基于LLM增强图结构的供应链金融信用风险评估OA

在全球经济高度一体化的背景下,企业供应链的复杂化对金融服务的需求日益增长。大数据驱动的供应链金融信用风险评估,能够实现快速与精准的风险定价,然而仍存在三个主要局限:(1)当前大多评估方法仅依赖结构化数据,忽略了非结构化数据中的潜在风险信号;(2)基于图神经网络的建模方法大多考虑实体级企业间的复杂关系与传导机制,忽略了属性特征的重要性;(3)图神经网络的多层聚合会导致过平滑问题,使得模型对不同企业之间的差异辨识不足。为解决这些问题,提出LLM增强图结构的供应链金融信用风险评估框架(LGAT)。融合上市公司年报中的管理层讨论与分析(MD&A)内容,实现数据模态的扩展与信息维度的增强;对大语言模型进行轻量级微调,在提取情绪特征的同时降低模型训练和推理所需的计算成本;从特征维度视角和企业邻居视角来进行细粒度的信息聚合,并引入门控残差连接的图注意力神经网络,控制原始输入特征和变换后特征之间的信息流,避免节点特征的过度平滑。构建供应链金融数据集进行对比分析,结果表明LGAT在风险评估任务中显著优于传统模型。