面向多场景在线风控数据服务平台                                                                                                     基于深度学习的智能风险知识挖掘工具

将深度学习算法应用于风险预警模型，在大数据和大量案例中学习到 “出险的规律”。

深度学习的优势：高维稀疏数据（预警信号）的特征提取，对复杂特征及特征组合的拟合能力（出险状态与因子之间关系错综复杂）动态数据（预警信号的时序关系）与静态数据的融合应用。

银行信贷业务流程可细化分为10个业务流程，涉及48个控制节点，其中30个控制节点计划嵌入AI工具，提升风控效率，降低风控成本，赋能业务流程管理。其中舆情涉及2、3、4、5、8、9等重要环节。

已构建好涵盖海量标签的成熟标签体系，包括80多个大类和260多个小类，支持根据业务场景的个性化定制。

允许自定义标签和标签体系维护，并提供基于规则和基于深度学习模型的标签训练服务。

洞察海量实体全面风险，实时预警相关实体预警信号。

实时获取全市场事件，提前预警异动线索
· 基于事件聚类与大数据计算，获取全市场热门异动事件
· 基于事件聚类与精准风险标签，获取异动事件类型、影响力及传导信号预测
· 多组数据叠加，穿透事件本质。

· 国战兴、证监会、协同产业、国民经济、万得等行业分类体系

· 风险叠加算法与个体下钻结合

· 基于行业上下游传导分析。

· 单一区域风险监控与竞品比对                        · 区域风险与政策的叠加组合
· 基于区域风险与事件风险的叠加组合             · 区域风险与行业风险叠加组合。

“4” 层知识挖掘体系 + “N” 种实体扩展在风控场景下的深度应用。

NLP+知识图谱技术，构建6大核心算法模型，提升数据应用准确性、关联性、唯一性问题。

识别单一客户不同事件之间的发生序列产生的不同风险预警信号，利用基于时空循环神经网络ST-RNN的时空情境一体化建模方案，对时间上先后发生风险事件进行前瞻性的预测。

随着系统中存储的数据与信息逐渐丰富，系统将建立可以持续自我学习，根据新数据生成各类标签规则及标签的标签规则库，不断丰富和动态更新客户风险画像。

通过AI模型深度挖掘各类标签与客户出险（内部违约/不良，债市违约，停牌，退市，破产清算，恶性重组，剥离出售）的关系，给出企业出险警示判断。

局部强化
单变量局部强化：
· 基于关键指标的绝对值，相对变化，直接触发警示。
跨变量局部强化：
训练关键指标与外围指标之间的关联关系；
当关键指标出现缺失等质量问题时，通过外围指标强化关键指标信息内容，触发警示。

交易对手风险监控模型是以单一客户预警模型为原点，通过风险传导模型，识别出与单一客户相关联的集团/系客户，进而影响到整个组合层面。具体的模型体系参考如下架构图：

初期标签规则的创建依赖专家经验和已发生风险事实，在大数据的持续积累条件下，通过不断向算法“喂数据” (训练模型)，算法自己学会了如何打标签，在标签精准度和适用性上会有持续的更新。

以企业风险特征指标为基础，在海量大数据收集信息库库中提取能有效刻画企业风险的信息，动态积累、更新企业风险特征指标.....

客户背景
平安银行，多年前就开始投入数字化转型，其目前发挥巨大作用的智慧风控平台，在2018年就已经启动开发，“智慧风控平台”已在平安银行全面运用，为平安银行的经营增长保驾护航。已经落地的"智慧风控平台”2.0版本。

数据服务：企业舆情数据+海关数据

服务模式：行内软件落地。

背景：借助大数据人工智能技术构建境内一体的互联网信息监测分析体系，助力开行大数据风险预警体系构建。

多源数据面向多维度场景应用平台。