CN109102393A - 训练和使用关系网络嵌入模型的方法及装置 - Google Patents
训练和使用关系网络嵌入模型的方法及装置 Download PDFInfo
- Publication number
- CN109102393A CN109102393A CN201810931003.5A CN201810931003A CN109102393A CN 109102393 A CN109102393 A CN 109102393A CN 201810931003 A CN201810931003 A CN 201810931003A CN 109102393 A CN109102393 A CN 109102393A
- Authority
- CN
- China
- Prior art keywords
- node
- vector
- iteration
- embedded
- connection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种训练关系网络的嵌入模型的方法，包括，从关系网络获取标定节点，各标定节点具有对应的标签值以示出对应用户的信用等级。然后，确定标定节点的节点特征，邻居节点集，以及与各个邻居节点之间的各个连接边的边特征。基于节点特征、边特征和第一参数集，确定各个标定节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量；然后执行多级向量迭代，以确定各个标定节点的多级迭代的节点嵌入向量。进一步地，基于标定节点的多级迭代的节点嵌入向量，和预测参数集，确定该节点的预测值；最后调整各个参数值，使得损失函数达到最小，其中损失函数基于各个标定节点的预测值和标签值而确定。
Description
技术领域
本说明书一个或多个实施例涉及关系网络和图嵌入领域，尤其涉及训练关系网络的嵌入模型，以及使用该模型分析关系网络的方法和装置。
背景技术
信用风险是金融企业面对的基本风险之一，如何有效的控制信用风险是金融风险管理者最为关心的问题。随着经济全球化和金融自由化进程的加快，以及互联网金融的快速发展，金融市场面临的风险日益复杂。风险控制作为一个金融企业发展的根本，风险评估模型自然是企业研究的重中之重，好的评估模型能够降低公司的坏账数量提高公司盈利，同时也能吸引更多用户。
在信用评估模型中，描述用户自身的数据越全面，对用户信用风险评估就越准确。但实际上，所有商业机构获取的用户数据都是不完整的，例如，电子钱包平台往往无法获得用户在银行存款、借贷的数据。因此，对于数据不丰富的个体用户而言，他可能因为信用评估的得分过低而享受不到应有的服务，也可能因为得分过高享受更多的借贷权利，从而对企业产生一定的风险。
传统的风控模型并不能够完全利用数据的价值，传统模型以特征挖掘为主，根据不同业务挖掘与风险相关性高的特征，利用决策树、逻辑回归和instance-based深度学习等模型进行风险评估。由于这些模型只使用每一个样本自身的特征，无法对其他特征进行整合，因此，不能全面地利用数据价值进行全面的信用评估。
因此，希望能有改进的方案，能够基于更丰富的数据对用户信用进行更全面、更有效的分析。
发明内容
本说明书一个或多个实施例描述了训练关系网络的嵌入模型，以及使用该嵌入模型进行节点嵌入和节点分析的方法。通过上述嵌入模型，可以对综合型的关系网络进行深度全面地学习，从而为关系网络中用户的信用评估提供基础。
根据第一方面，提供了一种训练关系网络的嵌入模型的方法，所述关系网络包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种，所述方法包括：
从所述关系网络获取多个标定节点，各标定节点具有对应的标签值，所述标签值示出与标定节点对应的用户的信用等级；
确定各个标定节点的节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征；
基于所述节点特征、所述边特征和第一参数集，确定各个标定节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量；
执行多级向量迭代，以确定各个标定节点的多级迭代的节点嵌入向量，其中所述多级向量迭代的每级向量迭代包括，对于各个标定节点，至少基于其各个邻居节点的上一级迭代的节点嵌入向量，各个连接边的上一级迭代的边嵌入向量，以及第二参数集，确定该节点的本级迭代的节点嵌入向量；
对于各个标定节点，基于该节点的多级迭代的节点嵌入向量，和预测参数集，确定该节点的预测值；
调整所述第一参数集、第二参数集和预测参数集中的参数值，使得预定义的损失函数达到最小，其中所述损失函数基于各个标定节点的预测值和标签值而确定。
在一个实施例中，通过以下方式确定各个标定节点的节点特征：
根据各标定节点对应的标签值，将所述多个标定节点划分为第一类节点和第二类节点，其中第一类节点的标签值对应于最低信用等级，第二类节点为其他节点；
对于第一类节点，采用one-hot独热编码确定其节点特征；
对于第二类节点，基于缺省值确定其节点特征。
根据一种可能的设计，各个连接边的边特征包括，该连接边所连接的两个节点所对应的两个用户之间，人际关系特征、媒介关系特征和资金关系特征中的一种或多种。
进一步地，所述人际关系特征可以包括以下中的一项或多项：共同关注人数，来往联系天数，共同群组数目，共同活动参与次数；
所述媒介关系特征包括同一媒介的共同使用天数或次数，所述同一媒介包括以下中的一项或多项：同银行卡、同身份证、同邮箱、同账户号、同手机号、同物理地址、同终端设备号；
所述资金关系特征包括资金交易的次数或金额，所述资金交易包括以下中的一项或多项：代充、代付、条码收款、条码付款、AA收款、C2C手机当面付、送礼金、交房租、红包、信用卡代还款、代购、亲密付、代订服务。
根据一种实施方式，方法还包括：初始化所述第一参数集、第二参数集和预测参数集。
在一个实施例中，第一参数集包括第一权重参数和第二权重参数，相应地，可以基于所述第一权重参数，以及各个标定节点的节点特征，确定各个标定节点的初级迭代的节点嵌入向量；基于所述第二权重参数，以及各个连接边的边特征，确定各个连接边的初级迭代的边嵌入向量。
在一种可能的设计中，通过以下方式确定该节点的本级迭代的节点嵌入向量：
利用第二参数集中的参数作为权重，对第一项、第二项和第三项进行加权求和，基于求和结果确定该节点的本级迭代的节点嵌入向量，
其中所述第一项包括该节点的初级迭代的节点嵌入向量；
第二项为所述各个邻居节点的上一级迭代的节点嵌入向量的加权求和；
第三项为所述各个连接边的上一级迭代的边嵌入向量的加权求和。
在一个实施例中，每级向量迭代还包括，对于各个连接边，至少基于该连接边所连接的两个节点各自的上一级迭代的节点嵌入向量，以及第三参数集，确定该连接边的本级迭代的边嵌入向量。
进一步地，可以通过以下方式确定该连接边的本级迭代的边嵌入向量：
利用第三参数集中的参数作为权重，对该连接边的初级迭代的边嵌入向量、该连接边所连接的两个节点各自的上一级迭代的节点嵌入向量三者进行加权求和，基于求和结果确定该连接边的本级迭代的边嵌入向量。
根据第二方面，提供一种利用嵌入模型对关系网络进行节点嵌入的方法，所述嵌入模型通过第一方面的方法训练获得，从而包括具有确定值的第一参数集和第二参数集；所述关系网络包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种，所述方法包括：
对于所述关系网络中任意选取的第一节点，确定其节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征；
基于所述节点特征、所述边特征和所述第一参数集，确定所述第一节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量；
执行多级向量迭代，以确定所述第一节点的多级迭代的节点嵌入向量，其中所述多级向量迭代的每级向量迭代包括，至少基于第一节点的各个邻居节点的上一级迭代的节点嵌入向量，各个连接边的上一级迭代的边嵌入向量，以及所述第二参数集，确定第一节点的本级迭代的节点嵌入向量；
将所述第一节点的多级迭代的节点嵌入向量确定为嵌入特征，用于其他模型分析。
根据第三方面，提供一种利用嵌入模型对关系网络进行节点分析的方法，所述嵌入模型通过第一方面的方法训练获得，从而包括具有确定值的第一参数集、第二参数集和预测参数集；所述关系网络包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种，所述方法包括：
对于所述关系网络中任意选取的第二节点，确定其节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征；
基于所述节点特征、所述边特征和所述第一参数集，确定所述第二节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量；
执行多级向量迭代，以确定所述第二节点的多级迭代的节点嵌入向量，其中所述多级向量迭代的每级向量迭代包括，至少基于第二节点的各个邻居节点的上一级迭代的节点嵌入向量，各个连接边的上一级迭代的边嵌入向量，以及第二参数集，确定第二节点的本级迭代的节点嵌入向量；
基于所述第二节点的多级迭代的节点嵌入向量，和所述预测参数集，确定所述第二节点的预测值；
基于所述预测值，确定所述第二节点对应的用户的信用状况。
在一种可能的设计中，在所述预测值低于第一阈值的情况下，将所述第二节点对应的用户确定为高风险用户；在所述预测值高于第二阈值的情况下，将所述第二节点对应的用户作为高信用用户。
根据第四方面，提供一种训练关系网络的嵌入模型的装置，所述关系网络包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种，所述装置包括：
节点获取单元，配置为从所述关系网络获取多个标定节点，各标定节点具有对应的标签值，所述标签值示出与标定节点对应的用户的信用等级；
特征确定单元，配置为确定各个标定节点的节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征；
向量确定单元，配置为基于所述节点特征、所述边特征和第一参数集，确定各个标定节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量；
向量迭代单元，配置为执行多级向量迭代，以确定各个标定节点的多级迭代的节点嵌入向量，其中所述多级向量迭代的每级向量迭代包括，对于各个标定节点，至少基于其各个邻居节点的上一级迭代的节点嵌入向量，各个连接边的上一级迭代的边嵌入向量，以及第二参数集，确定该节点的本级迭代的节点嵌入向量；
预测单元，配置为对于各个标定节点，基于该节点的多级迭代的节点嵌入向量，和预测参数集，确定该节点的预测值；
参数优化单元，配置为调整所述第一参数集、第二参数集和预测参数集中的参数值，使得预定义的损失函数达到最小，其中所述损失函数基于各个标定节点的预测值和标签值而确定。
根据第五方面，提供一种利用嵌入模型对关系网络进行节点嵌入的装置，所述嵌入模型通过第四方面的装置训练获得，从而包括具有确定值的第一参数集和第二参数集；所述关系网络包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种，所述装置包括：
特征确定模块，配置为对于所述关系网络中任意选取的第一节点，确定其节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征；
初始向量确定模块，配置为基于所述节点特征、所述边特征和所述第一参数集，确定所述第一节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量；
向量迭代模块，配置为执行多级向量迭代，以确定所述第一节点的多级迭代的节点嵌入向量，其中所述多级向量迭代的每级向量迭代包括，至少基于第一节点的各个邻居节点的上一级迭代的节点嵌入向量，各个连接边的上一级迭代的边嵌入向量，以及所述第二参数集，确定第一节点的本级迭代的节点嵌入向量；
嵌入特征确定模块，配置为将所述第一节点的多级迭代的节点嵌入向量确定为嵌入特征，用于其他模型分析。
根据第六方面，提供一种利用嵌入模型对关系网络进行节点分析的装置，所述嵌入模型通过第四方面的装置训练获得，从而包括具有确定值的第一参数集、第二参数集和预测参数集；所述关系网络包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种，所述装置包括：
特征确定模块，配置为对于所述关系网络中任意选取的第二节点，确定其节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征；
初始向量确定模块，配置为基于所述节点特征、所述边特征和所述第一参数集，确定所述第二节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量；
向量迭代模块，配置为执行多级向量迭代，以确定所述第二节点的多级迭代的节点嵌入向量，其中所述多级向量迭代的每级向量迭代包括，至少基于第二节点的各个邻居节点的上一级迭代的节点嵌入向量，各个连接边的上一级迭代的边嵌入向量，以及第二参数集，确定第二节点的本级迭代的节点嵌入向量；
预测模块，配置为基于所述第二节点的多级迭代的节点嵌入向量，和所述预测参数集，确定所述第二节点的预测值；
信用确定模块，配置为基于所述预测值，确定所述第二节点对应的用户的信用状况。
根据第七方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面、第二方面和第三方面的方法。
根据第八方面，提供了一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面、第二方面和第三方面的方法。
通过本说明书实施例提供的方法和装置，提出一种嵌入模型，该模型可以对综合的关系网络进行深度学习，通过多级迭代，基于多级的节点特征以及相关联的边特征确定出节点的嵌入特征，还可以进一步给出表征信用状况的预测值。从而可以用于对关系网络进行深入的分析，对其中的用户节点进行全面的信用评估。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其它的附图。
图1为根据一个实施例的关系网络示意图；
图2示出根据一个实施例的实施场景示意图；
图3示出根据一个实施例的训练关系网络的嵌入模型的方法；
图4示出了向量迭代运算所反映的交易关系传递和推理；
图5示出根据一个实施例的利用嵌入模型对关系网络进行节点嵌入的方法；
图6示出一种利用嵌入模型对关系网络进行节点分析的方法；
图7示出根据一个实施例的训练嵌入模型的装置的示意性框图；
图8示出根据一个实施例的利用嵌入模型进行节点嵌入的嵌入装置；
图9示出根据一个实施例的利用嵌入模型进行节点分析的分析装置。
具体实施方式
下面结合附图，对本说明书提供的方案进行描述。
如前所述，在信用评估中，常常面临由于用户数据不够完整、不够丰富，而难以对其进行全面评估的问题。对于这样的“薄数据”的用户，为了更好地进行信用评估，根据本说明书的实施例，借助用户的关系网络来增加其数据丰富度。一般情况下可以认为，用户的人脉圈子能一定程度的反应他的部分特征(如收入、消费能力、学历等)，因此可以将“好友”的数据作为用户信用打分的维度之一参与评估模型。
基于以上考虑，根据本说明书一个或多个实施例，构建全面的关系网络，用于进行用户信用评估。图1为根据一个实施例的关系网络示意图。在该关系网络中，网络节点对应于用户，用户可以通过用户ID标识。在该关系网络中，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种。
具体而言，可以将用户之间可能存在的关联关系划分为人际关系、媒介关系、资金关系三种类型。在基于人际关系形成的人际网络中，若两个用户有共同关注对象(例如微博账号共同关注了同一人)，或他们之前有来往联系，或加入了共同群组(例如QQ群，微信群等)，或在红包、彩票等活动中有互动，那么可以认为这两个节点之间存在人际关系，可以建立一条边进行连接。
在基于媒介关系形成的媒介网络中，若两个用户使用过同样的媒介，例如加密后的银行卡、身份证、邮箱、户号、手机号、物理地址(例如MAC地址)、终端设备号(例如UMID、TID、UTDID)等，则这两个用户之间存在媒介关系的关联，可以建立一条边进行连接。
在基于资金关系形成的资金关系网络中，如果两个用户之间至少存在资金交易中的一种，那么两节点之间存在一条边。资金交易可以包括，代充、代付、条码收款、条码付款、AA收款、C2C手机当面付、送礼金、交房租、红包、信用卡代还款、代购、亲密付、代订服务等等。
因此，图1的关系网络是融合了上述人际关系网络、媒介关系网络和资金关系网络的综合关系网络，在该关系网络中，用户之间的关联关系可以包括人际关系、媒介关系和资金关系中的至少一种。在图1中，为了示例，将不同类型的关联关系通过不同类型的连线(粗实线，细实线，虚线)示出。
对于这样的关系网络，常规的学习模型由于只使用每一个样本自身的特征，而无法对网络关系中的丰富特征进行整合，因此难以进行全面分析和评估。对此，根据本说明书的实施例，提出一种嵌入模型，该模型用于对上述的关系网络进行深度学习，通过多级迭代，基于多级的节点特征以及相关联的边特征确定出节点的嵌入特征，还可以进一步给出表征信用状况的预测值。
图2示出根据一个实施例的实施场景示意图。如图2所示，为了获取上述嵌入模型，首先，计算平台基于关系网络中已经标定的部分节点对该嵌入模型进行训练，确定模型所需的参数集。在模型训练好之后，就可以利用该嵌入模型，对于关系网络中的任意节点，给出其嵌入特征，用作进一步分析。该嵌入模型还可以直接提供节点的预测值，该预测值可以直接反映出用户的信用状况。下面描述以上嵌入模型的训练过程，和使用过程。
图3示出根据一个实施例的训练关系网络的嵌入模型的方法。如前所述，关系网络可以是如图1所示的网络，其中包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种。所述方法的执行主体可以是任何具有计算、处理能力的装置、设备、平台、设备集群等，例如图2所示的计算平台。
如图3所示，为了训练深度学习的嵌入模型，首先在步骤31，从关系网络获取多个标定节点，各标定节点具有对应的标签值，所述标签值示出与标定节点对应的用户的信用等级。
在关系网络中包含大量的用户节点，以支付宝用户为例，节点数目可达几亿个。在众多的用户节点中，会有一部分用户的信用状况是已知的，例如对于已经发生严重逾期的用户，可以确定其信用状况为低信用。这样，可以为其添加低信用等级的标签。
在一个实施例中，为用户节点添加的标签值Y可以包括，例如，Y＝1对应于正常信用用户，Y＝0对应于严重逾期的用户。
在另一实施例中，还可以对信用状况进行更精细的划分，不同标签值示出不同的信用等级。例如，标签值可以设定为1到5，标签值越高，信用记录越好。
如此，可以从关系网络中选择一部分信用状况已知的用户，将这些用户对应的节点作为标定节点，用标签值示出其信用状况。
更具体地，在一个示例中，可以选择预定数量的逾期用户，将其标签值设定为低信用等级，例如Y＝0，形成第一部分标定节点。此外，还选择与这些逾期用户相关联的邻居用户，在这些邻居用户中，对于没有严重逾期行为的用户，将其标签值设为正常等级，对于也存在严重逾期行为的用户，将其标签值设为低信用等级。如此，形成第二部分标定节点，并且，第一部分标定节点与第二部分标定节点之间存在关联关系，形成一个子网络。该子网络中的节点均为标定节点。
通过以上方式，获取了多个标定节点，各个标定节点具有显示出用户信用等级的标签值。于是，可以基于这些标定节点进行模型训练。
为了进行模型训练，在步骤32，确定各个标定节点的节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征。
首先，确定各个标定节点i的节点特征xi。
在一个实施例中，基于节点对应用户的基本属性，确定其节点特征xi。用户的基本属性例如包括，用户ID，注册时长，性别，年龄等等。
在另一实施例中，对于所有标定节点采用one-hot独热编码，确定其节点特征。在这样的情况下，节点特征实际上对应于节点编号。
在又一实施例中，根据各标定节点对应的标签值，将标定节点划分为第一类节点和第二类节点，其中第一类节点的标签值对应于最低信用等级，例如第一类节点为标签值Y＝0的节点，第二类节点为其他节点。对于第一类节点，采用one-hot独热编码确定其节点特征；对于第二类节点，基于缺省值确定其节点特征。也就是说，已经标注为低信用的用户(例如逾期用户)含有较大的信息量，是需要格外关注的用户，因此对其对应节点采用one-hot编码；而其他用户信息量较少，在编码时可以不加区分。
例如，在一个具体例子中，选择了500个标定的用户节点，其中100个节点是标注为低信用等级的用户。那么在一个例子中，可以对这100个低信用等级的用户节点采用one-hot编码，用100维向量作为节点特征向量，第i个低信用节点对应的特征向量中，第i个元素为1，其他元素为0。而对于剩余的400个正常用户节点，可以将其节点特征设置为缺省值，例如全部元素为0，进而对这400个节点不进行区分。或者，在另一例子中，采用101维向量作为标定节点的特征向量，其中前100维对应于100个低信用等级的用户节点的one-hot编码，最后1维的元素为1时，表示正常用户节点。
当然，也可以采用其他方式确定节点的节点特征。
对于各个标定节点i，除了确定其本身的节点特征，还确定其邻居节点所构成的邻居节点集Ni，其中邻居节点是与该节点i存在连接边进行连接的节点。本领域技术人员了解，存在多种方式来记录关系网络的拓扑结构，例如采用邻接矩阵，或者邻接表来记录关系网络中节点的连接关系。在这样的情况下，通过读取邻接矩阵或邻接表，可以容易地获取各个节点i的邻居节点，进而确定邻居节点集Ni。
在此基础上，还需要确定标定节点i与邻居节点集中各个邻居节点j之间的各个连接边Eij的边特征zij。
如前所述，在本说明书实施例构建的综合的关系网络中，存在关联关系的用户之间通过连接边进行连接，而用户间的关联关系包括人际关系、媒介关系和资金关系中的至少一种。相应地，连接节点i和节点j的连接边Eij的边特征zij包括，该连接边所连接的两个节点i和j所对应的两个用户之间，人际关系特征、媒介关系特征和资金关系特征中的一种或多种。
更具体而言，人际关系特征可以包括以下中的一项或多项：共同关注人数，来往联系天数，共同群组数目，共同活动参与次数，等等。
媒介关系特征可以包括，同一媒介的共同使用天数或次数，所述同一媒介包括以下中的一项或多项：同银行卡、同身份证、同邮箱、同账户号、同手机号、同物理地址(例如MAC地址)、同终端设备号(例如UMID，TID，UTDID)等。
资金关系特征可以包括资金交易的次数或金额，所述资金交易包括以下中的一项或多项：代充(例如代充话费)、代付、条码收款、条码付款、AA收款、C2C手机当面付、送礼金、交房租、红包(例如面对面红包，定向现金红包)、信用卡代还款、代购、亲密付、代订服务(例如代订机票，代订酒店)，等等。
以上，对于各个标定节点i，可以确定出其节点特征xi，邻居节点集Ni，以及与邻居节点集Ni中各个邻居节点之间的各个连接边的边特征zij。
下面基于以上的节点特征、边特征和嵌入模型参数，来进行节点的嵌入计算。嵌入模型参数是节点嵌入向量计算过程中需要用到的参数，也是模型训练需要优化确定的参数。因此，在计算开始之前，可以首先对这些参数进行初始化。根据后续对参数的使用，可以认为嵌入模型参数至少包括第一参数集、第二参数集和预测参数集，分别用于初始嵌入向量的运算、迭代嵌入向量的运算和预测值的运算。
在一个实施例中，为嵌入模型参数随机确定初始值，也就是，随机生成一些数值，作为各参数的初始值。
在另一实施例中，利用高斯分布为各个参数确定初始值，使得各参数的初始值满足高斯分布。
还可以采用其他方式对嵌入模型参数进行初始化。
接下来，就可以对各个标定节点进行节点嵌入计算。
首先，在步骤33，基于各个标定节点的节点特征、各个连接边的边特征和第一参数集，确定各个标定节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量。
具体地，在一个实施例中，第一参数集包括第一权重参数和第二权重参数，在步骤33中，基于第一权重参数，以及各个标定节点的节点特征，确定各个标定节点的初级迭代的节点嵌入向量；并且，基于第二权重参数，以及各个连接边的边特征，确定各个连接边的初级迭代的边嵌入向量。
例如，在一个具体例子中，对于标定节点i，可以如下计算初始嵌入向量ui:
ui＝σ(w1xi) (1)
其中，w1为第一权重参数，xi为节点i的节点特征，σ为非线性变换函数。
上述非线性变换函数可以使用Relu函数，Sigmoid函数，Tanh函数等等。
在一个例子中，将节点i的初始嵌入向量ui作为其初级迭代的节点嵌入向量，即：
其中的下角标i表示对应于节点i，上角标表示迭代级数，上角标为0则指示出为初级迭代。
对于各个连接边Eij，可以如下计算其初始嵌入向量vij：
vij＝σ(w2zij) (3)
其中，w2为第二权重参数，zij为连接边Eij的边特征。
在一个例子中，将连接边Eij的初始嵌入向量vij作为其初级迭代的边嵌入向量，即：
其中的下角标ij表示对应于节点i和节点j之间的连接边，上角标表示迭代级数，上角标为0则指示出为初级迭代。
可以理解，以上示出了基于权重参数w1以及节点特征xi，确定初级迭代的节点嵌入向量，以及基于权重参数w2以及边特征zij，确定初级迭代的边嵌入向量。在不同实施例中，还可以采用其他方式执行步骤33，例如在以上权重参数w1和w2基础上添加进一步的附加权重参数(例如，将节点i的初级迭代的节点嵌入向量确定为初始嵌入向量ui乘以附加权重参数)，采用不同形式的变换函数等等。
在确定了各个标定节点的初级迭代的节点嵌入向量以及各个连接边的初级迭代的边嵌入向量的基础上，在步骤34，执行多级向量迭代，以确定各个标定节点的多级迭代的节点嵌入向量其中T为迭代级数。
在每级向量迭代中，对于各个标定节点i，至少基于其各个邻居节点j的上一级迭代(t-1级迭代)的节点嵌入向量各个连接边的上一级迭代(t-1级迭代)的边嵌入向量以及第二参数集，确定该节点i的本级迭代(第t次迭代)的节点嵌入向量
例如，可以通过以下方式进行向量迭代，确定节点i的t级迭代的节点嵌入向量
在第一示例中，节点i的t级迭代的节点嵌入向量通过下式计算：
即，对各个邻居节点j的上一级迭代(t-1级迭代)的节点嵌入向量的向量和，以及各个连接边的上一级迭代(t-1级迭代)的边嵌入向量的向量和，进行加权求和(以第二参数集中的参数为权重因子)，基于加权求和结果确定
在第二示例中，节点i的t级迭代的节点嵌入向量通过下式计算：
式(6)在式(5)的基础上，在对各个邻居节点j的上一级迭代的节点嵌入向量求和时，引入了权重因子αij，对各个连接边的上一级迭代的边嵌入向量进行向量求和时，引入了权重因子βij。这些权重因子可以根据节点ij之间的关联强度预先设定，或者根据其他因素来设定。
在第三示例中，节点i的t级迭代的节点嵌入向量通过下式计算：
根据式(7)，利用第二参数集中的参数w3，w4和w5作为权重，对第一项、第二项和第三项进行加权求和，基于求和结果确定该节点i的本级迭代的节点嵌入向量其中第一项包括节点i的初级迭代的节点嵌入向量第二项为各个邻居节点j的上一级迭代的节点嵌入向量的加权求和；第三项为各个连接边的上一级迭代的边嵌入向量的加权求和。
在一个实施例中，在每级向量迭代中，还对各个连接边的边嵌入向量进行迭代计算。具体地，对于各个连接边，至少基于该连接边Eij所连接的两个节点i和j各自的上一级迭代的节点嵌入向量，以及第三参数集，确定该连接边的本级迭代的边嵌入向量。
例如，可以通过以下方式进行向量迭代，确定连接边Eij的t级迭代的边嵌入向量
在一个示例中，连接边Eij的t级迭代的边嵌入向量通过下式计算：
即，对该连接边Eij所连接的两个节点i和j各自的上一级迭代的节点嵌入向量进行加权求和，基于求和结果，确定t级迭代的边嵌入向量
在另一个示例中，连接边Eij的t级迭代的边嵌入向量通过下式计算：
即，利用第三参数集中的参数w6，w7和w8作为权重，对该连接边Eij的初级迭代的边嵌入向量该连接边所连接的两个节点i和j各自的上一级迭代的节点嵌入向量和这三者进行加权求和，基于求和结果确定该连接边的本级迭代的边嵌入向量
可以理解，在进行向量迭代计算时，每进行一次向量迭代，就引入了更高阶的邻居节点的信息和更高阶的连接边的信息。例如，根据公式(2)，节点i的0级迭代的节点嵌入向量只包含本节点的节点特征，一次迭代以后，节点i的1级迭代的节点嵌入向量中就包含了其邻居节点的节点特征；二次迭代之后，节点i的2级迭代的节点嵌入向量中包含邻居节点j的1级嵌入向量，而该邻居节点j的1级嵌入向量中又包含了节点j的邻居节点k的节点特征，也就是说，节点i的2级迭代的节点嵌入向量中包含了其二阶邻居节点(即邻居节点j的邻居节点k)的节点特征。对于边特征也是如此。因此，随着迭代级数增加，节点嵌入向量和边嵌入向量中均引入了更高阶的连接信息。
图4示出了向量迭代运算所反映的交易关系传递和推理。在图4中，X1，X2到X6表示节点1到节点6，H1到H6表示对应节点的嵌入特征向量，表示向量迭代过程中，节点i的第t次迭代的节点嵌入向量。可以看到，对于节点1来说，节点2，节点5和节点6构成其邻居节点集，在计算节点1的第1级迭代的节点嵌入向量时，各个邻居节点(节点2,5,6)的0级迭代的节点嵌入向量 和会传递到节点1，用于计算节点1的1级迭代的节点嵌入向量更高阶迭代原理类似。
在一个实施例中，迭代级数T可以根据经验预先设定。在另一实施例中，迭代级数T可以根据损失函数的收敛状况而调整设置。
如上，经过反复的多次向量迭代运算，可以确定各个标定节点的多级迭代(T级迭代)的节点嵌入向量
于是，在步骤35，对于各个标定节点i，基于该节点i的多级迭代的点嵌入向量，和预测参数集，确定该节点的预测值。
在一个实施例中，预测参数集包括参数w9和b，预测值根据下式计算：
如此，得到每个标定节点的预测值。另一方面，如前所述，每个标定节点还具有对应的标签值，因此，根据监督学习算法的思路，可以预先定义嵌入模型的损失函数loss，该损失函数基于标定节点的预测值和标签值而确定，即∑iloss(predi,yi)。
损失函数的具体计算公式可以采用多种方式，例如各个标定节点的预测值与标签值之差的平方和，方均根，等等。
接着在步骤36，调整嵌入模型参数，即第一参数集、第二参数集和预测参数集中的参数值，使得上述预定义的损失函数达到最小。可以理解，步骤33-35中所使用的参数值是初始化的参数值。对于这样的初始参数值，可以采用例如梯度下降、反向传播等方式，逐步确定出损失函数达到最小时的参数值，将此时的参数值作为最优参数值，也就是嵌入模型的模型参数。一般地，这个过程可以表示为：
一旦确定出损失函数最小时的最优参数值，可以认为，确定出了嵌入模型的模型参数，也就完成了嵌入模型的模型训练。
与嵌入模型的训练过程相对应地，在训练好嵌入模型的基础上，就可以利用该模型，进行节点嵌入，也就是通过多级迭代确定节点的嵌入特征向量，以及还可以进一步提供节点的预测值，以进行节点分析和关系网络分析。
根据一个实施例，在嵌入模型训练完成之后，可以利用该模型，确定出关系网络中任意节点的嵌入特征。
图5示出根据一个实施例的利用嵌入模型对关系网络进行节点嵌入的方法。所述嵌入模型通过图3所示方法训练获得，从而包括具有确定值的第一参数集和第二参数集，即优化后的第一参数集和第二参数集。
如前所述，关系网络包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种。
如图5所示，所述方法包括以下步骤。在步骤52，对于关系网络中任意选取的第一节点，确定其节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征。
需要说明，此处的第一节点仅仅表示关系网络中任意选择的某个节点，其中的“第一”仅是为了区分和说明，而不具有排序等其他含义。
接着，在步骤53，基于所述节点特征、所述边特征和所述第一参数集，确定所述第一节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量。
在步骤54，执行多级向量迭代，以确定第一节点的多级迭代的节点嵌入向量，其中所述多级向量迭代的每级向量迭代包括，至少基于第一节点的各个邻居节点的上一级迭代的节点嵌入向量，各个连接边的上一级迭代的边嵌入向量，以及所述第二参数集，确定第一节点的下一级迭代的节点嵌入向量。
其中以上步骤52-54的具体执行过程可以参考图3中的步骤32-34，在此不再赘述。
然后，在步骤55，将第一节点的多级迭代的节点嵌入向量确定为嵌入特征，用于其他模型分析。
也就是说，训练好的嵌入模型可以输出某个节点的多级迭代的节点嵌入向量作为该节点的最终嵌入特征向量。嵌入特征向量可以用于后续的其他模型分析。其他模型分析例如包括，关系网络图的图嵌入，基于嵌入特征向量进行节点聚类分析，等等。
根据另一个实施例，在嵌入模型训练完成之后，可以利用该模型，直接对关系网络中任意节点的用户信用状况进行预测。
图6示出一种利用嵌入模型对关系网络进行节点分析的方法。该嵌入模型通过图3所示的方法训练获得，从而包括具有确定值的第一参数集、第二参数集和预测参数集。
关系网络包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种。
如图6所示，所述方法包括以下步骤。
在步骤62，对于关系网络中任意选取的第二节点，确定其节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征。
类似的，此处的第二节点仅仅表示关系网络中任意选择的某个节点，其中的“第二”仅是为了区分和说明，而不具有排序等其他含义。
接着在步骤63，基于所述节点特征、所述边特征和所述第一参数集，确定所述第二节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量。
然后在步骤64，执行多级向量迭代，以确定所述第二节点的多级迭代的节点嵌入向量，其中所述多级向量迭代的每级向量迭代包括，至少基于第二节点的各个邻居节点的上一级迭代的节点嵌入向量，各个连接边的上一级迭代的边嵌入向量，以及第二参数集，确定第二节点的下一级迭代的节点嵌入向量。
接着，在步骤65，基于第二节点的多级迭代的节点嵌入向量，和所述预测参数集，确定所述第二节点的预测值。
以上步骤62-55的具体执行过程可以参考图3中的步骤32-35，在此不再赘述。
然后，在步骤66，基于所述预测值，确定所述第二节点对应的用户的信用状况。
根据嵌入模型的训练过程中对节点预测值的定义和计算方式，预测值是与标签值对应的、对用户信用状况等级的一种预测。因此，使用训练好的嵌入模型为节点计算出的预测值，可以直接作为用户信用状况的评估分数。
在一个实施例中，将预测值低于第一阈值的用户作为高风险用户。在另一实施例中，可以将预测值高于第二阈值的用户作为高信用用户。第一阈值和第二阈值的设定可以根据具体的业务数据测算获得。
如此，利用所训练的对关系网络进行深度学习的嵌入模型，可以直接对用户的信用状况进行评估。
根据本说明书另一方面的实施例，还提供一种训练关系网络的嵌入模型的装置。如前所述，关系网络包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种。
图7示出根据一个实施例的训练嵌入模型的装置的示意性框图。如图7所示，嵌入模型的训练装置700包括：
节点获取单元71，配置为从所述关系网络获取多个标定节点，各标定节点具有对应的标签值，所述标签值示出与标定节点对应的用户的信用等级；
特征确定单元72，配置为确定各个标定节点的节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征；
向量确定单元73，配置为基于所述节点特征、所述边特征和第一参数集，确定各个标定节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量；
向量迭代单元74，配置为执行多级向量迭代，以确定各个标定节点的多级迭代的节点嵌入向量，其中所述多级向量迭代的每级向量迭代包括，对于各个标定节点，至少基于其各个邻居节点的上一级迭代的节点嵌入向量，各个连接边的上一级迭代的边嵌入向量，以及第二参数集，确定该节点的本级迭代的节点嵌入向量；
预测单元75，配置为对于各个标定节点，基于该节点的多级迭代的节点嵌入向量，和预测参数集，确定该节点的预测值；
参数优化单元76，配置为调整所述第一参数集、第二参数集和预测参数集中的参数值，使得预定义的损失函数达到最小，其中所述损失函数基于各个标定节点的预测值和标签值而确定。
根据一种可能的设计，其中所述特征确定单元72配置为：
根据各标定节点对应的标签值，将所述多个标定节点划分为第一类节点和第二类节点，其中第一类节点的标签值对应于最低信用等级，第二类节点为其他节点；
对于第一类节点，采用one-hot独热编码确定其节点特征；
对于第二类节点，基于缺省值确定其节点特征。
在一个实施例中，上述各个连接边的边特征包括，该连接边所连接的两个节点所对应的两个用户之间，人际关系特征、媒介关系特征和资金关系特征中的一种或多种。
进一步地，在一个实施例中，所述人际关系特征包括以下中的一项或多项：共同关注人数，来往联系天数，共同群组数目，共同活动参与次数；
所述媒介关系特征包括同一媒介的共同使用天数或次数，所述同一媒介包括以下中的一项或多项：同银行卡、同身份证、同邮箱、同账户号、同手机号、同物理地址、同终端设备号；
所述资金关系特征包括资金交易的次数或金额，所述资金交易包括以下中的一项或多项：代充、代付、条码收款、条码付款、AA收款、C2C手机当面付、送礼金、交房租、红包、信用卡代还款、代购、亲密付、代订服务。
根据一种实施方式，装置700还包括初始化单元(未示出)，配置为初始化所述第一参数集、第二参数集和预测参数集。
根据一种实施例，第一参数集包括第一权重参数和第二权重参数，所述向量确定单元73配置为：
基于所述第一权重参数，以及各个标定节点的节点特征，确定各个标定节点的初级迭代的节点嵌入向量；
基于所述第二权重参数，以及各个连接边的边特征，确定各个连接边的初级迭代的边嵌入向量。
在一个实施例中，所述向量迭代单元74配置为：
利用第二参数集中的参数作为权重，对第一项、第二项和第三项进行加权求和，基于求和结果确定该节点的本级迭代的节点嵌入向量，
其中所述第一项包括该节点的初级迭代的节点嵌入向量；第二项为所述各个邻居节点的上一级迭代的节点嵌入向量的加权求和；第三项为所述各个连接边的上一级迭代的边嵌入向量的加权求和。
根据一种实施方式，向量迭代单元74还配置为，对于各个连接边，至少基于该连接边所连接的两个节点各自的上一级迭代的节点嵌入向量，以及第三参数集，确定该连接边的本级迭代的边嵌入向量。
进一步地，向量迭代单元74通过以下方式确定连接边的本级迭代的边嵌入向量：
利用第三参数集中的参数作为权重，对该连接边的初级迭代的边嵌入向量、该连接边所连接的两个节点各自的上一级迭代的节点嵌入向量三者进行加权求和，基于求和结果确定该连接边的本级迭代的边嵌入向量。
根据又一方面的实施例，还提供一种利用嵌入模型对关系网络进行节点嵌入的装置。所述嵌入模型通过图3的方法，或图7的装置训练获得，从而包括具有确定值的第一参数集和第二参数集。所述关系网络包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种。
图8示出根据一个实施例的利用嵌入模型进行节点嵌入的嵌入装置，如图8所示，该嵌入装置800包括：
特征确定模块82，配置为对于所述关系网络中任意选取的第一节点，确定其节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征；
初始向量确定模块83，配置为基于所述节点特征、所述边特征和所述第一参数集，确定所述第一节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量；
向量迭代模块84，配置为执行多级向量迭代，以确定所述第一节点的多级迭代的节点嵌入向量，其中所述多级向量迭代的每级向量迭代包括，至少基于第一节点的各个邻居节点的上一级迭代的节点嵌入向量，各个连接边的上一级迭代的边嵌入向量，以及所述第二参数集，确定第一节点的本级迭代的节点嵌入向量；
嵌入特征确定模块85，配置为将所述第一节点的多级迭代的节点嵌入向量确定为嵌入特征，用于其他模型分析。
根据又一方面的实施例，还提供一种利用嵌入模型对关系网络进行节点分析的装置，所述嵌入模型通过图3所示的方法，或图7所示的装置训练获得，从而包括具有确定值的第一参数集、第二参数集和预测参数集。所述关系网络包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种。
图9示出根据一个实施例的利用嵌入模型进行节点分析的分析装置，如图9所示，该分析装置900包括：
特征确定模块92，配置为对于所述关系网络中任意选取的第二节点，确定其节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征；
初始向量确定模块93，配置为基于所述节点特征、所述边特征和所述第一参数集，确定所述第二节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量；
向量迭代模块94，配置为执行多级向量迭代，以确定所述第二节点的多级迭代的节点嵌入向量，其中所述多级向量迭代的每级向量迭代包括，至少基于第二节点的各个邻居节点的上一级迭代的节点嵌入向量，各个连接边的上一级迭代的边嵌入向量，以及第二参数集，确定第二节点的本级迭代的节点嵌入向量；
预测模块95，配置为基于所述第二节点的多级迭代的节点嵌入向量，和所述预测参数集，确定所述第二节点的预测值；
信用确定模块96，配置为基于所述预测值，确定所述第二节点对应的用户的信用状况。
根据一个实施例，所述信用确定模块96配置为：在所述预测值低于第一阈值的情况下，将所述第二节点对应的用户确定为高风险用户；在所述预测值高于第二阈值的情况下，将所述第二节点对应的用户作为高信用用户。
根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图3，图5和图6所描述的方法。
根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图3，图5和图6所述的方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (26)
1.一种训练关系网络的嵌入模型的方法，所述关系网络包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种，所述方法包括：
从所述关系网络获取多个标定节点，各标定节点具有对应的标签值，所述标签值示出与标定节点对应的用户的信用等级；
确定各个标定节点的节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征；
基于所述节点特征、所述边特征和第一参数集，确定各个标定节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量；
执行多级向量迭代，以确定各个标定节点的多级迭代的节点嵌入向量，其中所述多级向量迭代的每级向量迭代包括，对于各个标定节点，至少基于其各个邻居节点的上一级迭代的节点嵌入向量，各个连接边的上一级迭代的边嵌入向量，以及第二参数集，确定该节点的本级迭代的节点嵌入向量；
对于各个标定节点，基于该节点的多级迭代的节点嵌入向量，和预测参数集，确定该节点的预测值；
调整所述第一参数集、第二参数集和预测参数集中的参数值，使得预定义的损失函数达到最小，其中所述损失函数基于各个标定节点的预测值和标签值而确定。
2.根据权利要求1所述的方法，其中确定各个标定节点的节点特征包括：
根据各标定节点对应的标签值，将所述多个标定节点划分为第一类节点和第二类节点，其中第一类节点的标签值对应于最低信用等级，第二类节点为其他节点；
对于第一类节点，采用one-hot独热编码确定其节点特征；
对于第二类节点，基于缺省值确定其节点特征。
3.根据权利要求1所述的方法，其中所述各个连接边的边特征包括，该连接边所连接的两个节点所对应的两个用户之间，人际关系特征、媒介关系特征和资金关系特征中的一种或多种。
4.根据权利要求3所述的方法，其中：
所述人际关系特征包括以下中的一项或多项：共同关注人数，来往联系天数，共同群组数目，共同活动参与次数；
所述媒介关系特征包括同一媒介的共同使用天数或次数，所述同一媒介包括以下中的一项或多项：同银行卡、同身份证、同邮箱、同账户号、同手机号、同物理地址、同终端设备号；
所述资金关系特征包括资金交易的次数或金额，所述资金交易包括以下中的一项或多项：代充、代付、条码收款、条码付款、AA收款、C2C手机当面付、送礼金、交房租、红包、信用卡代还款、代购、亲密付、代订服务。
5.根据权利要求1所述的方法，还包括：初始化所述第一参数集、第二参数集和预测参数集。
6.根据权利要求1所述的方法，其中所述第一参数集包括第一权重参数和第二权重参数，所述确定各个标定节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量包括：
基于所述第一权重参数，以及各个标定节点的节点特征，确定各个标定节点的初级迭代的节点嵌入向量；
基于所述第二权重参数，以及各个连接边的边特征，确定各个连接边的初级迭代的边嵌入向量。
7.根据权利要求1所述的方法，所述确定该节点的本级迭代的节点嵌入向量，包括：
利用第二参数集中的参数作为权重，对第一项、第二项和第三项进行加权求和，基于求和结果确定该节点的本级迭代的节点嵌入向量，
其中所述第一项包括该节点的初级迭代的节点嵌入向量；
第二项为所述各个邻居节点的上一级迭代的节点嵌入向量的加权求和；
第三项为所述各个连接边的上一级迭代的边嵌入向量的加权求和。
8.根据权利要求1所述的方法，其中所述每级向量迭代还包括，对于各个连接边，至少基于该连接边所连接的两个节点各自的上一级迭代的节点嵌入向量，以及第三参数集，确定该连接边的本级迭代的边嵌入向量。
9.根据权利要求8所述的方法，其中所述确定该连接边的本级迭代的边嵌入向量包括：
利用第三参数集中的参数作为权重，对该连接边的初级迭代的边嵌入向量、该连接边所连接的两个节点各自的上一级迭代的节点嵌入向量三者进行加权求和，基于求和结果确定该连接边的本级迭代的边嵌入向量。
10.一种利用嵌入模型对关系网络进行节点嵌入的方法，所述嵌入模型通过权利要求1所述的方法训练获得，从而包括具有确定值的第一参数集和第二参数集；所述关系网络包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种，所述方法包括：
对于所述关系网络中任意选取的第一节点，确定其节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征；
基于所述节点特征、所述边特征和所述第一参数集，确定所述第一节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量；
执行多级向量迭代，以确定所述第一节点的多级迭代的节点嵌入向量，其中所述多级向量迭代的每级向量迭代包括，至少基于第一节点的各个邻居节点的上一级迭代的节点嵌入向量，各个连接边的上一级迭代的边嵌入向量，以及所述第二参数集，确定第一节点的本级迭代的节点嵌入向量；
将所述第一节点的多级迭代的节点嵌入向量确定为嵌入特征，用于其他模型分析。
11.一种利用嵌入模型对关系网络进行节点分析的方法，所述嵌入模型通过权利要求1所述的方法训练获得，从而包括具有确定值的第一参数集、第二参数集和预测参数集；所述关系网络包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种，所述方法包括：
对于所述关系网络中任意选取的第二节点，确定其节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征；
基于所述节点特征、所述边特征和所述第一参数集，确定所述第二节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量；
执行多级向量迭代，以确定所述第二节点的多级迭代的节点嵌入向量，其中所述多级向量迭代的每级向量迭代包括，至少基于第二节点的各个邻居节点的上一级迭代的节点嵌入向量，各个连接边的上一级迭代的边嵌入向量，以及第二参数集，确定第二节点的本级迭代的节点嵌入向量；
基于所述第二节点的多级迭代的节点嵌入向量，和所述预测参数集，确定所述第二节点的预测值；
基于所述预测值，确定所述第二节点对应的用户的信用状况。
12.根据权利要求11所述的方法，其中基于所述预测值，确定所述第二节点对应的用户的信用状况包括：
在所述预测值低于第一阈值的情况下，将所述第二节点对应的用户确定为高风险用户；
在所述预测值高于第二阈值的情况下，将所述第二节点对应的用户作为高信用用户。
13.一种训练关系网络的嵌入模型的装置，所述关系网络包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种，所述装置包括：
节点获取单元，配置为从所述关系网络获取多个标定节点，各标定节点具有对应的标签值，所述标签值示出与标定节点对应的用户的信用等级；
特征确定单元，配置为确定各个标定节点的节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征；
向量确定单元，配置为基于所述节点特征、所述边特征和第一参数集，确定各个标定节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量；
向量迭代单元，配置为执行多级向量迭代，以确定各个标定节点的多级迭代的节点嵌入向量，其中所述多级向量迭代的每级向量迭代包括，对于各个标定节点，至少基于其各个邻居节点的上一级迭代的节点嵌入向量，各个连接边的上一级迭代的边嵌入向量，以及第二参数集，确定该节点的本级迭代的节点嵌入向量；
预测单元，配置为对于各个标定节点，基于该节点的多级迭代的节点嵌入向量，和预测参数集，确定该节点的预测值；
参数优化单元，配置为调整所述第一参数集、第二参数集和预测参数集中的参数值，使得预定义的损失函数达到最小，其中所述损失函数基于各个标定节点的预测值和标签值而确定。
14.根据权利要求13所述的装置，其中所述特征确定单元配置为：
根据各标定节点对应的标签值，将所述多个标定节点划分为第一类节点和第二类节点，其中第一类节点的标签值对应于最低信用等级，第二类节点为其他节点；
对于第一类节点，采用one-hot独热编码确定其节点特征；
对于第二类节点，基于缺省值确定其节点特征。
15.根据权利要求13所述的装置，其中所述各个连接边的边特征包括，该连接边所连接的两个节点所对应的两个用户之间，人际关系特征、媒介关系特征和资金关系特征中的一种或多种。
16.根据权利要求15所述的装置，其中：
所述人际关系特征包括以下中的一项或多项：共同关注人数，来往联系天数，共同群组数目，共同活动参与次数；
所述媒介关系特征包括同一媒介的共同使用天数或次数，所述同一媒介包括以下中的一项或多项：同银行卡、同身份证、同邮箱、同账户号、同手机号、同物理地址、同终端设备号；
所述资金关系特征包括资金交易的次数或金额，所述资金交易包括以下中的一项或多项：代充、代付、条码收款、条码付款、AA收款、C2C手机当面付、送礼金、交房租、红包、信用卡代还款、代购、亲密付、代订服务。
17.根据权利要求13所述的装置，还包括初始化单元，配置为初始化所述第一参数集、第二参数集和预测参数集。
18.根据权利要求13所述的装置，其中所述第一参数集包括第一权重参数和第二权重参数，所述向量确定单元配置为：
基于所述第一权重参数，以及各个标定节点的节点特征，确定各个标定节点的初级迭代的节点嵌入向量；
基于所述第二权重参数，以及各个连接边的边特征，确定各个连接边的初级迭代的边嵌入向量。
19.根据权利要求13所述的装置，所述向量迭代单元配置为：
利用第二参数集中的参数作为权重，对第一项、第二项和第三项进行加权求和，基于求和结果确定该节点的本级迭代的节点嵌入向量，
其中所述第一项包括该节点的初级迭代的节点嵌入向量；
第二项为所述各个邻居节点的上一级迭代的节点嵌入向量的加权求和；
第三项为所述各个连接边的上一级迭代的边嵌入向量的加权求和。
20.根据权利要求13所述的装置，其中向量迭代单元还配置为，对于各个连接边，至少基于该连接边所连接的两个节点各自的上一级迭代的节点嵌入向量，以及第三参数集，确定该连接边的本级迭代的边嵌入向量。
21.根据权利要求20所述的装置，其中所述向量迭代单元还配置为：
利用第三参数集中的参数作为权重，对该连接边的初级迭代的边嵌入向量、该连接边所连接的两个节点各自的上一级迭代的节点嵌入向量三者进行加权求和，基于求和结果确定该连接边的本级迭代的边嵌入向量。
22.一种利用嵌入模型对关系网络进行节点嵌入的装置，所述嵌入模型通过权利要求13所述的装置训练获得，从而包括具有确定值的第一参数集和第二参数集；所述关系网络包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种，所述装置包括：
特征确定模块，配置为对于所述关系网络中任意选取的第一节点，确定其节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征；
初始向量确定模块，配置为基于所述节点特征、所述边特征和所述第一参数集，确定所述第一节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量；
向量迭代模块，配置为执行多级向量迭代，以确定所述第一节点的多级迭代的节点嵌入向量，其中所述多级向量迭代的每级向量迭代包括，至少基于第一节点的各个邻居节点的上一级迭代的节点嵌入向量，各个连接边的上一级迭代的边嵌入向量，以及所述第二参数集，确定第一节点的本级迭代的节点嵌入向量；
嵌入特征确定模块，配置为将所述第一节点的多级迭代的节点嵌入向量确定为嵌入特征，用于其他模型分析。
23.一种利用嵌入模型对关系网络进行节点分析的装置，所述嵌入模型通过权利要求13所述的装置训练获得，从而包括具有确定值的第一参数集、第二参数集和预测参数集；所述关系网络包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种，所述装置包括：
特征确定模块，配置为对于所述关系网络中任意选取的第二节点，确定其节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征；
初始向量确定模块，配置为基于所述节点特征、所述边特征和所述第一参数集，确定所述第二节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量；
向量迭代模块，配置为执行多级向量迭代，以确定所述第二节点的多级迭代的节点嵌入向量，其中所述多级向量迭代的每级向量迭代包括，至少基于第二节点的各个邻居节点的上一级迭代的节点嵌入向量，各个连接边的上一级迭代的边嵌入向量，以及第二参数集，确定第二节点的本级迭代的节点嵌入向量；
预测模块，配置为基于所述第二节点的多级迭代的节点嵌入向量，和所述预测参数集，确定所述第二节点的预测值；
信用确定模块，配置为基于所述预测值，确定所述第二节点对应的用户的信用状况。
24.根据权利要求23所述的装置，其中所述信用确定模块配置为：
在所述预测值低于第一阈值的情况下，将所述第二节点对应的用户确定为高风险用户；
在所述预测值高于第二阈值的情况下，将所述第二节点对应的用户作为高信用用户。
25.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-12中任一项的所述的方法。
26.一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-12中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810931003.5A CN109102393B (zh) | 2018-08-15 | 2018-08-15 | 训练和使用关系网络嵌入模型的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810931003.5A CN109102393B (zh) | 2018-08-15 | 2018-08-15 | 训练和使用关系网络嵌入模型的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109102393A true CN109102393A (zh) | 2018-12-28 |
| CN109102393B CN109102393B (zh) | 2021-06-29 |
Family
ID=64850035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810931003.5A Active CN109102393B (zh) | 2018-08-15 | 2018-08-15 | 训练和使用关系网络嵌入模型的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109102393B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109918454A (zh) * | 2019-02-22 | 2019-06-21 | 阿里巴巴集团控股有限公司 | 对关系网络图进行节点嵌入的方法及装置 |
| CN110008348A (zh) * | 2019-01-29 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 结合节点和边进行网络图嵌入的方法和装置 |
| CN110020746A (zh) * | 2019-02-20 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 一种风险防控方法、装置、处理设备及系统 |
| CN110033097A (zh) * | 2019-03-07 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 基于多个数据域确定用户与物品的关联关系的方法及装置 |
| CN110276387A (zh) * | 2019-06-12 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 一种模型的生成方法及装置 |
| CN110705593A (zh) * | 2019-09-03 | 2020-01-17 | 阿里巴巴集团控股有限公司 | 训练关系网络嵌入模型和确定使用概率的方法及装置 |
| CN110782044A (zh) * | 2019-10-29 | 2020-02-11 | 支付宝(杭州)信息技术有限公司 | 多方联合训练图神经网络的方法及装置 |
| CN110851541A (zh) * | 2019-10-30 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 用于基于关系图生成风险特征的方法及装置 |
| CN110866190A (zh) * | 2019-11-18 | 2020-03-06 | 支付宝(杭州)信息技术有限公司 | 训练用于表征知识图谱的图神经网络模型的方法及装置 |
| CN111581450A (zh) * | 2020-06-24 | 2020-08-25 | 支付宝(杭州)信息技术有限公司 | 确定用户的业务属性的方法及装置 |
| CN111626887A (zh) * | 2019-02-27 | 2020-09-04 | 北京奇虎科技有限公司 | 一种社交关系评估方法及装置 |
| CN112085585A (zh) * | 2020-08-03 | 2020-12-15 | 北京贝壳时代网络科技有限公司 | 一种信用风险等级评估方法及系统 |
| WO2021169454A1 (zh) * | 2020-02-25 | 2021-09-02 | 支付宝(杭州)信息技术有限公司 | 图特征处理的方法及装置 |
| CN113627253A (zh) * | 2021-07-07 | 2021-11-09 | 上海交通大学 | 一种目标重识别方法及装置 |
| CN113988175A (zh) * | 2021-10-27 | 2022-01-28 | 支付宝(杭州)信息技术有限公司 | 聚类处理方法和装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013005188A2 (en) * | 2011-07-07 | 2013-01-10 | Serena F David | Relationship networks having link quality metrics with inference and concomitant digital value exchange |
| CN106951886A (zh) * | 2017-04-18 | 2017-07-14 | 青岛大学 | 一种提取空间邻接关系特征的方法及装置 |
| CN107633263A (zh) * | 2017-08-30 | 2018-01-26 | 清华大学 | 基于边的网络图嵌入方法 |
| CN107633100A (zh) * | 2017-10-23 | 2018-01-26 | 苏州大学 | 一种基于嵌入模型的兴趣点推荐方法及装置 |
| CN107870978A (zh) * | 2017-09-30 | 2018-04-03 | 上海壹账通金融科技有限公司 | 关系网络拓扑方法及应用服务器 |
| CN108062551A (zh) * | 2017-06-28 | 2018-05-22 | 浙江大学 | 一种基于邻接矩阵的图特征提取系统、图分类系统和方法 |
| CN108171261A (zh) * | 2017-12-21 | 2018-06-15 | 苏州大学 | 鲁棒的自适应半监督图像分类方法、装置、设备及介质 |
| CN108182268A (zh) * | 2018-01-16 | 2018-06-19 | 浙江工商大学 | 一种基于社会网络的协同过滤推荐方法及系统 |
| CN108304380A (zh) * | 2018-01-24 | 2018-07-20 | 华南理工大学 | 一种融合学术影响力的学者人名消除歧义的方法 |
| CN108320187A (zh) * | 2018-02-02 | 2018-07-24 | 合肥工业大学 | 一种基于深度社交关系的推荐方法 |
| CN108364234A (zh) * | 2018-03-08 | 2018-08-03 | 重庆邮电大学 | 一种基于节点影响力标签传播的微博社区发现方法 |
| CN108376371A (zh) * | 2018-02-02 | 2018-08-07 | 众安信息技术服务有限公司 | 一种基于社交网络的互联网保险营销方法和系统 |
-
2018
- 2018-08-15 CN CN201810931003.5A patent/CN109102393B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013005188A2 (en) * | 2011-07-07 | 2013-01-10 | Serena F David | Relationship networks having link quality metrics with inference and concomitant digital value exchange |
| CN106951886A (zh) * | 2017-04-18 | 2017-07-14 | 青岛大学 | 一种提取空间邻接关系特征的方法及装置 |
| CN108062551A (zh) * | 2017-06-28 | 2018-05-22 | 浙江大学 | 一种基于邻接矩阵的图特征提取系统、图分类系统和方法 |
| CN107633263A (zh) * | 2017-08-30 | 2018-01-26 | 清华大学 | 基于边的网络图嵌入方法 |
| CN107870978A (zh) * | 2017-09-30 | 2018-04-03 | 上海壹账通金融科技有限公司 | 关系网络拓扑方法及应用服务器 |
| CN107633100A (zh) * | 2017-10-23 | 2018-01-26 | 苏州大学 | 一种基于嵌入模型的兴趣点推荐方法及装置 |
| CN108171261A (zh) * | 2017-12-21 | 2018-06-15 | 苏州大学 | 鲁棒的自适应半监督图像分类方法、装置、设备及介质 |
| CN108182268A (zh) * | 2018-01-16 | 2018-06-19 | 浙江工商大学 | 一种基于社会网络的协同过滤推荐方法及系统 |
| CN108304380A (zh) * | 2018-01-24 | 2018-07-20 | 华南理工大学 | 一种融合学术影响力的学者人名消除歧义的方法 |
| CN108320187A (zh) * | 2018-02-02 | 2018-07-24 | 合肥工业大学 | 一种基于深度社交关系的推荐方法 |
| CN108376371A (zh) * | 2018-02-02 | 2018-08-07 | 众安信息技术服务有限公司 | 一种基于社交网络的互联网保险营销方法和系统 |
| CN108364234A (zh) * | 2018-03-08 | 2018-08-03 | 重庆邮电大学 | 一种基于节点影响力标签传播的微博社区发现方法 |
Non-Patent Citations (1)
| Title |
|---|
| 焦李成等: "稀疏认知学习、计算与识别的研究进展", 《计算机学报》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110008348A (zh) * | 2019-01-29 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 结合节点和边进行网络图嵌入的方法和装置 |
| CN110020746A (zh) * | 2019-02-20 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 一种风险防控方法、装置、处理设备及系统 |
| CN109918454B (zh) * | 2019-02-22 | 2024-02-06 | 创新先进技术有限公司 | 对关系网络图进行节点嵌入的方法及装置 |
| CN109918454A (zh) * | 2019-02-22 | 2019-06-21 | 阿里巴巴集团控股有限公司 | 对关系网络图进行节点嵌入的方法及装置 |
| CN111626887A (zh) * | 2019-02-27 | 2020-09-04 | 北京奇虎科技有限公司 | 一种社交关系评估方法及装置 |
| CN110033097B (zh) * | 2019-03-07 | 2023-06-20 | 创新先进技术有限公司 | 基于多个数据域确定用户与物品的关联关系的方法及装置 |
| CN110033097A (zh) * | 2019-03-07 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 基于多个数据域确定用户与物品的关联关系的方法及装置 |
| CN110276387A (zh) * | 2019-06-12 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 一种模型的生成方法及装置 |
| CN110276387B (zh) * | 2019-06-12 | 2023-06-23 | 深圳前海微众银行股份有限公司 | 一种模型的生成方法及装置 |
| CN110705593A (zh) * | 2019-09-03 | 2020-01-17 | 阿里巴巴集团控股有限公司 | 训练关系网络嵌入模型和确定使用概率的方法及装置 |
| CN110782044A (zh) * | 2019-10-29 | 2020-02-11 | 支付宝(杭州)信息技术有限公司 | 多方联合训练图神经网络的方法及装置 |
| CN110851541A (zh) * | 2019-10-30 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 用于基于关系图生成风险特征的方法及装置 |
| CN110866190A (zh) * | 2019-11-18 | 2020-03-06 | 支付宝(杭州)信息技术有限公司 | 训练用于表征知识图谱的图神经网络模型的方法及装置 |
| WO2021169454A1 (zh) * | 2020-02-25 | 2021-09-02 | 支付宝(杭州)信息技术有限公司 | 图特征处理的方法及装置 |
| CN111581450A (zh) * | 2020-06-24 | 2020-08-25 | 支付宝(杭州)信息技术有限公司 | 确定用户的业务属性的方法及装置 |
| CN112085585A (zh) * | 2020-08-03 | 2020-12-15 | 北京贝壳时代网络科技有限公司 | 一种信用风险等级评估方法及系统 |
| CN113627253A (zh) * | 2021-07-07 | 2021-11-09 | 上海交通大学 | 一种目标重识别方法及装置 |
| CN113627253B (zh) * | 2021-07-07 | 2023-10-27 | 上海交通大学 | 一种目标重识别方法及装置 |
| CN113988175A (zh) * | 2021-10-27 | 2022-01-28 | 支付宝(杭州)信息技术有限公司 | 聚类处理方法和装置 |
| CN113988175B (zh) * | 2021-10-27 | 2024-06-11 | 支付宝(杭州)信息技术有限公司 | 聚类处理方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109102393B (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109102393A (zh) | 训练和使用关系网络嵌入模型的方法及装置 | |
| CN110009093B (zh) | 用于分析关系网络图的神经网络系统和方法 | |
| WO2021174966A1 (zh) | 训练风险识别模型的方法及装置 | |
| CN106875078B (zh) | 交易风险检测方法、装置及设备 | |
| CN107730262A (zh) | 一种欺诈识别方法和装置 | |
| CN110188198A (zh) | 一种基于知识图谱的反欺诈方法及装置 | |
| CN108256965A (zh) | 一种基于区块链的分布式电子商务平台系统 | |
| CN110473083A (zh) | 树状风险账户识别方法、装置、服务器及存储介质 | |
| CN106875206A (zh) | 信息获取、评估、问卷调查方法、装置及服务器 | |
| CN109918454A (zh) | 对关系网络图进行节点嵌入的方法及装置 | |
| Cho et al. | Using social network analysis and gradient boosting to develop a soccer win–lose prediction model | |
| Assaf et al. | Using transfer entropy to measure information flows between cryptocurrencies | |
| CN109740914A (zh) | 一种金融业务评估、推荐的方法、存储介质、设备及系统 | |
| CN108304853A (zh) | 游戏相关度的获取方法、装置、存储介质和电子装置 | |
| CN110008984A (zh) | 一种基于多任务样本的目标模型训练方法和装置 | |
| CN111428217A (zh) | 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质 | |
| Huang et al. | Improve reputation evaluation of crowdsourcing participants using multidimensional index and machine learning techniques | |
| CN113642923A (zh) | 基于历史催收数据的不良资产包价值评估方法 | |
| CN110473039A (zh) | 评估用户的信用风险的方法及装置 | |
| CN109522317A (zh) | 一种反欺诈预警方法及系统 | |
| CN109919608A (zh) | 一种高危交易主体的识别方法、装置及服务器 | |
| Byanjankar et al. | Data‐driven optimization of peer‐to‐peer lending portfolios based on the expected value framework | |
| CN115859187A (zh) | 对象识别方法、装置、电子设备及存储介质 | |
| CN109829593A (zh) | 目标对象的信用度确定方法、装置、存储介质及电子装置 | |
| CN116361542A (zh) | 产品推荐方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40002158 Country of ref document: HK |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200925 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20200925 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |