经过三十多年的发展,物流业已经成为国民经济的支柱产业和重要的现代服务业。网络化、自动化和无人化的技术发展使得物流行业在提高配送效率降低配送成本上取得了极大的进步。但是大部分物流人员的工作环境相比以往并未发生多大改变,各类隐患事故频发。由于物流企业涉及运输仓储的特性,一旦发生事故,影响范围广,各类损失大。事故源于隐患的累积,因此如何提高隐患排查的效率与准确率是一个亟待解决的问题。以往的隐患预测方法往往是针对一种隐患的发生概率或者整体的隐患数量做预测,并未有针对任一类型隐患发生概率进行预测。本文所研究的是物流类企业在长期状态下普遍隐患类型的发生概率预测问题。分为两部分,一是针对现有的物流类企业的隐患存在类间距不明确的问题,采用TextCNN将信息充足的隐患描述短文本嵌入语义空间之后再使用K-means算法进行聚类,保证新分类后的隐患类间距离明确,提高后续预测的准确性。二是将企业隐患预测问题转化为企业隐患发生可能性评分补全问题,使用基于图自编码器改进的网络结构分别对隐患和企业进行编码,融合了隐患关联信息和企业的隐患发生情况,最后使用双线性解码器完成评分的补全。使用2018年1月至2019年2月的北京市物流类企业隐患数据验证了本方法的可行性和准确率,相比原始的图卷积的链接预测算法(GCMC)误差降低了5.03%。