CN119250963B 一种基于多模态协同进化算法的商业信用评估与监管方法 （东南大学）

一种基于多模态协同进化算法的商业信用本发明涉及一种基于多模态协同进化算法21.一种基于多模态协同进化算法的商业信用评估与监管方法,其特征在于，所述方法采用跨模态对比学习算法对不同模态的数据进行特征提取，生成在嵌入空间中优化模态一致性,具体如下，跨模态对比学习通过优化以下对比损失函数来2.根据权利要求1所述的一种基于多模态协同进化算法的商业信用评估与监管方法,ij然后进行GNN消息传递机制，通过图神经网络GNN学习节点33.根据权利要求1所述的一种基于多模态协同进化算法的商业信用评估与监管方法,4.根据权利要求1所述的一种基于多模态协同进化算法的商业信用评估与监管方法,伪特征与真实特征通过融合操作加权平均的方式生成最终的5.根据权利要求1所述的一种基于多模态协同进化算法的商业信用评估与监管方法,S6中对多层感知机(MLP)模型进行训练时计算的损失值,yi是样本i的6.根据权利要求1所述的一种基于多模态协同进化算法的商业信用评估与监管方法,F(Θ)=αf1(Θ)+βf2(Θ)+γf3(Θ)47.根据权利要求1所述的一种基于多模态协同进化算法的商业信用评估与监管方法,S8具体如下，利用动态多模态知识图谱，结合因8.根据权利要求1所述的一种基于多模态协同进化算法的商业信用评估与监管方法,5[0002]商业信用评估是金融机构与监管部门判断企业信用风险和制定管理政策的重要[0007]本发明的目的在于提供一种基于多模态协同进化算法的商业信用评估与监管方6[0022]采用跨模态对比学习算法对不同模态的数据进行特征提取，生成统一的嵌入表τ是温度系数，zr表示对所有可能的样本计算的相似度的指数形式的加权和,通[0027]其中，wy(t+1)表示在时间点t+1时刻节点i和节点j之间的边权重，w,(c)表示7u在第k-1层的节点表示。[0039]D表示判别器，用于区分输入数据是[0041]S6具体如下，协同进化信用评分模型的初始化，融合后的特8性（通过随机添加噪声测量稳定性表示模型的可解释性（通过特征重要性得分度过交易行为等中介变量体现,结合动态多模态知识图谱DMKG，实时更新因果模型中的边权化接口从企业内部ERP系统提取财务和交易记录，并结合API接口获取物流供应链信息。接着进行数据清洗，使用正则表达式清理非标准字符和噪声数据，结合主成分分析9[0059]进一步地，所述步骤S2中跨模态对比学习的具体实现需要先进行特征提取器设计，为不同模态数据选择专用的网络架构，如采用CNN提取图像模态的空间特征，术指标，还能适应实际应用场景的要求。最终，通过动态多目标优化，模型逐渐收敛到[0067]进一步地，所述步骤S10中为增强模型的透明性和用户信任，引入生成对抗网络多模态特征对信用评分的贡献度，生成特征重要性排序图，揭示关键风险因素（如交易频分从输入特征到输出评分的逻辑流。判别器用于验证路径图的可信度，确保生成的解释具分依据和风险分布，利用sankey图信任感和接受度。为企业管理者和金融机构提供清晰可理解的信用分析报告，从而增强评估结果的可接受为了全面了解供应链的运作情况，可以通过API接口直接从合作伙伴的数据系统获取供[0103]市场反馈中可能包含来自不同平台库存水平等可以使用插值法来填补缺失值。常用的插值方法包括线性插值和多项式插特征提取设计中采用基于GRU的时序网络来处理供应链的动态变化，提取时间相关特[0138]S2.2.1嵌入层对齐将每个模态的数据通过独立的特征提取器转换为高维的向[0139]S2.2.2嵌入空间对齐将所有模态的特征向量通过共享的嵌入层转换为低维的样本对(ri,xj)进行期望计算，和h,是不同模态的数据表示，sim(h,hy)表示和h,之间的τ是温度系数，zr表示对所有可能的样本计算的相似度的指数形式的加权和,通是实现复杂关系可视化和深入分析的重要步骤。通过动态更新知识图谱的节点与边权重，[0149]知识图谱的基本构建以企业A的多模态数据为基础，主要包括节点和边的定义wy(t0)表示在时间点to时刻，节点i和节点j之间的边权重。Rj为节点i和[0154]为了反映企业网络的动态特性，知识图谱需要通过时间[0156]其中，wy(t+1)表示在时间点t+1时刻节点i和节点j之间的边权重，w,(c)表示u在第k-1层的节点表示。交媒体中提取的企业相关市场反馈嵌入。供应链模态为供应商关系和物流动态的嵌入特[0172]第一项约束共享特征与模态具体特征的总体一致性；第二项通过正则化项控制的伪特征与真实特征通过融合操作加权平均的方式生成最[0179]为了实现特征分布的一致性，使用对抗学习机制调整生使其与真实特征分布对齐。噪声输入为随机采样的分布z~N(0,1)。使用Wasserstein距[0187]交替训练多个epoch后，确保生成器生成的伪特征在判别器中无法有效区分为[0188]图3为本发明的通过对抗学习优化模态特征分布的一致性详细流程示意图，相关[0189]S6为了帮助企业A评估复杂供应链中的信用状况，在融合多模态特征的基础上在准确性、鲁棒性和可解释性三个方面进行初步优化，形成具备协同感知和动态适应能力的信用评分机制。[0198]S6.3.动态知识调整模型权重使其更符合图谱事实。可解释性作为优化目标，利用动态多目标优化算法对模型进行全局优化。通过遗传算法络的实际需求。性（通过随机添加噪声测量稳定性表示模型的可解释性（通过特征重要性得分度量的作用。显示DE=-0.15，[0225]通过动态多模态知识图谱和因果推理的结合，企业A成