【技術實現步驟摘要】
本專利技術屬于股權結構分析領域，具體涉及一種基于股權知識圖譜學習的實際控制人挖掘方法及裝置。
技術介紹
1、公司及其股東之間存在數以百萬計的復雜關系，形成了一個龐大的股權網絡。在該網絡中，股東不僅能通過所持股票控制公司，還能利用與其他股東之間關聯關系擴大控制能力。實際控制人則指持有足夠數量的公司投票權股份，能夠決定公司重大決策的股東。實際控制人通常隱藏于多層嵌套、復雜的股權結構中。識別實際控制人的關鍵在于挖掘能夠掌控公司決策的獲勝穩定聯盟?？刂茩嘤嬎闩c實際控股股東識別是金融風險治理的核心，對金融監管具有重要意義。
2、現有研究通過股東間的持股路徑來計算控制權。最弱環節模型通過對股東與公司之間不同持股路徑的最低持股比例進行求和來計算控制權；矩陣合并方法則假設只要公司投票權重超過設定閾值，便可實現控制；投票博弈方法使用博弈論中的不同指標，模擬股東決策過程中的投票過程。例如，levy等人通過分析所有投票結果，計算股東與公司一致投票的期望值，以此衡量股東的控制權。karos和peters提出了shapley-shubik權力指數，將間接控制納入考量。然而，這些方法忽略了股東之間多元且復雜的關聯關系，無法準確識別獲勝穩定聯盟，導致實際控制人的高效挖掘受到限制。
技術實現思路
1、為克服上述現有技術中僅考慮股權關系進行實際控制人挖掘，挖掘中股東間的復雜互動和各異投票策略影響穩定聯盟識別準確性的不足，本專利技術提供一種基于股權知識圖譜學習的實際控制人挖掘方法及裝置，實現實際控制人挖掘
2、根據本專利技術說明書的一方面，提供一種基于股權知識圖譜學習的實際控制人挖掘方法，包括：
3、步驟1：根據股東和公司之間的持股關系構建股權知識圖譜，并通過實體對齊將股東之間的其他關系也納入該股權知識圖譜中；
4、步驟2：在步驟1所述股權知識圖譜中，設計多維關聯聚合神經網絡ra用于自動提取股東之間的各種關系特征并發現穩定聯盟；
5、步驟3：在步驟2所述多維關聯聚合神經網絡ra聚合股權結構信息的基礎上，設計元路徑聚合神經網絡pa捕獲股東的持股路徑，并依據最終捕獲的路徑中股東與公司同現的概率保留表決權信息；
6、步驟4：基于上述步驟2和步驟3中多維關聯聚合神經網絡ra和元路徑聚合神經網絡pa生成的嵌入，設計控制神經網絡conn，通過提取實體嵌入中保存的股票權重和穩定聯盟的信息來模擬投票過程，預測股東和公司之間的控制關系。
7、作為進一步的技術方案，步驟1包括：
8、構建股權知識圖譜其中每個三元組從頭實體ei到尾實體ej之間存在關系r，ε為實體集，ei∈ε代表股東或公司，每個實體ei與一組屬性{ai1，...，aim}相關聯，為關系集，包含正向關系和反向關系。
9、作為進一步的技術方案，所述多維關聯聚合神經網絡ra自動提取股東之間的各種關系特征并發現穩定聯盟，包括：聚合來自多跳鄰居的信息來編碼每個關系，通過自注意力生成實體嵌入來捕獲不同類型關系的相互影響，以捕獲關系間存在的傳遞性。
10、作為進一步的技術方案，所述多維關聯聚合神經網絡ra自動提取股東之間的各種關系特征并發現穩定聯盟，進一步包括：
11、利用實體的屬性對多維關聯聚合神經網絡ra的實體ei的嵌入ui進行初始化，計算方式如下：
12、ui＝ho(ai1，ai2，...，aim)
13、其中ho是將屬性{ai1，ai2，...，aim}轉換為嵌入的函數，o是實體類型；對于每個關系第l層嵌入計算方式如下：
14、
15、其中nr(ei)＝{ej|(ei，r，ej)∈g}表示ei在關系r下的鄰居，l是表示跳數的超參數且0<l<l；
16、實體ei的不同關系的第l層嵌入表示為：
17、
18、利用自注意力機制衡量不同關系之間的相互影響，實體ei在關系r上的最終嵌入uir的計算方式如下：
19、
20、其中mr是可訓練的變換矩陣，αir表示關系r的線性組合的系數；
21、一組股東εg∈ε組成的聯盟的穩定性pa(g)的計算方法如下：
22、
23、其中，為一致行動的概率，通過余弦相似度計算得到。
24、作為進一步的技術方案，步驟3設計元路徑聚合神經網絡pa根據兩個預定義的元路徑模式進行遍歷，包括：
25、設置元路徑模式來捕獲股東的持股路徑，其中l表示模式長度，設置元路徑模式來捕獲穩定聯盟中成員的持股路徑；
26、股權路徑通過隨機游走捕獲，其中，從ei到ej的轉移概率p(ei|ej)為ei鄰居的歸一化概率，基于上述元路徑模式，第t步的轉移概率p(ei|ej，t)為：
27、
28、依據元路徑模式，rt代表ra或rs，是第t步游走邊的對應權重，元路徑聚合神經網絡pa基于該轉移概率，通過圖遍歷捕獲持股路徑，根據每個實體對的投票權重信息計算他們生成的路徑中同時出現的頻率并保留；
29、生成股權路徑后，元路徑聚合神經網絡pa通過運行skip-gram模型優化學習實體嵌入。
30、作為進一步的技術方案，對于相同路徑中的每對實體(ei，ej)，嵌入的計算方式如下：
31、
32、其中vi是ei的嵌入，cj是ej在實體序列中的上下文嵌入，σ是sigmoid函數，計算為σ(x)＝1/(exp(x)+1)，n′(ei)是ei的負采樣集，n′(ei)中的實體ei是從噪聲分布p(ei)中隨機抽取的樣本。
33、作為進一步的技術方案，步驟4設計控制神經網絡conn包括：一方面通過利用嵌入vi和vj的相似性來評估股東ei通過持股路徑對公司ej的控制權，另一方面通過將vi轉移到不同嵌入空間中提取不同類型穩定聯盟信息，而后通過分析各個穩定聯盟的最終投票結果評估股東ei通過穩定獲勝聯盟對公司ej的控制權。
34、根據本專利技術說明書的一方面，提供一種基于股權知識圖譜學習的實際控制人挖掘裝置，包括：
35、第一計算模塊，用于根據股東和公司之間的持股關系構建股權知識圖譜，并通過實體對齊將股東之間的其他關系也納入該股權知識圖譜中；
36、第二計算模塊，用于在所述股權知識圖譜中，設計多維關聯聚合神經網絡ra用于自動提取股東之間的各種關系特征并發現穩定聯盟；
37、第三計算模塊，用于在所述多維關聯聚合神經網絡ra聚合股權結構信息的基礎上，設計元路徑聚合神經網絡pa捕獲股東的持股路徑，并依據最終捕獲的路徑中股東與公司同現的概率保留表決權信息；
38、第四計算模塊，用于基于多維關聯聚合神經網絡ra和元路徑聚合神經網絡pa生成的嵌入，設計控制神經網絡conn，通過提取實體嵌入中保存的股票權重和穩定聯盟的信息來模擬投票過程，預測股東和公司之間的控制關系。
39、根據本專利技術說本文檔來自技高網...
【技術保護點】
1.一種基于股權知識圖譜學習的實際控制人挖掘方法，其特征在于，包括：
2.根據權利要求1所述一種基于股權知識圖譜學習的實際控制人挖掘方法，其特征在于，步驟1包括：
3.根據權利要求1所述一種基于股權知識圖譜學習的實際控制人挖掘方法，其特征在于，所述多維關聯聚合神經網絡RA自動提取股東之間的各種關系特征并發現穩定聯盟，包括：聚合來自多跳鄰居的信息來編碼每個關系，通過自注意力生成實體嵌入來捕獲不同類型關系的相互影響，以捕獲關系間存在的傳遞性。
4.根據權利要求3所述一種基于股權知識圖譜學習的實際控制人挖掘方法，其特征在于，所述多維關聯聚合神經網絡RA自動提取股東之間的各種關系特征并發現穩定聯盟，進一步包括：
5.根據權利要求1所述一種基于股權知識圖譜學習的實際控制人挖掘方法，其特征在于，步驟3設計元路徑聚合神經網絡PA根據兩個預定義的元路徑模式進行遍歷，包括：
6.根據權利要求5所述一種基于股權知識圖譜學習的實際控制人挖掘方法，其特征在于，對于相同路徑中的每對實體(ei,ej)，嵌入的計算方式如下：
7.根據權利
8.一種基于股權知識圖譜學習的實際控制人挖掘裝置，其特征在于，包括：
9.一種基于股權知識圖譜學習的實際控制人挖掘系統，其特征在于，包括存儲器和處理器，所述存儲器存儲有被所述處理器執行的程序指令，所述處理器調用所述程序指令，以執行權利要求1至7任一項權利要求所述的一種基于股權知識圖譜學習的實際控制人挖掘方法的步驟。
10.一種非暫態計算機讀存儲介質，其特征在于，所述非暫態計算機讀存儲介質存儲計算機指令，所述計算機指令使所述計算機執行權利要求1至7中任一項權利要求所述的一種基于股權知識圖譜學習的實際控制人挖掘方法的步驟。
...【技術特征摘要】
1.一種基于股權知識圖譜學習的實際控制人挖掘方法，其特征在于，包括：
2.根據權利要求1所述一種基于股權知識圖譜學習的實際控制人挖掘方法，其特征在于，步驟1包括：
3.根據權利要求1所述一種基于股權知識圖譜學習的實際控制人挖掘方法，其特征在于，所述多維關聯聚合神經網絡ra自動提取股東之間的各種關系特征并發現穩定聯盟，包括：聚合來自多跳鄰居的信息來編碼每個關系，通過自注意力生成實體嵌入來捕獲不同類型關系的相互影響，以捕獲關系間存在的傳遞性。
4.根據權利要求3所述一種基于股權知識圖譜學習的實際控制人挖掘方法，其特征在于，所述多維關聯聚合神經網絡ra自動提取股東之間的各種關系特征并發現穩定聯盟，進一步包括：
5.根據權利要求1所述一種基于股權知識圖譜學習的實際控制人挖掘方法，其特征在于，步驟3設計元路徑聚合神經網絡pa根據兩個預定義的元路徑模式進行遍歷，包括：
6.根據權利要求5所述一種基于股權知識圖譜學習的實際控制人挖掘方法，其特征在于，對于相同路徑中的每對實體(ei,ej)...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。