第51卷收稿日期：2022年8月24日，修回日期：2022年9月15日基金项目：2021年安徽省重点研究与开发计划（编号：202104a05020071）；2022年芜湖市科技计划重点研发项目（编号：2022yf17）资助。作者简介：陈钢，男，博士，研究方向：政务大数据、人工智能。∗1引言近年来，以互联网金融为代表的新型金融业态蓬勃发展，提高了资金配置效率。由于互联网具有不分地域、快速传播、涉众面广等特性，通过线上平台进行的非法集资活动影响面更广危害更大，表现为参与人数众多，涉及金额巨大，涉及地域广等方面。2020年全国共查处非法集资案件6800余起，涉案金额1100余亿元，不但涉及财富管理、私募基金、保险代理、房地产等传统领域，还涉及到养老服务、涉农互助、线上教育、区块链及虚拟货币等多种新形态［1］。对于非法集资企业的识别，主要基于从业人员根据工作经验从该企业的财务报表中判断出财务异常，从而判断该企业是否有非法集资的嫌疑。在对企业是否在进行非法集资的判断过程中，往往依赖历史经验对大量的财务报表进行数字逻辑分析以及统计分析，识别准确率和效率均较低。在互联网背景下，非法集资案件通常具有很强的隐蔽性和突发性，传统监管手段难以及时发现［2］。为解决上述难题，本文提出了一种基于混合神经网络的非法集资预测模型。首先，将文本信息序列（如业务范围、产品描述等）输入到预训练模型中，并将输出的特征向量作为输入到下一层网络的语义表示向量基于混合神经网络的非法集资风险预测模型∗陈钢（长三角信息智能创新研究院芜湖241000）摘要针对现有企业非法集资风险识别准确率低、效率低等问题，提出了一种基于混合神经网络的预测模型。该模型构建基于预训练语言模型和门限循环神经网络（GRU）的风险等级预测网络产生风险等级和风险候选特征向量，并结合双向门限循环神经网络（BiGRU）和注意力（Attention）机制构建风险特征知识嵌入网络，最后将融合特征向量输入到分类器来实现非法集资预测。实验结果表明：该模型相较于其他基线模型能够取得更好的风险预测效果。关键词非法集资；混合神经网络；预训练语言模型；风险特征知识中图分类号TP391.4DOI：10.3969/j.issn.1672-9722.2023.03.023IllegalFund-raisingRiskPredictionModelBasedonHybridNeuralNetworkCHENGang（YangtzeRiverDeltaInformationIntelligenceInnovationResearchInstitute，Wuhu241000）AbstractThispaperproposesanenterprisesillegalfund-raisingriskprediction...
