一种基于知识图谱的贸易合同验证方法及装置

摘要

本发明提供的基于知识图谱的贸易合同验证方法及装置，利用人工智能的知识图谱技术，对核心企业所在供应链的上下游供应商进行整合，构建产业知识图谱，以此作为判断贸易合同真实性的依据。基于本发明，能够有效甄别供应商合同造假的行为，降低人工审核成本，确保供应商资质的真实性，降低核心企业经营风险。

说明书

技术领域

本发明涉及人工智能技术领域，更具体地说，涉及一种基于知识图谱的贸易合同验证方法及装置。

背景技术

近年来，随着供应链金融的稳步发展，部分参与方利用了供应链金融市场的热度，伪造贸易合同和证据，通过提供虚假资质，骗取资金。

目前，供应链金融领域主要存在两方面风险，一是骗贷风险，虚假交易、虚构融资；二是行业及核心企业经营风险。供应链金融围绕核心企业进行，上下游企业业务关联性大，一旦出现行业整体风险或核心企业出现经营风险，会影响整个供应链上企业的经营状况，从而导致偿付问题。

发明内容

有鉴于此，为解决上述问题，本发明提供一种基于知识图谱的贸易合同验证方法及装置，技术方案如下：

一种基于知识图谱的贸易合同验证方法，所述方法包括：

获取核心企业、以及所述核心企业的供应商的信息；

通过知识抽取技术对所获取的信息进行实体抽取、关系抽取和属性抽取，得到相应的知识表示；

基于所述知识表示生成所述核心企业对应的产业知识图谱；

根据所述产业知识图谱评估所述供应商的经营资质以及合作关系，并利用评估结果识别所述供应商的贸易合同的真实性。

优选的，所述通过知识抽取技术对所获取的信息进行实体抽取、关系抽取和属性抽取，得到相应的知识表示，之前，所述方法还包括：

获取所述供应商在不同知识库的其他信息，利用所述其他信息对所述供应商的信息进行补充。

优选的，所述基于所述知识表示生成所述核心企业对应的产业知识图谱之前，所述方法还包括：

对所述知识表示进行实体对齐和共指消解。

优选的，所述通过知识抽取技术对所获取的信息进行实体抽取、关系抽取和属性抽取，得到相应的知识表示，之前，所述方法还包括：

通过评估从所述供应商的信息中提取合格信息。

优选的，所述方法还包括：根据所述产业知识图谱评估所述供应商的产品。

一种基于知识图谱的贸易合同验证装置，所述装置包括：

信息获取模块，用于获取核心企业、以及所述核心企业的供应商的信息；

知识抽取模块，用于通过知识抽取技术对所获取的信息进行实体抽取、关系抽取和属性抽取，得到相应的知识表示；

图谱生成模块，用于基于所述知识表示生成所述核心企业对应的产业知识图谱；

合同识别模块，用于根据所述产业知识图谱评估所述供应商的经营资质以及合作关系，并利用评估结果识别所述供应商的贸易合同的真实性。

优选的，所述信息获取模块，还用于：

获取所述供应商在不同知识库的其他信息，利用所述其他信息对所述供应商的信息进行补充。

优选的，所述知识抽取模块，还用于：

对所述知识表示进行实体对齐和共指消解。

优选的，所述知识抽取模块，还用于：

通过评估从所述供应商的信息中提取合格信息。

优选的，所述合同识别模块，还用于：

根据所述产业知识图谱评估所述供应商的产品。

相较于现有技术，本发明实现的有益效果为：

本发明实施例提供的基于知识图谱的贸易合同验证方法及装置，利用人工智能的知识图谱技术，对核心企业所在供应链的上下游供应商进行整合，构建产业知识图谱，以此作为判断贸易合同真实性的依据。基于本发明，能够有效甄别供应商合同造假的行为，降低人工审核成本，确保供应商资质的真实性，降低核心企业经营风险。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的基于知识图谱的贸易合同验证方法的方法流程图；

图2为本发明实施例提供的基于知识图谱的贸易合同验证方法的方法流程图；

图3为本发明实施例提供的基于知识图谱的贸易合同验证方法的方法流程图；

图4为本发明实施例提供的基于知识图谱的贸易合同验证方法的方法流程图；

图5为本发明实施例提供的贸易合同验证的数据流示意图；

图6为本发明实施例提供的基于知识图谱的贸易合同验证装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

为方便理解本发明，以下对本发明相关的概率进行说明：

人工智能(ArtificialIntelligence AI)：人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

知识图谱：本质上，知识图谱旨在描述真实世界中存在的各种实体或概念及其关系,其构成一张巨大的语义网络图，节点表示实体或概念，边则由属性或关系构成。

自然语言处理(Natural Language ProcessingNLP)：人工智能的子领域，其中ML算法被大量用于理解自然语言，例如通过弄清楚句子的主语，或者将句子从一种语言翻译成另一种语言。

供应链金融：以应收账款融资、库存融资以及预付款项融资三种模式为主，供应链企业通过直接提供金融类服务(作为保理商、贷款平台的类金融机构)或者以经营贸易业务的间接方式(垫付+赊销)为供应链上中小企业提供融资服务。

贸易合同：贸易合同又称契约或合约，是进口出口双方当事人依照法律通过协商就各自的在贸易上的权利和义务所达成的具有法律约束力的协议。

本发明实施例提供一种基于知识图谱的贸易合同验证方法，该方法的方法流程图如图1所示，包括如下步骤：

S10，获取核心企业、以及核心企业的供应商的信息。

本发明实施例中，核心企业是指一整条供应链中掌握核心技术、具有核心能力的部门，其属于其中的关键环节，它可以是供应链中的最初环节，也可是中间环节，还可是最终环节。例如，核心企业可以是电网公司。

按照供应商在供应链中的位置，可以将供应商可以包括该核心企业的上游供应商和下游供应商。具体的：

上游供应商：原指处在整个产业链的开始端，包括重要资源和原材料的采掘、供应业以及零部件制造和生产的行业，这一行业决定着其它行业的发展速度，具有基础性、原料性、联系性强的特点。在现代的产业链理论中，上游产业则是一个相对的概念。

下游供应商：指处在整个产业链的末端，加工原材料和零部件，制造成品和从事生产，服务的行业。

而按照供应商的供给关系，可以将供应商分为一级供应商、二级供应商等。具体的：

一级供应商：主要是指给核心企业提供直接产品的供应商，例如给底纹网公司提供配电箱、变电站等设备的供应商。

二级供应商：主要是指给一级供应商提供建设产品所需材料的供应商，例如给上述提供变电站的一级供应商，提供变压器等组装件。

在本发明实施例中，收集并汇总的核心企业和供应商的信息，可以包括企业注册信息、经营资质、经营范围等原始数据，该企业注册信息包括经营资质、注册时间、经营规模、合作供应商等等。

S20，通过知识抽取技术对所获取的信息进行实体抽取、关系抽取和属性抽取，得到相应的知识表示。

本发明实施例中，通过知识图谱技术中的知识抽取，可以获得相关的知识表示。具体的：

实体抽取就是将数据中的供应商找出来，比如找出一级供应商、二级供应商，例如一级供应商A、二级供应商B等等；

关系抽取则是利用现有数据，找出其中供应商之间的合作关系，比如二级供应商B给一级供应商A提供原材料，他们之间存在合作关系；

属性抽取主要指获得供应商的注册信息，例如：注册时间、经营范围、经营资质、规模等等。

综上，通过知识抽取所获得的知识表示主要指的是找出现有数据中的所有供应商，明确他们的企业信息，并找出其间的合作关系。

在其他一些实施例中，为完善知识表示，本发明实施例在执行步骤S20之前，还包括如下步骤，方法流程图如图2所示：

S50，获取供应商在不同知识库的其他信息，利用其他信息对供应商的信息进行补充。

本发明实施例中，不同的知识库，收集知识的侧重点不同，即使对于同一个实体，有知识库的可能侧重于其本身某个方面的描述，有的知识库可能侧重于描述实体与其它实体的关系，因此需要进一步完善实体、关系及属性描述。

不同类型的产品，对生产工艺和组装件的要求不同，例如：一级供应商A提供的某产品，其中的组装件质量只要达标即可，关键在于一级供应商的生产工艺，因此在对供应商A，进行资料收集时，侧重点在于A供货给谁，对A的评价怎么样；一级供应商B提供某电子产品，B只是作为集成商的角色，对现有组装件进行集成，那么对于B来说，需要关注的则是其组装件的质量是否过硬，因此对B进行资料收集时，就要侧重于收集给B提供组装件的供应商，并判断这些供应商提供的组装件质量。

在此基础上，为形成标准的知识表示，本发明实施例还可以进一步对对知识表示进行实体对齐和共指消解。具体的，可以通过相似度计算，聚合，聚类等技术对所获得的知识表示进行实体对齐和共指消解，将不同知识库中的知识进行互补融合，形成全面、准确、完整的实体描述，形成标准知识表示，从而构建了全面、准确、完整的供应商关系图谱，作为后续了解、识别、判断供应商合作的有效依据。

例如，在知识库1中，得到了供应商A的下游供应商信息，能够通过与之合作的供应商，判断A生产的最终产品质量；在知识库2中，由于侧重点不同，只包括A的上游供应商和少数不全的下游供应商信息。因此，可以利用两个知识库各自的知识表示，找出A的相关信息，并将其互补融合，形成全面的A的实体描述，即：A的上游、下游供应商基本信息、合作关系、质量数据判断等等。

再者，本发明实施例可以参照行业的相关数据标准，整合标准中对数据的要求，慢慢形成一个基础的数据模型，再根据实际收集的数据情况，来完善数据模型。确定知识图谱的数据模型后，根据数据模型约定的框架，再补充数据，用于完善标准知识表示。

在其他一些实施例中，对于不同的产业知识图谱，对数据要求的也有所差别，因此本发明实施例在执行步骤S20之前，还包括如下步骤，方法流程图如图3所示：

S60，通过评估从供应商的信息中提取合格信息。

本发明实施例中，不同知识图谱在构建之前，数据格式不一样，如交易金额，有以万元为单位的，也有以元为单位的，直接带来的问题就是小数点位置不同，数据精度不同，因此在存储数据和生成知识图谱的过程中，数据格式也存在差异。对此，本发明确定最终存储数据时采用的单位以及数据存储标准，将数据格式统一后，形成最终的知识图谱。

S30，基于知识表示生成核心企业对应的产业知识图谱。

S40，根据产业知识图谱评估供应商的经营资质以及合作关系，并利用评估结果识别供应商的贸易合同的真实性。

本发明实施例中，对于供应商间的贸易合同，采用NLP方法，提取其中的合同关键信息，如交易信息，作为后续判断合同的依据。以下对NLP进行说明：

NLP是一种自然语言处理方法。在非结构数据中，文本的数量是最多的，虽然没有图片和视频占用的空间大，但是信息量是最大的。为了能够分析和利用这些文本信息，就需要利用NLP技术，让机器理解这些文本信息，并加以利用。因此，反过来，可以利用NLP技术去提取我们所需要的信息。

进一步，根据产业知识图谱对供应商的经营资质和作关系进行评估，利用评估结果与合同关键信息进行对比，判断贸易合同的真实性。这就能够有效甄别供应商合同造假的行为，降低人工审核成本，确保供应商资质的真实性，降低核心企业经营风险

在其他一些实施例中，为增强风险控制，本发明实施例还包括如下步骤，方法流程图如图4所示：

S70，根据产业知识图谱评估供应商的产品。

本发明实施例，可以以产业知识图谱为依据，查询供应商的经营资质，判断上游供应商是否有能力提供交易产品，或一级供应商采购该产品的必要性。具体的：

供应商提供的资质证明材料中，可能会存在虚假合同的情况，尤其是二级供应商与三级供应商之间的合同。例如，某二级供应商，与某三级供应商签订了订购水泥的合同。此时，可以利用已经构建好的知识图谱，分析该三级供应商以前提供的原材料类型，判断：

1、三级供应商能不能提供水泥，经营范围，资质是否符合要求；

2、二级供应商本身可能是做变压器的，但是却采购了水泥，存在虚假合同的可能。

由此，通过产业知识图谱，能够找出供应商间存在的合作关系，便于了解供应链上下游的合作情况。核心企业能够根据产业知识图谱，找出一级供应商及上游供应商的合作关系以及供应商的经营资质，通过上游供应商自身的资质等相关信息，可对一级供应商生产的产品进行原材料评估，实现最终交付产品的有效管控，进一步提升产品质量。

参见图5所示的贸易合同验证的数据流示意图。本发明重点对构建产业知识图谱与贸易合同处理方法进行研究。本发明有三大优势：

一是通过整合多渠道供应商经营资质、经营范围等相关数据，利用知识图谱技术建立了完善、准确的产业知识图谱。通过使用相似度计算，聚合，聚类等技术，将不同知识库中的供应商数据进行互补融合，构建了全面、准确、完整的供应商关系图谱，作为后续了解、识别、判断供应商合作的有效依据。

二是通过产业知识图谱，能够找出供应商间存在的合作关系，便于了解供应链上下游的合作情况。核心企业能够根据产业知识图谱，找出一级供应商及上游供应商的合作关系以及供应商的经营资质，通过上游供应商自身的经营资质等相关信息，可对一级供应商生产的产品进行原材料评估，实现最终交付产品的有效管控，进一步提升产品质量。

三是通过对供应商间贸易合同的真实性判断，可有效甄别出虚假合同，作为评价供应商信用的有效依据。对供应商间的贸易合同进行NLP处理，提取关键交易信息，然后根据产业知识图谱对供应商的经营资质及合作关系进行评估，判断贸易合同的真实性，能够有效甄别供应商合同造假的行为，降低人工审核成本，确保供应商资质的真实性，降低核心企业经营风险。

基于上述实施例提供的基于知识图谱的贸易合同验证方法，本发明实施例则对应提供执行上述基于知识图谱的贸易合同验证方法的装置，该装置的结构示意图如图6所示，包括：

信息获取模块10，用于获取核心企业、以及核心企业的供应商的信息；

知识抽取模块20，用于通过知识抽取技术对所获取的信息进行实体抽取、关系抽取和属性抽取，得到相应的知识表示；

图谱生成模块30，用于基于知识表示生成核心企业对应的产业知识图谱；

合同识别模块40，用于根据产业知识图谱评估供应商的经营资质以及合作关系，并利用评估结果识别供应商的贸易合同的真实性。

可选的，信息获取模块10，还用于：

获取供应商在不同知识库的其他信息，利用其他信息对供应商的信息进行补充。

可选的，知识抽取模块20，还用于：

对知识表示进行实体对齐和共指消解。

可选的，知识抽取模块20，还用于：

通过评估从供应商的信息中提取合格信息。

可选的，合同识别模块40，还用于：

根据产业知识图谱评估供应商的产品。

本发明实施例提供的基于知识图谱的贸易合同验证装置，利用人工智能的知识图谱技术，对核心企业所在供应链的上下游供应商进行整合，构建产业知识图谱，以此作为判断贸易合同真实性的依据。基于本发明，能够有效甄别供应商合同造假的行为，降低人工审核成本，确保供应商资质的真实性，降低核心企业经营风险。

以上对本发明所提供的一种基于知识图谱的贸易合同验证方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素，或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。