轨道交通装备作为一种典型的复杂、高端定制产品,其研制周期长、制造过程高度离散,在其供应链中涉及大量的新增供应商,因此,如何有效评估供应商就成为一个关键问题。传统对于供应商的风险评估缺乏效率与实时性,供应链上的供应商不计其数,大多数对供应商的判断是基于人工的评审。除去定期开展会议的繁琐外,人工干预缺乏实时动态性,并且易掺杂不公平、不公正的主观因素。尤其是近年来全球发展高度不确定,政治、经济等突发事件频发,之前稳定的供应商可能会因为突发事件导致供应进度受阻,增加运营风险,因此结合知识图谱和人工智能手段提出一个新的评估方法十分有必要。本文提出一种基于知识的轨道交通供应商风险评估框架,对供应商进行全面风险评估,主要从构建轨道交通领域供应商风险知识图谱、基于深度学习的供应商相似度计算、静态更新过程和动态更新过程四个方面进行展开,主要工作如下:（1）构建供应商风险知识图谱。利用人工智能相关技术,对轨道交通行业供应链上的供应商风险进行多维度的业务领域画像,全面展示供应链中的供应商负面事件风险、经营风险、政治风险、诚信档案、重要交易、以往评价等信息;在此基础上,基于知识驱动构建供应商风险概念知识图谱,在概念图谱的基础上,采用Bi LSTM-Attention-CRF模型方法处理非结构化的文本数据,通过与LSTM、Bi LSTM、Bi LSTM-CRF模型结构进行对比,得出实验结果:在风险测试集中平均提高8%的性能。并基于数据驱动的方法构建轨道交通供应链中供应商风险知识图谱,通过Neo4j进行供应商关系链接的可视化,能够进一步提高风险处理速度和效率。随着知识图谱的不断完善,业务智能语义网的不断丰富,对风险的识别和预警有着重要作用。（2）提出一种基于深度学习技术的供应商风险评估模型SRKG-DPNET对新增等情况未进行评价的供应商（待评价供应商）进行风险评估。通过上述知识图谱进行首轮特征筛选,模型通过特征交叉计算已进行评价的供应商与待评价供应商之间的特征相似度,并通过规则定义范围判断供应商的风险类型。结合专家给出的评分作为评估模型的样本,定义模型测试样本,并对比过滤协同算法CF、PNN模型、DIN模型、未经SRKG进行数据筛选的DPNET模型进行实验分析,从AUC值和精确值（P值）上评价模型的准确性,从实验结果中可得,引入供应商风险知识图谱的融合评估模型SRKG-DPNET表现最佳,实现多种风险类别的供应商风险评估。（3）面对日益变化的政治环境,根据情况对已进行评估的供应商评分进行动态更新。本文通过定义风险类别关键字,对互联网上的舆情事件进行分析,通过评判再次计算供应商的表现情况并更新至知识图谱中。（4）设计并实现轨道交通供应商风险协同管理平台。将上述技术进行后台封装,可视化评估处理过程,为决策人员打造更为简便的风险评估环境。本文主要设计并实现一种基于知识驱动的供应商风险评估方案,通过实验证明:本文所提方法能够将供应商风险评估以一种智能化和可视化方式呈现,降低决策人员的时间成本,提高参与使用度,全面应用于轨道交通供应商风险评估中,进一步提升智能化监管水平。