一种基于卷积神经网络的企业健康度评估方法及装置与流程

本发明实施例涉及企业健康度评估技术的，具体而言，涉及一种基于卷积神经网络的企业健康度评估方法及装置。

背景技术：

1、卷积神经网络近年来在金融分析领域得到了广泛的应用和发展。随着深度学习技术的不断发展，cnn开始在企业破产预测中应用，通过对企业的健康度进行评估，能够帮助企业选择合适的合作伙伴，帮助投资者做出正确的投资决策。

2、卷积神经网络在图像识别领域有着较好的表现，然而企业健康度评估所采用的数据通常为数值数据，因此该领域的研究尚处于起步阶段。

3、采用基于文本披露的破产预测深度学习模型构建了一个包含11827家美国上市公司的综合破产数据库，将文本数据与传统的基于财务比率和基于市场的变量结合使用，进一步提高深度学习模型的预测精度。该方法同样采用了卷积神经网络，再次证明了卷积神经网络在企业健康度评估领域应用的可行性。

4、基于深度学习的破产预测收集了28000家企业以及1120家破产企业的44个财务比率信息作为训练数据，该方法同样采用了卷积神经网络作为模型。两年的财务比率信息总共88个，填充了10个0像素，按时间顺序将其排列成7*7*2的三维矩阵送入卷积神经网络。该方法证明即使以卷积神经网络的方式同样能够捕捉数据的时间演化。

5、上述方法存在以下问题：1.数据集均来自企业年报，而企业年报提供的信息通常有一定的滞后性；2.部分企业财务利率项缺失，导致模型通用性不强；3.财务利率数据造假导致评估模型不准确。

技术实现思路

1、本发明实施例提供了一种基于卷积神经网络的企业健康度评估方法及装置，以至少解决相关技术中评估模型不准确的问题。

2、根据本发明的一个实施例，提供了一种基于卷积神经网络的企业健康度评估方法，包括：

3、获取企业第一信息，并按照预设规则将所述企业第一信息构建为信息方阵以及标签矩阵；其中，所述企业第一信息至少包括企业银行流水信息；

4、通过预设的健康评估模型对所述信息方阵以及标签矩阵进行企业健康评分计算，以得到企业健康分值；

5、在所述企业健康分值不满足预设条件的情况下，进行风险反馈处理。

6、在一个示例性实施例中，所述按照预设规则将所述企业第一信息构建为信息方阵以及标签矩阵包括：

7、按照时间顺序将所述企业第一信息构建为所述信息方阵；

8、对所述企业第一信息进行二进制标签化处理，以得到企业信息标签，并基于所述企业信息标签构建标签矩阵；

9、基于所述信息方阵以及所述标签矩阵构建三维信息矩阵；

10、对所述三维信息矩阵进行归一化处理，以得到目标三维矩阵；

11、所述健康评估模型对所述目标三维矩阵进行企业健康评分计算，以得到所述企业健康分值。

12、在一个示例性实施例中，所述健康评估模型对所述目标三维矩阵进行企业健康评分计算，以得到所述企业健康分值包括：

13、所述健康评估模型在卷积池化层对所述目标三维矩阵进行卷积池化处理，以得到第一处理结果；

14、对所述第一处理结果进行一维展开处理，以得到一维向量；

15、将所述一维向量输入至所述健康评估模型的全连接层中，以使所述全连接层对所述一维向量进行第一运算；

16、通过第一函数对第一运算结果进行健康度概率计算，以得到所述企业健康分值，其中，所述健康评估模型包括所述第一函数。

17、在一个示例性实施例中，所述对所述企业第一信息进行二进制标签化处理，以得到企业信息标签，并基于所述企业信息标签构建标签矩阵包括：

18、对所述企业第一信息进行类型分类，以得到标签类型，其中所述标签类型的数量为预设值；

19、基于所述标签类型，对所述企业第一信息进行二进制标签化处理，以得到标签长度为所述预设值的企业信息标签；

20、对所述企业信息标签进行进制转化处理，以得到所述企业信息标签对应的像素点亮度值；

21、基于所述像素点亮度值构建所述标签矩阵。

22、在一个示例性实施例中，所述按照预设规则将所述企业第一信息构建为信息方阵以及标签矩阵包括：

23、在所述企业第一信息的数据量不满足数据量条件的情况下，按照预设规则，将预设元素值与所述企业第一信息构建为所述信息方阵以及所述标签矩阵。

24、在一个示例性实施例中，在所述按照预设规则将所述企业第一信息构建为信息方阵以及标签矩阵之后，所述方法还包括：

25、在所述信息方阵和/或标签矩阵的数据尺寸不满足尺寸要求的情况下，对所述信息方阵和/或标签矩阵进行数据尺寸调整处理，以得到调整后的信息方阵和/或标签矩阵。

26、根据本发明的另一个实施例，提供了一种基于卷积神经网络的企业健康度评估系统，包括：

27、企业信息处理模块，用于获取企业第一信息，并按照预设规则将所述企业第一信息构建为信息方阵以及标签矩阵；其中，所述企业第一信息至少包括企业银行流水信息；

28、健康评分模块，用于通过预设的健康评估模型对所述信息方阵以及标签矩阵进行企业健康评分计算，以得到企业健康分值；

29、风险反馈模块，用于在所述企业健康分值不满足预设条件的情况下，进行风险反馈处理。

30、在一个示例性实施例中，所述企业信息处理模块包括：

31、信息方阵构建单元，用于按照时间顺序将所述企业第一信息构建为所述信息方阵；

32、标签矩阵构建单元，用于对所述企业第一信息进行二进制标签化处理，以得到企业信息标签，并基于所述企业信息标签构建标签矩阵；

33、三维矩阵构建单元，用于基于所述信息方阵以及所述标签矩阵构建三维信息矩阵；

34、归一处理单元，用于对所述三维信息矩阵进行归一化处理，以得到目标三维矩阵；

35、评分计算单元，用于所述健康评估模型对所述目标三维矩阵进行企业健康评分计算，以得到所述企业健康分值。

36、根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

37、根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

38、通过本发明，由于通过对企业信息进行信息方阵和标签矩阵的处理，再结合深度学习的神经网络模型对两个模型进行处理，实现对企业健康情况的精确识别，因此，可以解决企业健康度识别精度低的问题，达到提高企业健康度识别精度和效率的效果。

技术特征：

1.一种基于卷积神经网络的企业健康度评估方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述按照预设规则将所述企业第一信息构建为信息方阵以及标签矩阵包括：

3.根据权利要求2所述的方法，其特征在于，所述健康评估模型对所述目标三维矩阵进行企业健康评分计算，以得到所述企业健康分值包括：

4.根据权利要求2所述的方法，其特征在于，所述对所述企业第一信息进行二进制标签化处理，以得到企业信息标签，并基于所述企业信息标签构建标签矩阵包括：

5.根据权利要求1所述的方法，其特征在于，所述按照预设规则将所述企业第一信息构建为信息方阵以及标签矩阵包括：

6.根据权利要求5所述的方法，其特征在于，在所述按照预设规则将所述企业第一信息构建为信息方阵以及标签矩阵之后，所述方法还包括：

7.一种基于卷积神经网络的企业健康度评估系统，其特征在于，包括：

8.根据权利要求7所述的系统，其特征在于，所述企业信息处理模块包括：

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。

10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。

技术总结
本发明实施例提供了一种基于卷积神经网络的企业健康度评估方法及装置，涉及企业健康度评估技术的技术领域。其方法包括：获取企业第一信息，并按照预设规则将所述企业第一信息构建为信息方阵以及标签矩阵；通过预设的健康评估模型对所述信息方阵以及标签矩阵进行企业健康评分计算，以得到企业健康分值；在所述企业健康分值不满足预设条件的情况下，进行风险反馈处理。通过本发明，解决了企业健康度识别精度低的问题，进而达到了提高企业健康度识别效率的效果。

技术研发人员：罗原,杨黔,程斯祥,周鹏,宁智明,黄勇,李超,杨鑫
受保护的技术使用者：湖南华联云创信息科技有限公司
技术研发日：
技术公布日：2024/3/24