隨著經(jīng)濟(jì)的不斷發(fā)展,在市場(chǎng)交易和投資領(lǐng)域產(chǎn)生了大量的信用主體,其中的組織機(jī)構(gòu)主體包括企業(yè)、投資公司和銀行等,人物主體包括企業(yè)關(guān)鍵人物和投資人等。這些主體之間存在著大量且復(fù)雜的關(guān)聯(lián)關(guān)系,而當(dāng)某些信用主體出現(xiàn)失信行為,與其密切關(guān)聯(lián)的主體產(chǎn)生信用風(fēng)險(xiǎn)的概率也將增加。傳統(tǒng)的數(shù)據(jù)模型難以高效分析和利用這些關(guān)聯(lián)關(guān)系。本文通過(guò)構(gòu)建企業(yè)關(guān)聯(lián)信息領(lǐng)域的知識(shí)圖譜,分析目標(biāo)企業(yè)資質(zhì)和信用,及其是否與低信用企業(yè)密切關(guān)聯(lián),建立了企業(yè)風(fēng)控模型,能有效幫助評(píng)估風(fēng)險(xiǎn)優(yōu)化決策。除此之外,知識(shí)圖譜通過(guò)知識(shí)庫(kù)推理還可以獲取到企業(yè)間隱含的關(guān)聯(lián)關(guān)系等有價(jià)值的信息。本文圍繞企業(yè)關(guān)聯(lián)信息知識(shí)圖譜的構(gòu)建與應(yīng)用展開研究,具體的研究?jī)?nèi)容如下:第一,研究企業(yè)關(guān)聯(lián)信息知識(shí)圖譜的構(gòu)建。知識(shí)圖譜的構(gòu)建流程一般為知識(shí)表示建模、知識(shí)抽取和知識(shí)存儲(chǔ)融合等。本文針對(duì)企業(yè)信息數(shù)據(jù)建立了合適的知識(shí)表示的數(shù)據(jù)模型,然后分別對(duì)結(jié)構(gòu)化、非結(jié)構(gòu)化類型的數(shù)據(jù)設(shè)計(jì)了知識(shí)抽取方法完成了高質(zhì)量的知識(shí)抽取,并應(yīng)用Neo4j圖數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)存儲(chǔ),建立了企業(yè)關(guān)聯(lián)信息垂直領(lǐng)域的知識(shí)圖譜。第二,研究知識(shí)庫(kù)推理對(duì)企業(yè)關(guān)聯(lián)信息知識(shí)圖譜的補(bǔ)全和完善。本文主要研究了企業(yè)關(guān)聯(lián)信息知識(shí)圖譜中上... 

【文章來(lái)源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

LSTM網(wǎng)絡(luò)結(jié)構(gòu)圖

第 2 章 相關(guān)理論與技術(shù)完成這一步，特征信息到達(dá)輸出門，通過(guò)歸一化函數(shù)確定哪個(gè)部分信息需要輸出。然后通過(guò)一個(gè) tanh 函數(shù)進(jìn)行處理正負(fù)一之間的值并將它和歸一化結(jié)果相乘，最終得到輸出，公式如下： = ( π ) (2-5) = ( ) (2-6)在公式 2-5 中， 為 t 時(shí)刻的歸一化函數(shù)的結(jié)果， 表示在 o 狀態(tài)下對(duì)于輸入 的參數(shù)。公式 2-6 中， 為 t 時(shí)刻隱藏層的向量。通過(guò)這些網(wǎng)絡(luò)單元的設(shè)計(jì)讓 LSTM 模型能一定程度的抵抗梯度潰散的影響。近年來(lái)，LSTM 模型實(shí)際應(yīng)用和學(xué)術(shù)領(lǐng)域都被廣泛研究，在文字和圖像處理領(lǐng)域都有不錯(cuò)的效果。其主要應(yīng)用于序列處理問(wèn)題上，特別是對(duì)于文本進(jìn)行處理的相關(guān)任務(wù)例如機(jī)器翻譯、實(shí)體識(shí)別等。根據(jù)其結(jié)構(gòu)的不同可以劃分為五種LSTM 模型，可以分別實(shí)現(xiàn)判別和生成模型，LSTM 常用結(jié)構(gòu)如圖 2-4 所示。

北京工業(yè)大學(xué)工程碩士專業(yè)學(xué)位論文輸出的對(duì)齊位置進(jìn)行預(yù)測(cè)，其公式如下： = × ( ¨ ￠ ( )) 2-7 中，L 是序列的總長(zhǎng)，模型中需要訓(xùn)練的參數(shù)有 W過(guò)一個(gè)服從于N( )的正太分布來(lái)創(chuàng)建，對(duì)于注意能減小距離。Attention 模型結(jié)構(gòu)如下圖所示：

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的中文實(shí)體關(guān)系抽取方法[J]. 孫紫陽(yáng),顧君忠,楊靜.  計(jì)算機(jī)工程. 2018(09)
[2]關(guān)系模型向RDF（S）模型轉(zhuǎn)換研究[J]. 楊王黎,鄭雪蕓,袁滿.  微型電腦應(yīng)用. 2017(09)
[3]利用D2R實(shí)現(xiàn)關(guān)系數(shù)據(jù)庫(kù)到關(guān)聯(lián)數(shù)據(jù)的轉(zhuǎn)換[J]. 謝剛.  電子商務(wù). 2017(07)
[4]基于深度神經(jīng)網(wǎng)絡(luò)的中文命名實(shí)體識(shí)別[J]. 張海楠,伍大勇,劉悅,程學(xué)旗.  中文信息學(xué)報(bào). 2017(04)
[5]基于知識(shí)圖譜的Web信息抽取系統(tǒng)[J]. 王輝,郁波,洪宇,肖仰華.  計(jì)算機(jī)工程. 2017(06)
[6]基于BLSTM的命名實(shí)體識(shí)別方法[J]. 馮艷紅,于紅,孫庚,孫娟娟.  計(jì)算機(jī)科學(xué). 2018(02)
[7]知識(shí)圖譜的發(fā)展與構(gòu)建[J]. 李濤,王次臣,李華康.  南京理工大學(xué)學(xué)報(bào). 2017(01)
[8]知識(shí)圖譜技術(shù)綜述[J]. 徐增林,盛泳潘,賀麗榮,王雅芳.  電子科技大學(xué)學(xué)報(bào). 2016(04)
[9]結(jié)合Rete的RDF數(shù)據(jù)分布式并行推理算法[J]. 汪璟玢,鄭翠春.  模式識(shí)別與人工智能. 2016(05)
[10]知識(shí)圖譜構(gòu)建技術(shù)綜述[J]. 劉嶠,李楊,段宏,劉瑤,秦志光.  計(jì)算機(jī)研究與發(fā)展. 2016(03)

碩士論文
[1]基于規(guī)則的百科人物屬性抽取算法的研究[D]. 李紅亮.西南交通大學(xué) 2013



本文編號(hào)：3456742