CN110598124A - 数值属性挖掘方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种基于机器学习的数值属性挖掘方法、装置、计算机设备和存储介质。方法包括：获取待定对象的全连通子网路图；全连通子网络图包括待定对象节点、参考对象节点以及参考对象节点与待定对象节点之间的关系类型；获取参考对象节点对应的身份属性信息，并在身份属性信息中提取相应参考对象的数值属性值；根据身份属性信息确定多个数值属性的枚举值；获取多种预设关系类型，基于预设关系类型、枚举值以及参考对象的数值属性值生成参考特征矩阵；将参考特征矩阵输入预设的数值属性预测模型，得到待定对象的数值属性值。采用本方法能够准确预测资源拥有者数值属性。

Description

数值属性挖掘方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种数值属性挖掘方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术的不断发展，通过计算机实现资源转移越来越来越普遍。资源，包括虚拟物品以及实体物品，虚拟物品比如账户数值、积分或者电子代金券等，实体物品比如房产、车辆等。计算机通常采用数值来表征资源的经济价值。在信用风险评估等多种场景中，常需要计算该数值大小，以挖掘资源拥有者的数值属性。因而，在互联网金融场景下，如何准确预测资源拥有者的数值属性，对风控管理和应用至关重要。

发明内容

基于此，有必要针对上述技术问题，提供一种能够准确预测资源拥有者的数值属性的数值属性挖掘方法、装置、计算机设备和存储介质。

一种数值属性挖掘方法，所述方法包括：获取待定对象的全连通子网路图；所述全连通子网络图包括待定对象节点、参考对象节点以及所述参考对象节点与所述待定对象节点之间的关系类型；获取所述参考对象节点对应的身份属性信息，并在所述身份属性信息中提取相应参考对象的数值属性值；根据所述身份属性信息确定多个数值属性的枚举值；获取多种预设关系类型，基于预设关系类型、所述枚举值以及所述参考对象的数值属性值生成参考特征矩阵；将所述参考特征矩阵输入预设的数值属性预测模型，得到所述待定对象的数值属性值。

在一个实施例中，所述获取待定对象的全连通子网路图，包括：获取关系网络图谱；所述关系网络图谱包括多个对象节点及每个对象节点连接的属性节点；识别每个对象节点对应兴趣属性的属性值是否缺失；根据识别结果将所述关系网络图谱中多个对象节点区分为确定对象节点和待定对象节点；在所述关系网络图谱中划取每个所述待定对象节点的全连通子网络图；将所述全连通子网络图中与待定对象节点存在目标关联关系的确定对象节点标记为参考对象节点。

在一个实施例中，所述在所述关系网络图谱中划取每个所述待定对象节点的全连通子网络图，包括：获取所述待定对象节点的社交网络信息；根据所述社交网络信息计算所述待定对象节点与一度关联的每个对象节点之间的综合关联度；识别所述综合关联度超过阈值的对象节点是否至少一个为确定对象节点；若否，根据所述社交网络信息在所述关系网路图中查找与所述待定对象节点二度关联的一个或多个对象节点，在所述关系网路图中划取包含待定对象节点以及与所述待定对象节点一度关联或二度关联的多个对象节点的图谱区域，得到全连通子网络图。

在一个实施例中，所述基于预设关系类型、所述枚举值以及所述参考对象的数值属性值生成参考特征矩阵包括：计算每个参考对象节点与所述待定对象节点的综合关联度；根据所述综合关联度及所述数值属性值，计算得到多个参考属性值；基于预设关系类型、所述枚举值以及所述参考属性值生成参考特征矩阵。

在一个实施例中，所述方法还包括：基于所述数值属性值对所述待定对象的初始属性信息进行补充，得到目标属性信息；将所述目标属性信息发送至业务终端，使所述业务终端根据所述目标属性信息向所述待定对象对应的用户终端发送产品推荐信息，并在接收到所述用户终端基于不同业务服务平台根据所述产品推荐信息触发的产品获取请求时生成待处理数值数据，将所述待处理数值数据上传至相应业务服务平台对应的子数据库；将多个子数据库中的待处理数值数据同步至目标数据库进行综合处理。

在一个实施例中，所述将多个子数据库中的待处理数值数据同步至目标数据库进行综合处理，包括：将多个子数据库中的待处理数值数据同步至目标数据库；识别所述目标数据库中多项待处理数值数据中的风险数值数据；创建与每项风险数值数据相应的数值跟踪任务，为每个所述数值跟踪任务分配相应的目标账号，将每个所述数值跟踪任务推送至相应的目标账号；接收目标账号对应的终端发送的数值处置信息；当根据所述数值处置信息判断处置后的风险数值数据符合至少一个预设风险指标时，返回所述接收目标账号发送的数值处置信息的步骤，直至处置后的风险数值数据不符合任意预设风险指标时，终止相应数值跟踪任务。

一种数值属性挖掘装置，所述装置包括：参考属性获取模块，用于获取待定对象的全连通子网路图；所述全连通子网络图包括待定对象节点、参考对象节点以及所述参考对象节点与所述待定对象节点之间的关系类型；获取所述参考对象节点对应的身份属性信息，并在所述身份属性信息中提取相应参考对象的数值属性值；参考特征提取模块，用于根据所述身份属性信息确定多个数值属性的枚举值；获取多种预设关系类型，基于预设关系类型、枚举值以及参考对象的数值属性值生成参考特征矩阵，生成参考特征矩阵；数值属性预测模块，用于将所述参考特征矩阵输入预设的数值属性预测模型，得到所述待定对象的数值属性值。

在一个实施例中，所述参考属性获取模块还用于获取关系网络图谱；所述关系网络图谱包括多个对象节点及每个对象节点连接的属性节点；识别每个对象节点对应兴趣属性的属性值是否缺失；根据识别结果将所述关系网络图谱中多个对象节点区分为确定对象节点和待定对象节点；在所述关系网络图谱中划取每个所述待定对象节点的全连通子网络图；将所述全连通子网络图中与待定对象节点存在目标关联关系的确定对象节点标记为参考对象节点。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请任意一个实施例中提供的数值属性挖掘方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请任意一个实施例中提供的数值属性挖掘方法的步骤。

上述数值属性挖掘方法、装置、计算机设备和存储介质，根据待定对象的全连通子网路图，可以确定待定对象节点对应的参考对象节点以及每个参考对象节点与待定对象节点之间的关系类型；根据参考对象节点对应的身份属性信息，可以提取相应参考对象的数值属性值，并确定多个数值属性的枚举值；根据多种预设关系类型以及确定的多个枚举值，可以对多种关系类型的参考对象的数值属性值进行枚举计算，得到参考特征矩阵；将参考特征矩阵输入预设的数值属性预测模型，可以得到所待定对象的数值属性值。预先构建数值属性预测模型，基于与待定对象节点具有较强关联度的参考对象节点的身份属性信息，对待定对象节点的数值属性进行补充，不仅可以提高信息补全效率，也可以提高补全信息的准确性。基于参考特征矩阵可以更加系统的获取参考属性值的分布情况，从而可以进一步提高数值属性补充的准确性。

附图说明

图1为一个实施例中数值属性挖掘方法的应用场景图；

图2为一个实施例中数值属性挖掘方法的流程示意图；

图3为一个实施例中数值属性挖掘过程采用的关系网络图谱的示意图；

图4为一个实施例中全连通子网络图的构建步骤的流程示意图；

图5为一个实施例中数值属性挖掘装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的数值属性挖掘方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器104根据用户基于终端102触发的数值属性挖掘请求，获取待定对象的全连通子网路图。全连通子网络图包括待定对象节点、参考对象节点以及参考对象节点与待定对象节点之间的关系类型。服务器104获取参考对象节点对应的身份属性信息，并在身份属性信息中提取相应参考对象的数值属性值。服务器104根据身份属性信息确定多个数值属性的枚举值。服务器104预设了多种关系类型，如同事关系、朋友关系等。服务器104基于预设关系类型、枚举值以及参考对象的数值属性值生成参考特征矩阵。服务器104将参考特征矩阵输入预设的数值属性预测模型，得到待定对象的数值属性值。上述数值属性挖掘过程，预先构建数值属性预测模型，基于与待定对象节点具有较强关联度的参考对象节点的身份属性信息，对待定对象节点的数值属性进行补充，不仅可以提高信息补全效率，也可以提高补全信息的准确性。

在一个实施例中，如图2所示，提供了一种数值属性挖掘方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤202，获取待定对象的全连通子网路图；全连通子网络图包括待定对象节点、参考对象节点以及参考对象节点与待定对象节点之间的关系类型。

全连通子网路图包括待定对象节点、多个其他对象节点以及节点之间的有向边。全连通子网路图可以是从关系网络图谱中划取得到的。服务器根据全连通子网络图中参考对象节点的身份属性信息对相应待定对象节点的缺失属性进行补充。服务器可以对多种属性类型的缺失属性进行补充。属性类型包括基本属性、兴趣属性、数值属性、风险属性等。根据缺失属性的不同，划取的同一待定对象节点的全连通子网络图可以不同。

关系网络图谱可以服务器根据多个目标对象的身份属性信息和社交网络信息预先构建的。关系网络图谱包括多个对象节点，每个对象节点对应的属性节点以及用于连接对象节点和属性节点的有向边。服务器识别不同对象节点是否连接有相同的属性节点。若是，服务器对相同的属性节点进行合并，并将合并得到的属性节点标记为对应多个对象节点的关联节点。

图3示例性给出一种关系网络图谱。如图3所示，V1～V8分别为8个对象节点，Mij及Mijij为每个对象节点对应的属性节点“任职单位”；Nij及Nijij为每个对象节点对应的属性节点“转账ID”；Oij及Oijij为每个对象节点对应的属性节点“保单”；P ij及P ijij为每个对象节点对应的属性节点“无线网络标识”；Qij及Qijij为每个对象节点对应的属性节点“银行卡号”。其中，1≤i≤8；1≤j。有向边可以从对象节点指向属性节点。Mijij、Nijij、Oijij、P ijij及Qijij作为多个对象节点的关联节点。关联节点的节点标识可以根据被合并的多个属性节点的节点标识生成的。例如，由属性节点Q51与属性节点Q83合并得到的关联节点的节点标识可以是Q5183。

服务器还根据身份属性信息生成了每个对象节点对应的节点标签，如基本信息标签、消费兴趣标签、财富级别标签或风险评级标签等。服务器识别每个对象节点是否缺少某种节点标签，以判断对应对象节点的身份属性信息是否存在缺失属性。服务器将存在缺失属性的对象节点表标记为待定对象节点，将不存在缺失属性的对象节点标记为确定对象节点。服务器确定待定对象节点对应缺失属性的属性类型，识别属性类型对应的目标关联关系，并将全连通子网络图中一个或多个对象节点标记为参考对象节点。

关系类型可以是亲属关系、同学关系、同事关系、朋友关系、转账关系、位置临近关系等。服务器根据身份属性信息及社交网络信息，可以识别相关联的两个对象节点之间的关系类型。例如，根据与目标对象甲与目标对象乙、丙、丁连接同一家庭wifi、企业wifi或公共wifi，可以识别其可能存在亲友、同事或附近的人等关联关系。

步骤204，获取参考对象节点对应的身份属性信息，在身份属性信息中提取相应参考对象的数值属性值。

身份属性信息包括对象标识、姓名、性别、年龄、学历、联系方式、任职单位、保单、银行卡账号、终端设备信息、社交网络账号、兴趣、财富等级或风险水平等。

步骤206，根据身份属性信息确定多个数值属性的枚举值。

枚举值可以是根据当前获取的参考属性值动态确定的，也可以是针对不同缺失属性预先配置的多种枚举值。枚举值可以是单一数值，也可以是数值区间。以缺失属性为年龄进行举例，枚举值可以是预设的多个年龄区间。

步骤208，获取多种预设关系类型，基于预设关系类型枚举值以及数值属性值生成参考特征矩阵。

参考特征矩阵可以是基于预设的多种关系类型以及确定的多种枚举值生成的二维向量矩阵。例如，假设预设了同事、同学、朋友、家属等10种关系类型，确定的枚举值为8个，则参考特征矩阵可以是10*8的二维向量矩阵。参考特征矩阵中每个矩阵元素可以是对应关系类型的参考属性值中出现相应枚举值的数量。在另一个实施例中，参考特征矩阵可以是服务器基于更多种参考属性因素构建的高维特征矩阵，对此不作限制。

步骤210，将参考特征矩阵输入预设的数值属性预测模型，得到待定对象的数值属性值。

服务器针对不同属性类型的缺失属性，分别构建相应的缺失属性补充模型。属性类型包括基本属性、兴趣属性、数值属性、风险属性等。例如，当缺失属性为数值属性时，缺失属性补充模型可以是数值属性预测模型。

缺失属性补充模型可以是基于样本集对待训练初始模型进行有监督训练得到的。样本集包括多个样本对象的完整的样本数据。服务器将样本数据中某项身份属性删除，并基于删除的身份属性的属性值作为样本标签，将删除的身份属性作为缺失属性进行目标属性值的预测。待训练初始模型实现上述预设逻辑运算，从而不同缺失属性对应的待训练初始模型可以不同。待训练初始模型可以基于是随机森林算法，Xgboost(Extreme GradientBoosting，梯度提升算法)及朴素贝叶斯算法改进得到的。

本实施例中，根据待定对象的全连通子网路图，可以确定待定对象节点对应的参考对象节点以及每个参考对象节点与待定对象节点之间的关系类型；根据参考对象节点对应的身份属性信息，可以提取相应参考对象的数值属性值，并确定多个数值属性的枚举值；基于预设关系类型、枚举值以及参考对象的数值属性值可以生成参考特征矩阵；将参考特征矩阵输入预设的数值属性预测模型，可以得到待定对象的数值属性值。预先构建数值属性预测模型，基于与待定对象节点具有较强关联度的参考对象节点的身份属性信息，对待定对象节点的数值属性进行补充，不仅可以提高信息补全效率，也可以提高补全信息的准确性。基于参考特征矩阵可以更加系统的获取参考属性值的分布情况，从而可以进一步提高数值属性补充的准确性。

在一个实施例中，获取待定对象的全连通子网路图，包括：获取关系网络图谱；关系网络图谱包括多个对象节点及每个对象节点连接的属性节点；识别每个对象节点对应兴趣属性的属性值是否缺失；根据识别结果将关系网络图谱中多个对象节点区分为确定对象节点和待定对象节点；在关系网络图谱中划取每个待定对象节点的全连通子网络图；将全连通子网络图中与待定对象节点存在目标关联关系的确定对象节点标记为参考对象节点。

服务器获取多个目标对象的身份属性信息和社交网络信息。目标对象可以是流失资源拥有者，也可以是已有资源拥有者，还可以是潜在资源拥有者。其中，潜在资源拥有者可以是根据流失资源拥有者或已有资源拥有者的资源拥有者数据识别得到的，例如，可以将已有资源拥有者预留的担保人或紧急联系人作为潜在资源拥有者。潜在资源拥有者也可以是服务器存对用户在目标网站浏览相关产品留下的产品查阅记录进行监测得到的，对此不作限制。

身份属性信息包括对象标识。对象标识可以是身份证号、手机号或邮箱等。容易理解，若目标对象为企业，对象标识也可以是机构代码等。身份属性信息还包括姓名、性别、年龄、学历、联系方式、任职单位、保单、银行卡账号、终端设备信息、社交网络账号、兴趣、财富等级或风险水平等。社交网络信息包括wifi连接信息、位置共享信息、即时通讯信息、电子转账信息或远程通话信息等。

服务器根据对象标识生成目标对象对应的对象节点，并根据其他身份属性信息生成目标对象对应的一个或多个属性节点。例如，可以以任职单位为标识生成一个属性节点，也可以是转账ID为标识生成一个属性节点。每个属性节点关联有对应的节点描述。本实施例中有向边从对象节点指向属性节点。一个对象节点可以连接有多个属性节点。

服务器识别不同对象节点是否连接有相同的属性节点。若是，服务器对相同的属性节点进行合并，并将合并得到的属性节点标记为对应多个对象节点的关联节点。同一个对象节点可以连接有多种类型的属性节点，如任职单位型、银行卡账号型、常用网络型等。通过对相同的属性节点进行合并，可以将多个对象节点关联起来。换句话说，根据身份属性信息可以识别多个目标对象之间的关联关系。例如，具有相同的“任职单位”属性节点，表示两个目标对象可能存在同事关系；具有相同的“学历”属性节点，表示两个目标对象可能存在同学关系；具有相同的“银行卡账号”或“常用网络型”属性节点，表示两个目标对象可能亲属关系等，如此对每一类关联关系进行分析，得到关系网路图谱。

服务器在关系网络图谱中划取每个待定对象节点的全连通子网络图。服务器预设了多种属性类型及对应的目标关联关系，根据缺失属性的属性类型，在对应的全连通子网络图中筛选与待定对象节点存在目标关联关系的关联对象节点作为参考对象节点。例如，当属性类型为基本属性时，可以将与待定对象存在同学关系、同事关系、朋友关系的关联对象确定为参考对象；当属性类型为兴趣属性时，可以将与待定对象存在朋友关系、附近的人关系的关联对象确定为参考对象；当属性类型为数值属性时，将与目标对象存在亲属关系、朋友关系的关联对象确定为参考对象；当属性类型为风险属性时，可以将与待定对象节点具有共同相连的其他对象节点的关联对象节点确定为参考对象节点。容易理解，也可以将全连通子网络图中的全部关联对象确定为参考对象，但根据缺失属性的不同针对不同参考对象预置不同的参考权重，对此不做限定。

本实施例中，由于通过识别是否存在相同的属性节点，可以自动提取其中隐含的关联关系，相比传统的人工分析的方式可以大大提高关联关系获取效率。不仅基于身份属性信息识别多个目标对象之间的关联关系，还基于社交网络信息挖掘相关联的目标对象的关联强度，可以拓展信息挖掘维度并提高信息挖掘深度，进而可以提高关系网络挖掘准确性。此外，基于属性节点可以随时新增对象节点，便于关联网络的延伸扩展，进而可以逐渐增大关系网络图谱覆盖人群规模。

在一个实施例中，如图4所示，在关系网络图谱中划取每个待定对象节点的全连通子网络图，全连通子网络图的构建步骤，包括：

步骤402，获取待定对象节点的社交网络信息。

步骤404，根据社交网络信息计算待定对象节点与一度关联的每个对象节点之间的综合关联度。

服务器根据社交网络信息，在关系网络图谱中划取每个待定对象节点的全连通子网络图。具体的，服务器获取待定对象节点的社交网络信息，按照上述方式基于社交网络信息计算待定对象节点与一度关联的每个对象节点之间的综合关联度。一度关联是指与两个对象节点通过一条有向边直接相连。服务器比较综合关联度是否达到阈值，并保留综合关联度达到阈值的对象节点(记作一度关联对象节点)，删除综合关联度小于阈值的对象节点。

步骤406，识别综合关联度超过阈值的对象节点是否至少一个为确定对象节点。

服务器识别保留的一度关联对象节点中是否至少一个为确定对象节点。换言之，服务器判断保留的一度关联对象节点中是否至少一个为包含完整身份属性信息的对象节点。若保留的一度关联对象节点中存在确定对象节点，服务器在关系网路图谱中划取待定对象节点、保留的一度关联对象节点以及连接待定对象节点与一度关联对象节点的有向边，得到待定对象节点对应的全连通子网络图。

步骤408，若否，根据社交网络信息在关系网路图中查找与待定对象节点二度关联的一个或多个对象节点，在关系网路图中划取包含待定对象节点以及与待定对象节点一度关联或二度关联的多个对象节点的图谱区域，得到全连通子网络图。

若保留的一度关联对象节点中没有确定对象节点，则服务器按照上述方式进一步筛选与待定对象节点二度关联的一个或多个对象节点(记作二度关联对象节点)。二度关联是指与两个对象节点通过两条有向边相连。容易理解，二度关联对象节点是与一度关联对象节点直接相连的对象节点。

服务器进一步识别二度关联对象节点中是否至少一个为确定对象节点。若否，则按照上述方式进一步筛选待定对象节点的三度关联对象节点，如此重复，直至筛选得到至少一个确定对象节点。服务器按照上述方式在关系网路图谱中划取待定对象节点、筛选得到的一度关联对象节点、二度关联对象节点等，得到待定对象节点对应的全连通子网络图。

服务器根据全连通子网络图中参考对象节点的身份属性信息对相应待定对象节点的缺失属性进行补充。服务器可以对多种属性类型的缺失属性进行补充。属性类型包括基本属性、兴趣属性、数值属性、风险属性等。根据缺失属性的不同，划取的同一待定对象节点的全连通子网络图可以不同。

在另一个实施例中，由于全连通子网络图用于对待定对象节点的缺失属性进行补充，为了抱枕缺失属性补充的准确性，服务器预置了关联对象节点的筛选阈值，若达到筛选阈值的层级的关联对象节点中仍不存在确定对象节点，则停止筛选关联对象节点，并生成对应的缺失属性补充失败的提示信息。例如，关联阈值为2，若二度关联对象节点中仍不存在确定对象节点，则返回“缺失属性补充失败”的提示信息。

本实施例中，将覆盖大规模人群的关联关系集中展示在一张关系网路图谱，便于用户从全局把握资源拥有者之间的关联关系。根据缺失属性的不同，从关系网路图谱中划取对应待定对象节点的全连通子网络图，便于用户更有针对性的了解其中某个资源拥有者。

在一个实施例中，基于预设关系类型、枚举值以及参考对象的数值属性值生成参考特征矩阵包括：计算每个参考对象节点与待定对象节点的综合关联度；根据综合关联度及数值属性值，计算得到多个参考属性值；基于预设关系类型、枚举值以及参考属性值生成参考特征矩阵。

关系网络图谱还记录了每个对象节点基于不同关联节点与其他对象节点的单边关联度。连接有一个或多个关联节点的两个对象节点相关联。服务器根据社交网络信息测算相关联的两个对象节点基于每个关联节点的单边关联度，将单边关联度添加至相应关联节点相连的有向边，得到关系网络图谱。具体的，针对不同关系类型可以预置不同的基础关联系数。两个目标对象可能存在多种关联关系，如目标对象甲与乙可以即是同学，也是同事，还为朋友。对于这种情况，服务器也可以针对不同关系类型组合预置不同的基础关联系数。

在另一个实施例中，基于关系网路图谱的不同用途，可以预设不同的关系类型与基础关联系数的映射关系，或者不同的关系类型组合与基础关联系数的映射关系。例如，当关系网路图谱用于挖掘资源拥有者兴趣属性时，直系亲属关系设置为1，同事关系设置为0.5等；当关系网路图谱用于审核资源拥有者风险属性时，朋友关系设置为1，亲属关系设置为0.4等。

服务器基于关系网络图谱确定相关联的两个对象节点之间的最短社交距离。最短社交距离是指从一个对象节点到另一个对象节点至少要经过的关联节点的数量。例如，在上述举例的图3中，对象节点V3与V5之间的最短社交距离为1，而对象节点V4与V8之间的最短社交距离为2。

服务器根据社交网络信息统计相关联的两个对象节点在统计时段发生的关联事件的事件类型和发生频次。关联事件可以是连接同一局域网、基于即时通讯平台发送社交信息或者银行卡转账等交互操作。

服务器预置了多种事件类型，每种事件类型对应的多种发生频次区间以及每种发生频次区间对应的第一调整系数。服务器还预置了多种最短社交距离对应第二调整系数。根据第一调整系数及第二调整系数对基础关联系数进行增大或缩小处理，得到目标关联系数。服务器将目标关联系数标记为相应对象节点基于对应关联节点的单边关联度。与相应对象节点相连的有向边上展示对应的单边关联度，例如，在上述举例的图3中，关联节点Q5183与相连的两个对象节点V5和V8的单边关联度为3.21，即对象节点V5与对象节点V8基于关联节点Q5183的单边关联度为3.21。服务器对两个对象节点之间的多个关联节点的单边关联度进行叠加，可以得到两个对象节点的综合关联度。

本实施例中，根据关系网络图谱的用途，预设多种用途对应的基础关联系数，实现多种单边关联度计算方式，可以充分考虑每种关系类型对评估关联度的价值意义不同，从而提高基于关系网络图谱进行不同缺失属性补充的准确性。同时结合最短社交距离及发生关联事件的频次多个维度的影响因素，对基础关联系数进行调整，可以提高单边关联度计算准确性，进而进一步提高缺失属性补充的准确性。

在一个实施例中，方法还包括：基于数值属性值对待定对象的初始属性信息进行补充，得到目标属性信息；将目标属性信息发送至业务终端，使业务终端根据目标属性信息向待定对象对应的用户终端发送产品推荐信息，并在接收到用户终端基于不同业务服务平台根据产品推荐信息触发的产品获取请求时生成待处理数值数据，将待处理数值数据上传至相应业务服务平台对应的子数据库；将多个子数据库中的待处理数值数据同步至目标数据库进行综合处理。

服务器将待定对象的目标属性信息发送推送至筛选得到的业务员对应的终端(记作业务终端)。业务员可以在业务终端根据目标属性信息进行产品资源推荐，将产品推荐信息发送至服务器。产品推荐信息携带了服务方标识。每个服务方标识具有对应的业务服务平台。服务器基于产品推荐信息生成对应业务服务平台对应的产品交易链接，并将产品交易链接推送至待定对象对应的终端(记作用户终端)。当待定对象基于产品交易链接对产品推荐信息进行确认时，用户终端展示交易支付页面，根据资源拥有者在交易支付页面的支付操作生成对应的待处理数值数据。

在一个实施例中，将多个子数据库中的待处理数值数据同步至目标数据库进行综合处理，包括：将多个子数据库中的待处理数值数据同步至目标数据库；识别目标数据库中多项待处理数值数据中的风险数值数据；创建与每项风险数值数据相应的数值跟踪任务，为每个数值跟踪任务分配相应的目标账号，将每个数值跟踪任务推送至相应的目标账号；接收目标账号对应的终端发送的数值处置信息；当根据数值处置信息判断处置后的风险数值数据符合至少一个预设风险指标时，返回接收目标账号发送的数值处置信息的步骤，直至处置后的风险数值数据不符合任意预设风险指标时，终止相应数值跟踪任务。

同一金融母公司旗下可拥有多个子公司。每个子公司可独立与多方资源拥有者进行交易，产生各自的数值数据。由于资源拥有者本身的信用风险或经济压力等原因，数值存在一定的风险。比如投资性数值出现还款困难的风险。传统方式通常是由各个子公司对其负责的数值数据进行风险控制，再将所监测的风险数值上报至金融母公司。然而，一项数值通常具有多个处理流程，而每个处理流程可由不同的子公司负责。由于子公司之间存在数据割裂，子公司难以准确地判定数值的风险情况，从而导致金融母公司无法对风险数值进行准确、及时的监管。

为了解决上述问题，服务器对大量数值数据进行统一管理、跟踪。具体的，用户终端将待处理数值数据上传至相应业务服务平台对应的子数据库。服务器从子数据库中获取一项或多项待处理数值数据。待处理数值数据是指需要监管的数值的相关数据，可以是包括数值本身的相关信息，比如说项目名称、交易对手标识、欠款余额、逾期时长等；也可以是包括相应资源拥有者的相关信息，比如说经营信息、涉诉信息等；还可以是包括与该数值类型相关的舆情信息和工商信息等。

服务器将待处理数值数据同步至目标数据库。目标数据库可以是服务器的本地数据库，也可是预设的移动数据库。服务器创建与每项待处理数值数据相应的数值跟踪任务。可创建每隔预设时长自动触发的数值跟踪任务。比如说，可每周一生成一个新的数值跟踪任务。

服务器为每个数值跟踪任务分配相应的目标账号。目标账号是指数值跟踪人的相关账号，如邮箱、手机号、系统账号等。可通过负载均衡算法为每个数值跟踪任务分配相应的目标账号，以保证每个目标账号被分配到的工作量相当。

服务器将每个数值跟踪任务推送至相应的目标账号。通过将数值跟踪任务发送至目标账号登录的终端，可以使得数值跟踪人能够及时查看并执行被分配的数值跟踪任务并进行相应的操作，或者还可使得终端自动执行被分配的数值跟踪任务。比如说，终端在接收到数值跟踪任务之后可调用网络爬虫采集与数值跟踪任务相关的信息。

服务器接收目标账号对应的终端发送的数值处置信息。数值处置信息是指与待处理数值数据对应的风险数值相关的风险事件及处置进展的信息。风险事件可以是舆情事件案、政策改革事件等。处置信息可以是数值结清信息等。综合服务器还可将接收到的数值处置信息存储至目标数据库中。

当根据数值处置信息判断处置后的待处理数值数据符合至少一个预设风险指标时，按照上述方式继续执行数值跟踪任务，直至处置后的风险数值数据不符合任意预设风险指标时，终止数值跟踪任务。预设风险指标是指用于判断待处理数值数据是否存在风险的指标。在每次目标账号对应的终端上传的数值处置信息之后，可以通过比较处置后的待处理数值数据与预设风险指标来分析待处理数值数据的当前状态。当检测到当前的待处理数值数据符合至少一个预设风险指标时，说明当前的待处理数值数据仍然具有一定的风险，则需要对其继续进行数值跟踪，并再接收关于该项待处理数值的数值处置信息。当检测到当前的待处理数值数据已不符合任意一个预设风险指标时，说明当前的风险数值数据已排除风险，则无需再进行数值跟踪，可将该待处理数值数据从目标数据库中移除。终止数值跟踪任务之后还可将数值跟踪任务结束信息推送至目标账号。

本实施例中，基于补充后的目标属性信息，便于业务员更加准确的进行产品资源推荐；业务员亲自进行产品资源推荐，可以减少交易前查询操作的繁琐，降低了资源拥有者独自选购产品的门槛，从而提高产品交易效率。此外，通过对待处理数值数据进行统一管理、跟踪，能够使得母公司准确、及时地监管风险数值。

应该理解的是，虽然图2和图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和图4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种数值属性挖掘装置，包括：参考属性获取模块502、参考特征提取模块504和数值属性预测模块506，其中：

参考属性获取模块502，用于获取待定对象的全连通子网路图；全连通子网络图包括待定对象节点、参考对象节点以及参考对象节点与待定对象节点之间的关系类型；获取参考对象节点对应的身份属性信息，并在身份属性信息中提取相应参考对象的数值属性值。

参考特征提取模块504，用于根据身份属性信息确定多个数值属性的枚举值；获取多种预设关系类型，基于预设关系类型、枚举值以及参考对象的数值属性值生成参考特征矩阵，生成参考特征矩阵。

数值属性预测模块506，用于将参考特征矩阵输入预设的数值属性预测模型，得到待定对象的数值属性值。

在一个实施例中，参考属性获取模块502还用于获取关系网络图谱；关系网络图谱包括多个对象节点及每个对象节点连接的属性节点；识别每个对象节点对应兴趣属性的属性值是否缺失；根据识别结果将关系网络图谱中多个对象节点区分为确定对象节点和待定对象节点；在关系网络图谱中划取每个待定对象节点的全连通子网络图；将全连通子网络图中与待定对象节点存在目标关联关系的确定对象节点标记为参考对象节点。

在一个实施例中，参考属性获取模块502还用于获取待定对象节点的社交网络信息；根据社交网络信息计算待定对象节点与一度关联的每个对象节点之间的综合关联度；识别综合关联度超过阈值的对象节点是否至少一个为确定对象节点；若否，根据社交网络信息在关系网路图中查找与待定对象节点二度关联的一个或多个对象节点，在关系网路图中划取包含待定对象节点以及与待定对象节点一度关联或二度关联的多个对象节点的图谱区域，得到全连通子网络图。

在一个实施例中，参考特征提取模块504还用于计算每个参考对象节点与待定对象节点的综合关联度；根据综合关联度及数值属性值，计算得到多个参考属性值；基于预设关系类型、枚举值以及参考属性值生成参考特征矩阵。

在一个实施例中，该装置还包括数值属性挖掘模块508，用于基于数值属性值对待定对象的初始属性信息进行补充，得到目标属性信息；将目标属性信息发送至业务终端，使业务终端根据目标属性信息向待定对象对应的用户终端发送产品推荐信息，并在接收到用户终端基于不同业务服务平台根据产品推荐信息触发的产品获取请求时生成待处理数值数据，将待处理数值数据上传至相应业务服务平台对应的子数据库；将多个子数据库中的待处理数值数据同步至目标数据库进行综合处理。

在一个实施例中，数值属性挖掘模块508还用于将多个子数据库中的待处理数值数据同步至目标数据库；识别目标数据库中多项待处理数值数据中的风险数值数据；创建与每项风险数值数据相应的数值跟踪任务，为每个数值跟踪任务分配相应的目标账号，将每个数值跟踪任务推送至相应的目标账号；接收目标账号对应的终端发送的数值处置信息；当根据数值处置信息判断处置后的风险数值数据符合至少一个预设风险指标时，返回接收目标账号发送的数值处置信息的步骤，直至处置后的风险数值数据不符合任意预设风险指标时，终止相应数值跟踪任务。

关于数值属性挖掘装置的具体限定可以参见上文中对于数值属性挖掘方法的限定，在此不再赘述。上述数值属性挖掘装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储关系网络图谱以及多个目标对象的身份属性信息和社交网络信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种数值属性挖掘方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本申请任意一个实施例中提供的数值属性挖掘方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种数值属性挖掘方法，所述方法包括：

获取待定对象的全连通子网路图；所述全连通子网络图包括待定对象节点、参考对象节点以及所述参考对象节点与所述待定对象节点之间的关系类型；

获取所述参考对象节点对应的身份属性信息，并在所述身份属性信息中提取相应参考对象的数值属性值；

根据所述身份属性信息确定多个数值属性的枚举值；

获取多种预设关系类型，基于预设关系类型、所述枚举值以及所述参考对象的数值属性值生成参考特征矩阵；

将所述参考特征矩阵输入预设的数值属性预测模型，得到所述待定对象的数值属性值。

2.根据权利要求1所述的方法，其特征在于，所述获取待定对象的全连通子网路图，包括：

获取关系网络图谱；所述关系网络图谱包括多个对象节点及每个对象节点连接的属性节点；

识别每个对象节点对应兴趣属性的属性值是否缺失；

根据识别结果将所述关系网络图谱中多个对象节点区分为确定对象节点和待定对象节点；

在所述关系网络图谱中划取每个所述待定对象节点的全连通子网络图；

将所述全连通子网络图中与待定对象节点存在目标关联关系的确定对象节点标记为参考对象节点。

3.根据权利要求2所述的方法，其特征在于，所述在所述关系网络图谱中划取每个所述待定对象节点的全连通子网络图，包括：

获取所述待定对象节点的社交网络信息；

根据所述社交网络信息计算所述待定对象节点与一度关联的每个对象节点之间的综合关联度；

识别所述综合关联度超过阈值的对象节点是否至少一个为确定对象节点；

若否，根据所述社交网络信息在所述关系网路图中查找与所述待定对象节点二度关联的一个或多个对象节点，在所述关系网路图中划取包含待定对象节点以及与所述待定对象节点一度关联或二度关联的多个对象节点的图谱区域，得到全连通子网络图。

4.根据权利要求1所述的方法，其特征在于，所述基于预设关系类型、所述枚举值以及所述参考对象的数值属性值生成参考特征矩阵，包括：

计算每个参考对象节点与所述待定对象节点的综合关联度；

根据所述综合关联度及所述数值属性值，计算得到多个参考属性值；

基于预设关系类型、所述枚举值以及所述参考属性值生成参考特征矩阵。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于所述数值属性值对所述待定对象的初始属性信息进行补充，得到目标属性信息；

将所述目标属性信息发送至业务终端，使所述业务终端根据所述目标属性信息向所述待定对象对应的用户终端发送产品推荐信息，并在接收到所述用户终端基于不同业务服务平台根据所述产品推荐信息触发的产品获取请求时生成待处理数值数据，将所述待处理数值数据上传至相应业务服务平台对应的子数据库；

将多个子数据库中的待处理数值数据同步至目标数据库进行综合处理。

6.根据权利要求5所述的方法，其特征在于，所述将多个子数据库中的待处理数值数据同步至目标数据库进行综合处理，包括：

将多个子数据库中的待处理数值数据同步至目标数据库；

识别所述目标数据库中多项待处理数值数据中的风险数值数据；

创建与每项风险数值数据相应的数值跟踪任务，为每个所述数值跟踪任务分配相应的目标账号，将每个所述数值跟踪任务推送至相应的目标账号；

接收目标账号对应的终端发送的数值处置信息；

当根据所述数值处置信息判断处置后的风险数值数据符合至少一个预设风险指标时，返回所述接收目标账号发送的数值处置信息的步骤，直至处置后的风险数值数据不符合任意预设风险指标时，终止相应数值跟踪任务。

7.一种数值属性挖掘装置，所述装置包括：

参考属性获取模块，用于获取待定对象的全连通子网路图；所述全连通子网络图包括待定对象节点、参考对象节点以及所述参考对象节点与所述待定对象节点之间的关系类型；获取所述参考对象节点对应的身份属性信息，并在所述身份属性信息中提取相应参考对象的数值属性值；

参考特征提取模块，用于根据所述身份属性信息确定多个数值属性的枚举值；获取多种预设关系类型，基于预设关系类型、所述枚举值以及所述参考对象的数值属性值生成参考特征矩阵；

数值属性预测模块，用于将所述参考特征矩阵输入预设的数值属性预测模型，得到所述待定对象的数值属性值。

8.根据权利要求7所述的装置，其特征在于，所述参考属性获取模块还用于获取关系网络图谱；所述关系网络图谱包括多个对象节点及每个对象节点连接的属性节点；识别每个对象节点对应兴趣属性的属性值是否缺失；根据识别结果将所述关系网络图谱中多个对象节点区分为确定对象节点和待定对象节点；在所述关系网络图谱中划取每个所述待定对象节点的全连通子网络图；将所述全连通子网络图中与待定对象节点存在目标关联关系的确定对象节点标记为参考对象节点。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。