在企业的招商引资过程中,存在多维度的风险。传统的风险评估方法由于信息失真以及经济行为中的复杂关系,难以及时且准确地识别这些风险。为解决上述问题,提出一种将大型语言模型(LLM)与图神经网络(GNN)融合的风险分析框架。利用LLM的语...在企业的招商引资过程中,存在多维度的风险。传统的风险评估方法由于信息失真以及经济行为中的复杂关系,难以及时且准确地识别这些风险。为解决上述问题,提出一种将大型语言模型(LLM)与图神经网络(GNN)融合的风险分析框架。利用LLM的语义理解能力,辅助GNN构建全面、准确的动态企业异构知识图谱,从而解决静态数据引起的信息失真问题。在此基础上,针对GNN在深度和语义表达能力上的不足,设计一个基于知识的语义结构挖掘模块,并结合Qwen2大模型增强节点表示的语义精准性。此外,提出一体化图(IOG)模块将节点分类与图分类任务统一为对“关注节点”的预测。通过统一预测机制,实现对不同图结构类型的预测,从而显著提升模型在不同数据集上的泛化能力。基于该框架构建的IOG-CIQAN(In One Graph with Collective Intelligence and Qwen2 Assistance Network)模型在劳工、财务、行政这3个风险分析数据集上的准确率均超过了87%,优于胶囊网络(CapsNet)等多种基线模型。展开更多
文摘在企业的招商引资过程中,存在多维度的风险。传统的风险评估方法由于信息失真以及经济行为中的复杂关系,难以及时且准确地识别这些风险。为解决上述问题,提出一种将大型语言模型(LLM)与图神经网络(GNN)融合的风险分析框架。利用LLM的语义理解能力,辅助GNN构建全面、准确的动态企业异构知识图谱,从而解决静态数据引起的信息失真问题。在此基础上,针对GNN在深度和语义表达能力上的不足,设计一个基于知识的语义结构挖掘模块,并结合Qwen2大模型增强节点表示的语义精准性。此外,提出一体化图(IOG)模块将节点分类与图分类任务统一为对“关注节点”的预测。通过统一预测机制,实现对不同图结构类型的预测,从而显著提升模型在不同数据集上的泛化能力。基于该框架构建的IOG-CIQAN(In One Graph with Collective Intelligence and Qwen2 Assistance Network)模型在劳工、财务、行政这3个风险分析数据集上的准确率均超过了87%,优于胶囊网络(CapsNet)等多种基线模型。
