買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉山東達創網絡科技股份有限公司申請的專利企業違規風險預測模型的訓練方法及相關裝置獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119622525B 。

龍圖騰網通過國家知識產權局官網在2025-09-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510147438.0，技術領域涉及：G06F18/2415；該發明授權企業違規風險預測模型的訓練方法及相關裝置是由林舟;孫濤;宋顏寧;王昌成設計研發完成，并于2025-02-11向國家知識產權局提交的專利申請。

本企業違規風險預測模型的訓練方法及相關裝置在說明書摘要公布了：本發明提供一種企業違規風險預測模型的訓練方法及相關裝置，方法包括：獲取企業合同數據，并將企業合同數據輸入已預先訓練的企業合同數據擴充模型，得到擴充合同數據；組合企業合同數據與擴充合同數據，得到第一合同樣本集合；采用已預先訓練的特征提取模型對第一合同樣本集合進行特征提取，得到第一合同樣本集合中各合同樣本的合同特征；按照合同樣本的風險類型，對應標注合同特征，并且，組合完成標注的全部合同特征得到訓練特征集合；采用訓練特征集合對分類模型進行訓練，得到企業違規風險預測模型；本發明能夠訓練得到對企業合同風險進行高準確度判定的企業違規風險預測模型。

本發明授權企業違規風險預測模型的訓練方法及相關裝置在權利要求書中公布了：1.一種企業違規風險預測模型的訓練方法，其特征在于，包括： 獲取企業合同數據，并將所述企業合同數據輸入已預先訓練的企業合同數據擴充模型，得到擴充合同數據； 組合所述企業合同數據與所述擴充合同數據，得到第一合同樣本集合； 采用已預先訓練的特征提取模型對所述第一合同樣本集合進行特征提取，得到所述第一合同樣本集合中各合同樣本的合同特征；按照所述合同樣本的風險類型，對應標注所述合同特征，并且，組合完成標注的全部所述合同特征得到訓練特征集合； 采用訓練特征集合對分類模型進行訓練，得到企業違規風險預測模型； 其中：所述企業合同數據擴充模型根據基于雙重判別器生成的對抗網絡算法模型訓練得到；所述特征提取模型根據多維聲波蝙蝠優化的神經網絡模型訓練得到； 所述特征提取模型的訓練方法包括： 在多維聲波調制環節，根據距當前時刻的最近一次訓練迭代后的所述神經網絡的性能，對所述神經網絡中每個參數的聲波屬性進行修正處理； 所述修正處理的表達式如下： 式中，為所述神經網絡中的參數在第次迭代時的頻率；為所述神經網絡中的參數在第次迭代時的頻率；為所述神經網絡的損失函數關于權重參數的偏導數；為所述神經網絡的損失函數；為頻率調整率；為所述神經網絡中的參數在第次迭代時的頻率更新增量； 企業合同數據擴充模型的訓練流程包括： 1）初始化生成對抗網絡的生成器和判別器的網絡參數，設為生成器的初始參數，為判別器的初始參數，初始化的方式為隨機初始化，且，初始化的參數服從于均值為0、方差為單位矩陣的正態分布； 2）對輸入噪聲進行自適應調整，從第2次迭代開始判別器通過監控上一次迭代生成企業合同數據的質量動態修正噪聲向量，表示為： 依據該梯度實現對噪聲向量的更新，計算方式表示為： 式中，為判別器損失關于噪聲向量的梯度計算函數，為第次迭代時的噪聲向量，噪聲向量是生成對抗網絡中輸入給生成器的一組隨機數，用于引導生成器創造多樣化且與真實數據分布相似的合成數據；為判別器的參數，為第次迭代時的噪聲向量，為針對噪聲向量更新的學習率，為判別器函數，為生成器函數，為判別器對真實與生成企業合同數據做出真偽判別的損失函數，為偏導數符號，為二分類標簽，真實企業合同數據標簽為1，生成企業合同數據標簽為0，設置為0.3； 3）將生成企業合同數據與真實企業合同數據進行混合，計算方式表示為： 式中，為混合后的企業合同數據，為生成器生成的企業合同數據，為真實企業合同數據，為混合比例參數，設置為0.3； 4）對生成企業合同數據的拓撲特征進行分析和驗證，所述拓撲企業合同數據分析方法依據Wasserstein距離計算拓撲損失函數，計算將生成器生成企業合同數據的概率分布轉化為真實企業合同數據的概率分布所需的最小代價，也即找到生成器生成企業合同數據和真實企業合同數據分布之間的最優映射，計算方式表示為： 結合拓撲損失對生成器進行更新，更新方式表示為： 式中，為計算Wasserstein距離的函數，為概率密度函數ProbabilityDensityFunction，作用是表征生成的數據和真實數據的分布，具體通過對數據樣本進行核密度估計KernelDensityEstimation,KDE來估計分布的概率密度，為拓撲損失，為平衡生成企業合同數據常規質量與拓撲質量的超參數，為第次迭代時的生成器的參數，為第次迭代時的生成器的參數，表示關于生成器參數的梯度，為生成器更新的學習率，為生成器的真實性損失函數，設置為0.3，設置為0.01； 5）利用兩個判別器實施雙重判別過程，通過第一個判別器判斷企業合同數據真偽，第二個判別器判斷企業合同數據類別分布，采用KL散度度量真實類別分布與生成企業合同數據類別分布的差異，計算方式表示為： 依據類別分布的KL散度提升判別效果，計算方式表示為： 式中，為判別器關于企業合同數據真偽的損失函數，為判別器平衡系數，為判別器關于類別判別的損失函數，為類別總數，為正整數，為真實類別分布在第個類別上的概率，為判別器預測類別分布在第個類別上的概率，設置為0.3； 6）在生成器的損失函數中采用特征匹配約束，計算方式表示為： 式中，為生成器的真實性損失函數，為生成器的中間層用于提取企業合同數據中間特征的操作；為L2范數，用于衡量特征差異程度； 7）基于雙重判別器的反饋，動態優化生成器和判別器的訓練策略，依據對判別器真偽和類別損失的監控，實現對判別器參數的更新，計算方式表示為： 式中，為判別器參數，為迭代次數，為判別器更新的學習率，為損失函數對判別器參數的梯度，為第次迭代時的判別器的參數，為第次迭代時的判別器的參數，設置為0.3； 8）重復迭代上述步驟，直至滿足預設的停止迭代條件，即表示模型訓練完成，預設的停止迭代條件為達到預設的最大迭代次數，預設的最大迭代次數設置為1000次。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人山東達創網絡科技股份有限公司，其通訊地址為：250000 山東省濟南市中國(山東)自由貿易試驗區濟南片區天辰路聯合財富廣場1號樓1301-1室；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。