1.本发明涉及人工智能技术领域，具体而言，涉及一种基于企业主体信息及发票的联邦学习系统及应用方法。
背景技术：
2.利用机器算法来进行企业风险预测主要面临着两大重要挑战：其一，数据大都以孤岛的形式存在；其二，数据隐私和安全。例如，由于各种因素的影响，不同组织和机构所拥有的大量用户画像数据是非共享的。为了保护数据隐私以及解决数据孤岛问题，现有技术提出了采用联邦学习进行模型训练。联邦学习是一种新兴的人工智能技术，相较于传统机器学习方法需要将训练数据集中到一台机器或者一个数据中心里，联邦学习利用分散的成千上万不同组织和机构的数据集协同训练机器学习模型，而所有的训练数据仍保留在各自的机构手中，从而保护了用户的隐私。
3.但传统的联邦学习算法在通讯过程中仅进行本地模型参数和单一数据的传递和聚合，无法实现多元数据的融合，导致训练出的模型的预测准确性不够理想。现有技术缺少一种对现有联邦学习进行改进的方法，以提高模型预测的准确性。针对以上问题，特提出一种基于企业主体信息及发票的联邦学习系统及应用方法。
技术实现要素：
4.本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于企业主体信息及发票的联邦学习系统及应用方法。为了实现上述目的，本发明采用了如下技术方案：
5.一种基于企业主体信息及发票的联邦学习系统及应用方法，联合工商企业主体信息及发票数据，通过应用fate联邦学习框架使用图神经网络模型建立纵向联邦学习系统。
6.进一步的，根据企业发票数据对应的风险预警指标，确定风险预警指标对应的风险等级，将这个等级作为图神经网络的训练标签。
7.进一步的，将企业主体信息及发票数据输入至已训练的识别模型中，以生成每个企业的风险预测信息，识别模型为图卷积神经网络模型.
8.进一步的，根据每个企业的风险预测信息确定企业所处的风险等级以及企业的信用风险评价，并根据企业的信用风险评价进行风险预警。
9.进一步的，将不同组织或机构的数据通过联邦学习的方式进行融合建模，在保护数据隐私的情况下，建立更加准确的模型用以识别风险企业。
10.相比于现有技术，本发明的有益效果在于：
11.企业开具的发票之间都是有联系的，将企业和发票建立图结构数据；同理工商部门的企业主体信息也是企业和其它企业的各种连接关系，这些数据建立成图结构数据，好处是图神经网络是直接在图上进行计算，整个计算的过程，沿着图的结构进行，这样处理能够很好的保留图的结构信息。形成对图数据进行端对端学习；擅长推理；可解释性强的强大能力。
具体实施方式
12.为了更好地理解本发明，以下通过具体实施方式对本发明作进一步说明。
13.本发明提供了一种基于企业主体信息及发票数据的联邦学习系统，该方法包括：联合工商企业主体信息及发票数据，通过应用fate联邦学习框架使用图神经网络模型建立纵向联邦学习系统，根据企业发票数据对应的风险预警指标，确定风险预警指标对应的风险等级，将这个等级作为图神经网络的训练标签，将企业主体信息及发票数据输入至已训练的识别模型中，以生成每个企业的风险预测信息，识别模型为图卷积神经网络模型；根据每个企业的风险预测信息确定企业所处的风险等级以及企业的信用风险评价，并根据企业的信用风险评价进行风险预警。通过本发明，将不同组织或机构的数据通过联邦学习的方式进行融合建模，在保护数据隐私的情况下，建立更加准确的模型用以识别风险企业。
14.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
技术特征：
1.一种基于企业主体信息及发票的联邦学习系统，其特征在于，联合工商企业主体信息及发票数据，通过应用fate联邦学习框架使用图神经网络模型建立纵向联邦学习系统。2.如权利要求1所述的一种基于企业主体信息及发票的联邦学习系统，其特征在于，根据企业发票数据对应的风险预警指标，确定风险预警指标对应的风险等级，将这个等级作为图神经网络的训练标签。3.如权利要求2所述的一种基于企业主体信息及发票的联邦学习系统，其特征在于，将企业主体信息及发票数据输入至已训练的识别模型中，以生成每个企业的风险预测信息，识别模型为图卷积神经网络模型。4.如权利要求3所述的一种基于企业主体信息及发票的联邦学习系统，其特征在于，根据每个企业的风险预测信息确定企业所处的风险等级以及企业的信用风险评价，并根据企业的信用风险评价进行风险预警。5.如权利要求1至4之一所述的一种基于企业主体信息及发票的联邦学习系统的应用方法，其特征在于，联合工商企业主体信息及发票数据，通过应用fate联邦学习框架使用图神经网络模型建立纵向联邦学习系统，根据企业发票数据对应的风险预警指标，确定风险预警指标对应的风险等级，将这个等级作为图神经网络的训练标签，将企业主体信息及发票数据输入至已训练的识别模型中，以生成每个企业的风险预测信息，识别模型为图卷积神经网络模型，根据每个企业的风险预测信息确定企业所处的风险等级以及企业的信用风险评价，并根据企业的信用风险评价进行风险预警，将不同组织或机构的数据通过联邦学习的方式进行融合建模，在保护数据隐私的情况下，建立更加准确的模型用以识别风险企业。
技术总结
本发明提供了一种基于企业主体信息及发票数据的联邦学习系统及应用方法，联合工商企业主体信息及发票数据，通过应用FATE联邦学习框架使用图神经网络模型建立纵向联邦学习系统，根据企业发票数据对应的风险预警指标，确定风险预警指标对应的风险等级，将这个等级作为图神经网络的训练标签，将企业主体信息及发票数据输入至已训练的识别模型中，以生成每个企业的风险预测信息，识别模型为图卷积神经网络模型。好处是图神经网络是直接在图上进行计算，整个计算的过程，沿着图的结构进行，这样处理能够很好的保留图的结构信息。形成对图数据进行端对端学习；擅长推理；可解释性强的强大能力。能力。
技术研发人员：刘震 周兴 李数
受保护的技术使用者：佛山市优策科技有限公司
技术研发日：2021.06.22
技术公布日：2022/12/22