向上相加后将向量内的每个值除以标准差，最终获得被投企业/投资机构的特征向量，完成特征抽取。

8.根据权利要求1所述的基于深度学习神经网络的企业投资风险评估方法，其特征在于：所述数据转化中，所述目标函数为f(x₁,x₂)＝y，其中，x₁为被投企业特征向量，x₂为投资机构特征向量，y为投资案例特征向量。

9.根据权利要求7所述的基于深度学习神经网络的企业投资风险评估方法，其特征在于：所述目标函数的函数关系为：将单个被投企业的特征向量(E)、单个投资机构的特征向量(O)在行方向上进行合并，获得一个1×2N的向量，即单个投资案例特征向量；若投资关系的数量为K笔，则生成的投资案例特征向量为一个K×2N的向量(R)。

10.根据权利要求2所述的基于深度学习神经网络的企业投资风险评估方法，其特征在于：所述深度学习神经网络包括前馈神经网络、卷积神经网络、递归神经网络。