一种基于深度异常检测的企业风险识别方法和系统与流程

1.本技术属于企业风险识别研究领域，特别涉及一种基于深度异常检测的企业风险识别方法和系统。


背景技术：

2.目前对于企业风险的识别主要作用于金融机构在贷款、授信等业务领域。一般来说，企业风险识别的方式有两种。一种为基于企业交易信息的风险识别，此类方法多依据固化的规则,重点关注操作失误，因此识别风险单一、局限性较高。另一种则针对企业各项经营信息进行风险识别，然而由于模型主要应用于特定的业务领域，应用形式单一，难以分指标对风险进行区分识别，因此不具备全方位、多层次的企业异常检测能力。
3.异常检测算法旨在数据中发现不符合预期行为的数据模式。比如在银行风控领域，洗钱、信用卡欺诈、企业欺诈贷款等行为被认为是异常；在医疗异常检测领域，罕见病、虚假就医、医疗事故等被认为是异常。除此之外，异常检测在网络安全入侵检测、故障检测、视频监控中都有广泛的应用。在企业风险检测领域，异常检测可以提供企业经营异常的感知与警示。但是将异常检测算法应用到企业风险检测领域，还存在以下技术问题。一方面，如何将复杂的表格化企业数据转化为异常检测算法可使用的信息是一个难点。另一方面，大多数异常检测方法更关注结构化信息（比如图像的异常检测），却忽视了非结构化信息对于语义的影响。而在企业数据中，单指标（比如资产负债率）对于整体语义（比如企业经营状况）往往起着决定性的作用。
4.针对上述问题，本技术提供一种基于深度异常检测的企业风险识别方法和系统。


技术实现要素：

5.为了解决所述现有技术的不足，本技术提供了一种基于深度异常检测的企业风险识别方法和系统，以解决上述技术问题。
6.本发明第一方面公开了一种基于深度异常检测的企业风险识别方法；所述方法包括：步骤s1、采集企业的基础信息，将所述基础信息处理为指标项，整合多个指标项构建结构化的企业信息表；步骤s2、对所述结构化的企业信息表中的各指标项的内在分布关系进行学习，构建指标项内异常的异常检测指标；步骤s3、对所述结构化的企业信息表中的指标项之间的相互关联关系进行学习，构建指标项间异常的异常检测指标；步骤s4、对企业的各指标项共同组成和反映的企业整体的结构化语义信息进行学习，构建结构化语义信息异常的异常检测指标；步骤s5、将所述指标项内异常的异常检测指标、指标项间异常的异常检测指标和结构化语义信息异常的异常检测指标融合，构建综合异常检测指标；
步骤s6、依据所述综合异常检测指标，得到企业异常评分。
7.根据本发明第一方面的方法，在所述步骤s6中，所述方法还包括：根据所述指标项内异常的异常检测指标、指标项间异常的异常检测指标和结构化语义信息异常的异常检测指标，确定企业风险的来源，所述企业风险的来源包括单指标项异常、指标项间的关联关系异常和企业数据整体呈现异常。
8.根据本发明第一方面的方法，在所述步骤s1中，所述将所述基础信息处理为指标项，整合多个指标项构建结构化的企业信息表的方法包括：将采集到的所述基础信息整理成一种三元组的形式化表示：，其中 表示家企业的集合，表示第家企业，表示个指标项的集合，是将企业映射到各指标项对应的指标值的函数集合，函数赋予一个企业特定的指标值，表示第个指标项的值域；在三元组形式化表示的基础上，构建企业信息表，具体过程为：将按纵向排列，将按横向排列，构建表格；将与在表格中对应位置的值赋予；在所述企业信息表中，第家企业的指标值表示为向量形式：。
9.根据本发明第一方面的方法，在所述步骤s2中，所述对所述结构化的企业信息表中的各指标项的内在分布关系进行学习，构建指标项内异常的异常检测指标的方法包括：采用频率统计的方法来反映各个指标值分布规律，将指标内分布关系学习过程转化为指标值的频率统计过程；对于各指标项，学习指标值分布函数 ，将指标项中的指标值映射为其出现的频率；构建指标项内异常的异常检测指标为：其中，表示第家企业的指标项内异常的异常检测指标，表示指标项的总数。
10.根据本发明第一方面的方法，在所述步骤s3中，所述对所述结构化的企业信息表中的指标项之间的相互关联关系进行学习，构建指标项间异常的异常检测指标的方法包括：采用单个指标项与其它指标项的互信息来反映各指标项间的共现规律，将指标项
之间的相互关联关系学习过程转化为指标项之间互信息衡量函数的学习过程；对于各指标项，学习其与其它指标项之间的互信息衡量函数，将指标项中的指标值，即，以及所述指标值对应其它指标项中的指标值所构成的向量 映射为指标值与所述指标值 对应其它指标项中的指标值之间的互信息大小；其中表示除外其它指标项构成向量的所在空间；构建指标项间异常的异常检测指标为：其中，表示第家企业的指标项间异常的异常检测指标，表示指标项的总数。
11.根据本发明第一方面的方法，在所述步骤s4中，所述对企业的各指标项共同组成和反映的企业整体的结构化语义信息进行学习，构建结构化语义信息异常的异常检测指标的方法包括：首先，构建个第四深度神经网络 ; 将归一化的结果转换到第个隐空间中；其中，将指标值归一化到-1到1之间；然后，构建第三深度神经网络，将和映射为深度空间的维向量，即和；为简化描述，记为，记为 ，在所述深度空间中，采用指数化的余弦相似度定义相似度度量函数，计算和的相似度；构建结构化语义信息异常的异常检测指标为：其中，表示第家企业的结构化语义信息异常的异常检测指标。
12.根据本发明第一方面的方法，在所述步骤s5中，所述将所述指标项内异常的异常
检测指标、指标项间异常的异常检测指标和结构化语义信息异常的异常检测指标融合，构建综合异常检测指标的方法包括：其中，第家企业的综合异常检测指标，表示第家企业的指标项内异常的异常检测指标，表示第家企业的指标项间异常的异常检测指标，表示第家企业的结构化语义信息异常的异常检测指标；表示的权重系数，为人为设置的超参数； 表示的权重系数，为人为设置的超参数；表示的权重系数，为人为设置的超参数。
13.本发明第二方面公开了一种基于深度异常检测的企业风险识别系统；所述系统包括：第一处理模块，被配置为，采集企业的基础信息，将所述基础信息处理为指标项，整合多个指标项构建结构化的企业信息表；第二处理模块，被配置为，对所述结构化的企业信息表中的各指标项的内在分布关系进行学习，构建指标项内异常的异常检测指标；第三处理模块，被配置为，对所述结构化的企业信息表中的指标项之间的相互关联关系进行学习，构建指标项间异常的异常检测指标；第四处理模块，被配置为，对企业的各指标项共同组成和反映的企业整体的结构化语义信息进行学习，构建结构化语义信息异常的异常检测指标；第五处理模块，被配置为，将所述指标项内异常的异常检测指标、指标项间异常的异常检测指标和结构化语义信息异常的异常检测指标融合，构建综合异常检测指标；第六处理模块，被配置为，依据所述综合异常检测指标，得到企业异常评分。
14.根据本发明第二方面的系统，第六处理模块，被配置为，还包括：根据所述指标项内异常的异常检测指标、指标项间异常的异常检测指标和结构化语义信息异常的异常检测指标，确定企业风险的来源，所述企业风险的来源包括单指标项异常、指标项间的关联关系异常和企业数据整体呈现异常。
15.根据本发明第二方面的系统，第一处理模块，被配置为，所述将所述基础信息处理为指标项，整合多个指标项构建结构化的企业信息表包括：将采集到的所述基础信息整理成一种三元组的形式化表示：，其中 表示家企业的集合，表示第家企业，表示 个指标项的集合，是将企业映射到各指标项对应的指标值的函数集合，函数赋予一个企业特定的指标值，表示第个指标项的值域；在三元组形式化表示的基础上，构建企业信息表，具体过程为：将按纵向排列，将按横向排列，
构建表格；将与在表格中对应位置的值赋予；在所述企业信息表中，第家企业的指标值表示为向量形式：。
16.根据本发明第二方面的系统，第二处理模块，被配置为，所述对所述结构化的企业信息表中的各指标项的内在分布关系进行学习，构建指标项内异常的异常检测指标包括：采用频率统计的方法来反映各个指标值分布规律，将指标内分布关系学习过程转化为指标值的频率统计过程；对于各指标项，学习指标值分布函数 ，将指标项中的指标值映射为其出现的频率；构建指标项内异常的异常检测指标为：其中， 表示第家企业的指标项内异常的异常检测指标，表示指标项的总数。
17.根据本发明第二方面的系统，第三处理模块，被配置为，所述对所述结构化的企业信息表中的指标项之间的相互关联关系进行学习，构建指标项间异常的异常检测指标包括：采用单个指标项与其它指标项的互信息来反映各指标项间的共现规律，将指标项之间的相互关联关系学习过程转化为指标项之间互信息衡量函数的学习过程；对于各指标项，学习其与其它指标项之间的互信息衡量函数，将指标项中的指标值，即，以及所述指标值对应其它指标项中的指标值所构成的向量 映射为指标值与所述指标值 对应其它指标项中的指标值之间的互信息大小；其中表示除外其它指标项构成向量的所在空间；构建指标项间异常的异常检测指标为：其中， 表示第家企业的指标项间异常的异常检测指标，表示指标项的
总数。
18.根据本发明第二方面的系统，第四处理模块，被配置为，所述对企业的各指标项共同组成和反映的企业整体的结构化语义信息进行学习，构建结构化语义信息异常的异常检测指标包括：首先，构建个第四深度神经网络; 将 归一化的结果转换到第个隐空间中；其中，将指标值归一化到-1到1之间；然后，构建第三深度神经网络，将和映射为深度空间的维向量，即和；为简化描述，记为，记为 ，在所述深度空间中，采用指数化的余弦相似度定义相似度度量函数，计算和 的相似度；构建结构化语义信息异常的异常检测指标为：其中， 表示第家企业的结构化语义信息异常的异常检测指标。
19.根据本发明第二方面的系统，第五处理模块，被配置为，所述将所述指标项内异常的异常检测指标、指标项间异常的异常检测指标和结构化语义信息异常的异常检测指标融合，构建综合异常检测指标包括：其中，第家企业的综合异常检测指标，表示第家企业的指标项内异常的异常检测指标， 表示第家企业的指标项间异常的异常检测指标， 表示第家企业的结构化语义信息异常的异常检测指标； 表示的权重系数，为人为设置的超参数； 表示的权重系数，为人为设置的超参数；表示的权重系数，为人为设置的超参数。
20.本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明第一方面中任一项的一种基于深度异常检测的企业风险识别方法中的步骤。
21.本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本发明第一方面中任一项的一种基于深度异常检测的企业风险识别方法中的步骤。
22.本技术所要达到的技术效果通过以下方案实现：在进行了上述由指标项本身到语义结构化信息的三个层次深度学习之后，将三个层次的异常线索进行融合，构建层次化的异常检测指标体系，进而实现全方位、多层级的企业异常检测。
附图说明
23.为了更清楚地说明本技术实施例或现有的技术方案，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技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
24.图1为本技术一实施例中一种基于深度异常检测的企业风险识别方法的流程图；图2为根据本发明实施例的一种基于深度异常检测的企业风险识别系统的结构图；图3为根据本发明实施例的一种电子设备的结构图。
具体实施方式
25.为使本技术的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本技术的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
26.下面结合附图，详细说明本技术的各种非限制性实施方式。
27.本发明第一方面公开了一种基于深度异常检测的企业风险识别方法。图1为根据本发明实施例的一种基于深度异常检测的企业风险识别方法的流程图，如图1所示，所述方法包括：步骤s1、采集企业的基础信息，将所述基础信息处理为指标项，整合多个指标项构建结构化的企业信息表；步骤s2、对所述结构化的企业信息表中的各指标项的内在分布关系进行学习，构建指标项内异常的异常检测指标；步骤s3、对所述结构化的企业信息表中的指标项之间的相互关联关系进行学习，构建指标项间异常的异常检测指标；步骤s4、对企业的各指标项共同组成和反映的企业整体的结构化语义信息进行学习，构建结构化语义信息异常的异常检测指标；步骤s5、将所述指标项内异常的异常检测指标、指标项间异常的异常检测指标和结构化语义信息异常的异常检测指标融合，构建综合异常检测指标；步骤s6、依据所述综合异常检测指标，得到企业异常评分。
28.在步骤s1，采集企业的基础信息，将所述基础信息处理为指标项，整合多个指标项构建结构化的企业信息表，为深度检测企业异常信息提供数据基础。
29.在一些实施例中，在所述步骤s1中，基础信息来源包括但不限于企业披露的财报数据、基础经营数据、资本市场数据等。
30.所述将所述基础信息处理为指标项，整合多个指标项构建结构化的企业信息表的
方法包括：将采集到的所述基础信息整理成一种三元组的形式化表示：，其中表示家企业的集合，表示第家企业，表示个指标项的集合，是将企业映射到各指标项对应的指标值的函数集合，函数赋予一个企业特定的指标值，表示第个指标项的值域；在三元组形式化表示的基础上，构建企业信息表，具体过程为：将按纵向排列，将按横向排列，构建表格；将与在表格中对应位置的值赋予；在所述企业信息表中，第家企业的指标值表示为向量形式：。为方便表述，后文中用表示向量的第项，即。
31.在步骤s2，对所述结构化的企业信息表中的各指标项的内在分布关系进行学习，构建指标项内异常的异常检测指标，为企业在单个指标项出现异常时的有效检测提供基础。
32.在一些实施例中，在所述步骤s2中，所述对所述结构化的企业信息表中的各指标项的内在分布关系进行学习，构建指标项内异常的异常检测指标的方法包括：采用频率统计的方法来反映各个指标值分布规律，将指标内分布关系学习过程转化为指标值的频率统计过程；对于各指标项，学习指标值分布函数，将指标项中的指标值映射为其出现的频率；构建指标项内异常的异常检测指标为：其中，表示第家企业的指标项内异常的异常检测指标，表示指标项的总数。
33.具体地，对于类别型的指标项，例如企业信用评级数据，本实施例直接统计各类别型数值的出现频率。若为类别型指标项，其类别型指标值组成的集合为，即，则可根据如下公式计算：
,其中表示集合中元素的个数，为第个指标项中的指标值到被赋予值的企业集合的映射函数，如公式(2)定义：。（2）对于数值型的指标项，例如企业总资产报酬率数据，本实施例首先采用动态带宽统计法将数值型的指标项分组，其中指标项分组为一组企业在该指标项中对应指标值的集合。然后，本实施例根据每组数值型指标值最大值与最小值之差的倒数计算得到各组指标值分组的密度。最后，对于该指标项中的某一数值，本实施例以该数值所在分组的密度值为基础，计算其出现频率，具体过程如公式(3)所示：(3)上文中所述动态带宽统计法具体过程如下：将数值型数据由大到小排序，由最大值开始，按顺序将连续的个数值分到同一数据分组，其中
⌈
⋅
⌉
表示向上取整；若指标项中具有相同某数值的个数超过，则将这些数均分到同一分组；若构建某一分组后，发现其中数据均相等，则将该数值后续一个数值归入该分组。对于数据分组，上文中所述数据分组的密度值计算方法如公式(4)所示：(4)其中，中，和为最大值、最小值函数，分别返回某一集合中的最大值和最小值。
34.在步骤s3，对所述结构化的企业信息表中的指标项之间的相互关联关系进行学习，构建指标项间异常的异常检测指标，通过发现指标项之间组合关系的异常变化征兆，提示企业可能出现的异常情况。
35.在一些实施例中，在所述步骤s3中，所述对所述结构化的企业信息表中的指标项之间的相互关联关系进行学习，构建指标项间异常的异常检测指标的方法包括：采用单个指标项与其它指标项的互信息来反映各指标项间的共现规律，将指标项
之间的相互关联关系学习过程转化为指标项之间互信息衡量函数的学习过程；对于各指标项，学习其与其它指标项之间的互信息衡量函数，将指标项中的指标值，即，以及所述指标值对应其它指标项中的指标值所构成的向量映射为指标值与所述指标值对应其它指标项中的指标值之间的互信息大小；其中表示除外其它指标项构成向量的所在空间；构建指标项间异常的异常检测指标为：其中，表示第家企业的指标项间异常的异常检测指标，表示指标项的总数。
36.具体地，本实施例用两个样本在深度神经网络映射空间中的相似度来构建互信息衡量函数。具体而言，构建第一深度神经网络和第二深度神经网络；将的归一化结果与的独热编码（其中，，如果等于；，如果不等于）映射为深度空间的维向量；将的归一化结果与的独热编码映射为深度空间的维向量；上文中，和将数值归一化到-1到1之间；对于和，互信息衡量函数定义如公式(5)所示：。(5)本实施例采用对比学习的方式来学习互信息衡量函数。首先,本实施例构建对比学习的样本，对于第个企业的第个指标项，将作为正样本，将中的元素作为负样本，由此，总共可构建1个正样本和个负
样本。本实施例采用的对比学习过程，使得与正样本的互信息最大化，与负样本的互信息最小化。训练深度神经网络的损失函数如公式(6)所示：。
ꢀꢀꢀꢀꢀꢀꢀꢀ
(6)在步骤s4，对企业的各指标项共同组成和反映的企业整体的结构化语义信息进行学习，构建结构化语义信息异常的异常检测指标。
37.在一些实施例中，在所述步骤s4中，所述对企业的各指标项共同组成和反映的企业整体的结构化语义信息进行学习，构建结构化语义信息异常的异常检测指标的方法包括：数据整体结构化语义信息学习关注于各指标项共同组成的可以反映企业整体情况的结构化语义信息。本实施例通过深度学习方法，学习嵌入了正常情况下数据整体各类结构化语义信息的相互独立的隐空间。首先，构建个第四深度神经网络;将归一化的结果转换到第个隐空间中；其中，将指标值归一化到-1到1之间；然后，构建第三深度神经网络，将和映射为深度空间的维向量，即和；为简化描述，记为，记为，在所述深度空间中，采用指数化的余弦相似度定义相似度度量函数，计算和的相似度；构建结构化语义信息异常的异常检测指标为公式(7)：
ꢀꢀꢀꢀ
(7)其中，表示第家企业的结构化语义信息异常的异常检测指标。
38.具体地，本方法训练所构建的深度神经网络，使得在深度空间的度量下，原始数据空间与各隐空间之间具有较大相似度（即隐空间中嵌入数据结构化语义信息），各隐空间之间具有较小的相似度（即隐空间相互独立）。训练深度神经网络的损失函数如公式(8)所示：。(8)
在步骤s5，将所述指标项内异常的异常检测指标、指标项间异常的异常检测指标和结构化语义信息异常的异常检测指标融合，构建综合异常检测指标。
39.在一些实施例中，在所述步骤s5中，所述将所述指标项内异常的异常检测指标、指标项间异常的异常检测指标和结构化语义信息异常的异常检测指标融合，构建综合异常检测指标的方法包括：其中，第家企业的综合异常检测指标，表示第家企业的指标项内异常的异常检测指标，表示第家企业的指标项间异常的异常检测指标，表示第家企业的结构化语义信息异常的异常检测指标；表示的权重系数，为人为设置的超参数；表示的权重系数，为人为设置的超参数；表示的权重系数，为人为设置的超参数。
40.在步骤s6，依据所述综合异常检测指标，得到企业异常评分。
41.在一些实施例中，在所述步骤s6中，根据所述针对指标项内异常的异常检测指标、针对指标项间异常的异常检测指标和针对结构化语义信息异常的异常检测指标，确定企业风险是来源于单指标项异常、指标项间的关联关系异常亦或是企业数据整体呈现异常。
42.具体地，本实施例仅需在采集到的企业数据上进行一次训练学习，即可对企业数据进行异常检测。依据综合异常检测指标，可以得到企业异常评分，评分越大代表企业越疑似异常，由此可提示企业风险。同时，可考虑对比单个企业逐年的异常检测指标，若增大，则提示企业风险增加。另外，由于本方法采用了层次化的异常检测指标体系，可以由、、值的大小，确定企业风险是来源于单指标项异常、指标项间的关联关系异常亦或是企业数据整体呈现异常。
43.综上，本发明提出的方案能够在进行了上述由指标项本身到语义结构化信息的三个层次深度学习之后，将三个层次的异常线索进行融合，构建层次化的异常检测指标体系，进而实现全方位、多层级的企业异常检测。
44.本发明第二方面公开了一种基于深度异常检测的企业风险识别系统。图2为根据本发明实施例的一种基于深度异常检测的企业风险识别系统的结构图；如图2所示，所述系统100包括：第一处理模块101，被配置为，采集企业的基础信息，将所述基础信息处理为指标项，整合多个指标项构建结构化的企业信息表；第二处理模块102，被配置为，对所述结构化的企业信息表中的各指标项的内在分布关系进行学习，构建指标项内异常的异常检测指标；第三处理模块103，被配置为，对所述结构化的企业信息表中的指标项之间的相互关联关系进行学习，构建指标项间异常的异常检测指标；第四处理模块104，被配置为，对企业的各指标项共同组成和反映的企业整体的结
构化语义信息进行学习，构建结构化语义信息异常的异常检测指标；第五处理模块105，被配置为，将所述指标项内异常的异常检测指标、指标项间异常的异常检测指标和结构化语义信息异常的异常检测指标融合，构建综合异常检测指标；第六处理模块106，被配置为，依据所述综合异常检测指标，得到企业异常评分。
45.根据本发明第二方面的系统，第六处理模块106，被配置为，还包括：根据所述指标项内异常的异常检测指标、指标项间异常的异常检测指标和结构化语义信息异常的异常检测指标，确定企业风险的来源，所述企业风险的来源包括单指标项异常、指标项间的关联关系异常和企业数据整体呈现异常。
46.根据本发明第二方面的系统，第一处理模块101，被配置为，所述将所述基础信息处理为指标项，整合多个指标项构建结构化的企业信息表包括：将采集到的所述基础信息整理成一种三元组的形式化表示：，其中表示家企业的集合，表示第家企业，表示个指标项的集合，是将企业映射到各指标项对应的指标值的函数集合，函数赋予一个企业特定的指标值，表示第个指标项的值域；在三元组形式化表示的基础上，构建企业信息表，具体过程为：将按纵向排列，将按横向排列，构建表格；将与在表格中对应位置的值赋予；在所述企业信息表中，第家企业的指标值表示为向量形式：。
47.根据本发明第二方面的系统，第二处理模块102，被配置为，所述对所述结构化的企业信息表中的各指标项的内在分布关系进行学习，构建指标项内异常的异常检测指标包括：采用频率统计的方法来反映各个指标值分布规律，将指标内分布关系学习过程转化为指标值的频率统计过程；对于各指标项，学习指标值分布函数，将指标项中的指标值映射为其出现的频率；构建指标项内异常的异常检测指标为：其中，表示第家企业的指标项内异常的异常检测指标，表示指标项的总数。
48.根据本发明第二方面的系统，第三处理模块103，被配置为，所述对所述结构化的企业信息表中的指标项之间的相互关联关系进行学习，构建指标项间异常的异常检测指标包括：采用单个指标项与其它指标项的互信息来反映各指标项间的共现规律，将指标项之间的相互关联关系学习过程转化为指标项之间互信息衡量函数的学习过程；对于各指标项，学习其与其它指标项之间的互信息衡量函数，将指标项中的指标值，即，以及所述指标值对应其它指标项中的指标值所构成的向量映射为指标值与所述指标值对应其它指标项中的指标值之间的互信息大小；其中表示除外其它指标项构成向量的所在空间；构建指标项间异常的异常检测指标为：其中，表示第家企业的指标项间异常的异常检测指标，表示指标项的总数。
49.根据本发明第二方面的系统，第四处理模块104，被配置为，所述对企业的各指标项共同组成和反映的企业整体的结构化语义信息进行学习，构建结构化语义信息异常的异常检测指标包括：首先，构建个第四深度神经网络;将归一化的结果转换到第个隐空间中；其中，将指标值归一化到-1到1之间；然后，构建第三深度神经网络，将和映射为深度空间的维向量，即和；为简化描述，记为，记为，在所述深度空间中，采用指数化的余弦相似度定义相似度度量函数，计算和的相似度；构建结构化语义信息异常的异常检测指标为：
其中，表示第家企业的结构化语义信息异常的异常检测指标。
50.根据本发明第二方面的系统，第五处理模块105，被配置为，所述将所述指标项内异常的异常检测指标、指标项间异常的异常检测指标和结构化语义信息异常的异常检测指标融合，构建综合异常检测指标包括：其中，第家企业的综合异常检测指标，表示第家企业的指标项内异常的异常检测指标，表示第家企业的指标项间异常的异常检测指标，表示第家企业的结构化语义信息异常的异常检测指标；表示的权重系数，为人为设置的超参数；表示的权重系数，为人为设置的超参数；表示的权重系数，为人为设置的超参数。
51.本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明第一方面中任一项的一种基于深度异常检测的企业风险识别方法中的步骤。
52.图3为根据本发明实施例的一种电子设备的结构图，如图3所示，电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、近场通信（nfc）或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
53.本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明的技术方案相关的部分的结构图，并不构成对本技术方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
54.本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本发明公开第一方面中任一项的一种基于深度异常检测的企业风险识别方法中的步骤中的步骤。
55.请注意，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。