CN110795568A - 基于用户信息知识图谱的风险评估方法、装置和电子设备 - Google Patents
基于用户信息知识图谱的风险评估方法、装置和电子设备 Download PDFInfo
- Publication number
- CN110795568A CN110795568A CN201910943590.4A CN201910943590A CN110795568A CN 110795568 A CN110795568 A CN 110795568A CN 201910943590 A CN201910943590 A CN 201910943590A CN 110795568 A CN110795568 A CN 110795568A
- Authority
- CN
- China
- Prior art keywords
- user
- risk
- user information
- depth
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012502 risk assessment Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000005065 mining Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000001939 inductive effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000035606 childbirth Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于用户信息知识图谱的风险评估方法、装置和电子设备，具体包括：获取多个用户信息数据，根据所述信息数据构建用户信息知识图谱，利用所述用户信息知识图谱分析产生用户深度特征，基于所述用户深度特征，通过深度关系风险模型对所述用户进行风险评估。本发明基于用户知识图谱进行风险评估，能增强对深度的数据特征进行提取分析，降低欺诈风险概率。
Description
技术领域
本发明涉及计算机信息处理领域，具体而言，涉及一种基于用户信息知识图谱的风险评估方法、装置、电子设备及计算机可读介质。
背景技术
信用风险是商业银行及互联网金融业长期以来面临的主要风险。消费信贷业务为互联网金融的主要业务，也成为商业银行新的利润增长点，而信用风险管理手段的落后成为制约消费信贷产业发展的瓶颈。随着移动互联网技术的发展、智能设备的普及，消费信贷业务经过长期的开展，积累了大量的用户以及数据，但是面临信用风险评估层面浅，导致坏账率较高等问题。
在现有技术中，信用风险评估主要是对用户进行个人层面分析，难以全面高效的了解该用户实际风险情况，增大了风险概率。
发明内容
有鉴于此，提出了本发明以便提供一种克服上述问题的基于用户信息知识图谱的风险评估方法、装置、电子设备及计算机可读存储介质。
依据本发明的一个方面，提供了一种基于用户信息知识图谱的风险评估方法，包括：
获取多个用户信息数据；
根据所述信息数据构建用户信息知识图谱；
利用所述用户信息知识图谱分析产生用户深度特征；
基于所述用户深度特征，通过深度关系风险模型对所述用户进行风险评估。
在其中的一项实施例中，所述根据所述信息数据构建知识图谱进一步包括：对获取的所述信息数据进行深度分析并筛选，挖掘所述用户信息数据之间的关联关系，以构建所述用户信息知识图谱。
进一步地，所述挖掘所述用户信息数据之间的关联关系进一步包括：对所述用户信息数据进行筛选，选择一部分用户信息数据用于进行深度分析，挖掘所述用户信息数据之间的关联关系，以构建所述用户信息知识图谱；选择另一部分用户信息数据用于构建关系数据库；
建立所述用户信息知识图谱与所述关系数据库之间映射，通过所述用户信息知识图谱调用所述关系数据库内的相关数据。
在其中一项实施例中，利用所述用户信息知识图谱分析产生用户深度特征进一步包括：获取所述用户的深度关系用户信息；
基于所述深度关系用户信息归纳提取深度关系用户特征。
进一步地，所述深度关系用户可包括所述用户的N度关系用户，其中N为大于等于2的自然数。
在其中一项实施例中，所述基于所述用户深度特征，通过深度关系风险模型对所述用户进行风险评估步骤进一步包括：构建所述深度关系风险模型；设定风险阈值；将所述用户深度特征代入所述深度关系风险模型以形成所述用户的深度关系风险得分；所述深度风险关系得分高于所述风险阈值的用户评估为疑似风险用户。
进一步地，构建所述风险关系模型步骤进一步包括：
获取历史用户相关信息，所述历史用户相关信息可包括所述历史用户风险信息、所述历史用户深度关系用户信息；以所述历史用户风险信息、所述历史用户深度关系用户信息为样本进行机器学习方法训练构建所述风险关系模型。
进一步地，所述机器学习方法进一步可包括xgboost算法。
进一步地，将所述疑似风险用户信息进行反馈以进行人工审核。
第二方面，本发明公开了一种基于用户信息知识图谱的风险评估装置，包括：
数据获取模块，用于获取多个用户信息数据；
图谱构建模块，用于根据所述信息数据构建用户信息知识图谱；
分析提取模块，用于利用所述用户信息知识图谱分析产生用户深度特征；
风险评估模块，基于所述用户深度特征，通过深度关系风险模型对所述用户进行风险评估。
在其中一项实施例中，所述图谱构建模块对获取的所述信息数据进行深度分析并筛选，挖掘所述用户信息数据之间的关联关系，以构建所述用户信息知识图谱。
进一步地，所述挖掘所述用户信息数据之间的关联关系进一步包括：对所述用户信息数据进行筛选，选择一部分用户信息数据用于进行深度分析，挖掘所述用户信息数据之间的关联关系，以构建所述用户信息知识图谱；选择另一部分用户信息数据用于构建关系数据库；建立所述用户信息知识图谱与所述关系数据库之间映射，通过所述用户信息知识图谱调用所述关系数据库内的相关数据。
在其中一项实施例中，所述分析提取模块利用所述用户信息知识图谱分析产生用户深度特征进一步包括：获取所述用户的深度关系用户信息；基于所述深度关系用户信息归纳提取深度关系用户特征。
进一步地，所述深度关系用户可包括所述用户的N度关系用户，其中N为大于等于2的自然数。
在其中一项实施例中，所述风险评估模块基于所述用户深度特征，通过深度关系风险模型对所述用户进行风险评估步骤进一步包括：构建所述深度关系风险模型；设定风险阈值；将所述用户深度特征代入所述深度关系风险模型以形成所述用户的深度关系风险得分；所述深度风险关系得分高于所述风险阈值的用户评估为疑似风险用户。
进一步地，构建所述风险关系模型步骤进一步包括：获取历史用户相关信息，所述历史用户相关信息可包括所述历史用户风险信息、所述历史用户深度关系用户信息；以所述历史用户风险信息、所述历史用户深度关系用户信息为样本进行机器学习方法训练构建所述风险关系模型。
进一步地，所述机器学习方法进一步可包括xgboost算法。
进一步地，将所述疑似风险用户信息进行反馈以进行人工审核。
第三方面，本发明提供了一种电子设备，包括处理器；以及存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述的基于用户信息知识图谱的风险控制方法。
第四方面，本发明提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述的基于用户信息知识图谱的风险控制方法。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是根据本发明一示例性实施例示出的一种基于用户信息知识图谱的风险评估方法流程图。
图2是根据本发明一示例性实施例示出的一种基于用户信息知识图谱的风险评估装置结构图。
图3是根据本发明一示例性实施例示出的图谱构建模块结构图。
图4是根据本发明一示例性实施例示出的深度风险模型构建模块结构图。
图5是根据本发明一示例性实施例示出的一种基于用户信息知识图谱的电子设备框图。
图6是根据本发明一示例性实施例的计算机可读存储介质的结构示意图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
图1为本说明书实施例提供的一种基于社交关系预测贷款黑中介的方法的原理示意图。该方法包括：
S101:获取多个用户数据
在本说明书实施例中，所述获取多个用户数据可包括用户申请相关产品自行填报的基本属性数据、行为数据、社交属性数据和资产数据，以及从互联网上获取的公共信息数据。
进一步地，用户基本属性数据具体可包括性别、年龄、籍贯、教育背景、婚育状况、职业等信息；行为数据可包括消费行为特征、运营商更换频率、住址更换频率等；社交属性数据可包括用户关系人，如家庭成员、同学、同事等；资产数据可包括房产、车辆、贷款、信用卡额度、信贷逾期状况等。
所述获取的用户数据可以分类为结构化数据、半结构化数据和非结构化数据。其中结构化数据使用关系型数据库表示和存储，表现为二维形式的数据；半结构化数据为不符合关系型数据库或其他数据表的形式关联起来的数据模型结构，可以是XML和JSON等格式；非结构化数据可包括文档、图片、视频、音频等数据。
S102:构建用户信息知识图谱
以S101中获取的数据作为知识图谱构建的基础，把数据从不同的数据源中抽取出来。将结构化数据和半结构化数据做知识抽取，提取出实体和属性作为构建用户信息知识图谱的节点，例如用户的姓名、职业等；提取出关系作为构建用户信息知识图谱的边，例如用户A和用户B是同事。将上述处理后的数据作为构建知识图谱的本体进行知识融合，即本体对齐和实体匹配。将非结构化数据通过自然语言处理技术来提取出结构化信息。
进一步地，在使用自然语言处理技术对非结构化数据进行处理，具体可包括：
实体命名识别：从文本里提取出实体并对每个实体做分类，打标签；关系抽取，把实体间的关系从文本中提取出来；实体统一：从文本提取出的实体，部分写法上不一样，但其实指向同一个实体，需要将其合并以减少实体的种类，降低图谱的稀疏性；指代消解：在文本中确定代词指向哪一个名词短语。
在本发明的一个实施例中，对用户数据进行筛选，通过效率、冗余原则的角度，将例如用户年龄，籍贯等对分析关系没有太多作用、访问频率低的数据放入关系数据库中，并建立与用户信息知识图谱之间的映射，便于需要时调用相关数据。
S103:分析产生用户深度特征
在本发明的一个实施例中，利用用户信息知识图谱分析产生用户深度特征，分析提取所述用户的深度关系用户特征具体可包括获取用户的2度及更高维度的深度关系用户信息，其中深度用户关系信息可包括性别、年龄、籍贯、教育背景、婚育状况、职业、房产、车辆、贷款、信用卡额度、信贷逾期状况等。深度关系用户特征可包括深度关系用户是否有逾期贷款，信贷信用评级是否良好等。例如用户A是用户B的同事，用户C是用户B的朋友，用户C就是用户A的二度关联人；用户D是用户C的朋友，则用户D就是用户B的二度关联人，用户D是用户A的三度关联人。
进一步地，根据获取的用户深度关联人信息分析提取用户深度关联人特征，例如用户A的二度关联人用户C属性信息中有一项为贷款逾期，用户A的三度关联人中有3人信贷信用评级较差等。将分析提取的用户A的深度关系用户特征带入深度关系风险模型，从而对用户A进行风险评估。
进一步地，原始数据、关联人信息、关联人特征可表现如下表格：
原始数据
| 1 | A | 年龄、性别等 | 同事、朋友等 |
| 2 | B | 年龄、性别等 | 同事、朋友等 |
| 3 | C | 年龄、性别等 | 同事、朋友等 |
| 4 | D | 年龄、性别等 | 同事、朋友等 |
关联人信息
关联人特征
S104:风险评估
构建风险模型并利用S103分析提取的用户深度特征作为深度关系风险模型的输入值进行风险评估。
具体地，获取历史用户相关信息，如历史用户风险信息、信用评级、履约完成次数等，以所述获取的信息作为训练样本进行机器学习方法如xgboost算法来训练构建所述风险关系模型。
进一步地，为构建的深度关系风险模型设定风险阈值，具体地可以用比较法、波动法、和专家征询法等来设定阈值标准。
进一步地，将用户深度特征带入深度风险模型进行评估，对达到预警阈值的用户做出风险反馈，然后由人工进行复核，再进一步进行风险评估。
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
如图2所示，基于用户信息知识图谱的风险评估装置，包括：
数据获取模块201，用于获取多个用户信息数据
在本说明书实施例中，所述数据获取模块201获取的多个用户数据可包括用户申请相关产品自行填报的基本属性数据、行为数据、社交属性数据和资产数据，以及从互联网上获取的公共信息数据。
进一步地，所述数据获取模块201获取的用户基本属性数据具体可包括性别、年龄、籍贯、教育背景、婚育状况、职业等信息；行为数据可包括消费行为特征、运营商更换频率、住址更换频率等；社交属性数据可包括用户关系人，如家庭成员、同学、同事等；资产数据可包括房产、车辆、贷款、信用卡额度、信用卡逾期状况等。
所述数据获取模块201获取的的用户数据可以分类为结构化数据、半结构化数据和非结构化数据。其中结构化数据使用关系型数据库表示和存储，表现为二维形式的数据；半结构化数据为不符合关系型数据库或其他数据表的形式关联起来的数据模型结构，可以是XML和JSON等格式；非结构化数据可包括文档、图片、视频、音频等数据。
如图3所示，图谱构建模块包含知识抽取单元301，知识融合单元302和数据筛选单元303。
图谱构建模块202，以数据获取模块201中获取的数据作为知识图谱构建的基础，知识抽取单元301把数据从不同的数据源中抽取出来。知识抽取单元301将结构化数据和半结构化数据做知识抽取，提取出实体和属性作为构建用户信息知识图谱的节点，例如用户的姓名、职业等；知识抽取单元301提取出关系作为构建用户信息知识图谱的边，例如用户A和用户B是同事。知识融合单元302将上述处理后的数据作为构建知识图谱的本体进行知识融合，即本体对齐和实体匹配。知识抽取单元301把非结构化数据通过自然语言处理技术来提取出结构化信息。
进一步地，在使用自然语言处理技术对非结构化数据进行处理，具体可包括：
实体命名识别：从文本里提取出实体并对每个实体做分类，打标签；关系抽取，把实体间的关系从文本中提取出来；实体统一：从文本提取出的实体，部分写法上不一样，但其实指向同一个实体，需要将其合并以减少实体的种类，降低图谱的稀疏性；指代消解：在文本中确定代词指向哪一个名词短语。
在本发明的一个实施例中，数据筛选单元303对用户数据进行筛选，通过效率、冗余原则的角度，将例如用户年龄，籍贯等对分析关系没有太多作用、访问频率低的数据放入关系数据库中，并建立与用户信息知识图谱之间的映射，便于需要时调用相关数据。
分析提取模块203，在本发明的一个实施例中，分析提取模块203利用用户信息知识图谱分析产生用户深度特征，分析提取所述用户的深度关系用户特征具体可包括获取用户的2度及更高维度的关联人属性信息，例如用户A是用户B的同事，用户C是用户B的朋友，用户C就是用户A的二度关联人；用户D是用户A的朋友，则用户B就是用户D的二度关联人，用户C是用户D的三度关联人。
进一步地，分析提取模块203根据获取的用户深度关联人信息分析提取用户深度关联人特征，例如用户A的同事用户B属性信息中有一项为贷款逾期，用户A的朋友用户D的二度关联人中有3人信贷信用评级较差等。将分析提取的用户A的深度特征带入深度关系风险模型，从而对用户A进行风险评估。
如图4所示，深度风险模型构建模块包含有数据获取单元401，训练样本单元402，阈值设定单元403。
深度风险模型构建模块204构建风险模型并利用风险提取模块203分析提取的用户深度特征作为深度关系风险模型的输入值进行风险评估。
具体地，数据获取单元401获取历史用户相关信息，如历史用户风险信息、信用评级、履约完成次数等，训练样本单元402以数据获取单元401获取的信息作为训练样本进行机器学习方法如xgboost算法来训练构建所述风险关系模型。
进一步地，阈值设定单元403为构建的深度关系风险模型设定风险阈值，具体地可以用比较法、波动法、和专家征询法等来设定阈值标准。
进一步地，风险评估模块205将分析提取模块203分析提取的用户深度特征带入深度风险模型进行评估，对达到预警阈值的用户做出风险反馈，然后由人工进行复核，再进一步进行风险评估。
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图5是根据本发明的一种电子设备的示例性实施例的结构框图。下面参照图5来描述根据本发明该实施例的的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：至少一个处理单元510、至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图1所示的步骤。
所述存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。
所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器560可以通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法。
所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，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，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于用户信息知识图谱的风险评估方法，其特征在于，包括：
获取多个用户信息数据；
根据所述信息数据构建用户信息知识图谱；
利用所述用户信息知识图谱分析产生用户深度特征；
基于所述用户深度特征，通过深度关系风险模型对所述用户进行风险评估。
2.根据权利要求1所述的方法，其特征在于，所述根据所述信息数据构建知识图谱进一步包括：
对获取的所述信息数据进行深度分析并筛选，挖掘所述用户信息数据之间的关联关系，以构建所述用户信息知识图谱。
3.根据权利要求1-2中任一项所述的方法，其特征在于，所述挖掘所述用户信息数据之间的关联关系进一步包括：
对所述用户信息数据进行筛选，选择一部分用户信息数据用于进行深度分析，挖掘所述用户信息数据之间的关联关系，以构建所述用户信息知识图谱；选择另一部分用户信息数据用于构建关系数据库；
建立所述用户信息知识图谱与所述关系数据库之间映射，通过所述用户信息知识图谱调用所述关系数据库内的相关数据。
4.根据权利要求1-3中任一项所述的方法，其特征在于，
利用所述用户信息知识图谱分析产生用户深度特征进一步包括：获取所述用户的深度关系用户信息；
基于所述深度关系用户信息归纳提取深度关系用户特征。
5.根据权利要求1-4中任一项所述的方法，其特征在于：
所述深度关系用户可包括所述用户的N度关系用户，其中N为大于等于2的自然数。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述基于所述用户深度特征，通过深度关系风险模型对所述用户进行风险评估步骤进一步包括：
构建所述深度关系风险模型；
设定风险阈值；
将所述用户深度特征代入所述深度关系风险模型以形成所述用户的深度关系风险得分；
所述深度风险关系得分高于所述风险阈值的用户评估为疑似风险用户。
7.根据权利要求1-6中任一项所述的方法，其特征在于，构建所述风险关系模型步骤进一步包括：
获取历史用户相关信息，所述历史用户相关信息可包括所述历史用户风险信息、所述历史用户深度关系用户信息；
以所述历史用户风险信息、所述历史用户深度关系用户信息为样本进行机器学习方法训练构建所述风险关系模型。
8.一种基于用户信息知识图谱的风险评估装置，其特征在于，包括：
数据获取模块，用于获取多个用户信息数据；
图谱构建模块，用于根据所述信息数据构建用户信息知识图谱；
分析提取模块，用于利用所述用户信息知识图谱分析产生用户深度特征；
深度风险模型构建模块，用于构建深度关系风险模型；
风险评估模块，基于所述用户深度特征，通过深度关系风险模型对所述用户进行风险评估。
9.一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910943590.4A CN110795568A (zh) | 2019-09-30 | 2019-09-30 | 基于用户信息知识图谱的风险评估方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910943590.4A CN110795568A (zh) | 2019-09-30 | 2019-09-30 | 基于用户信息知识图谱的风险评估方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110795568A true CN110795568A (zh) | 2020-02-14 |
Family
ID=69440054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910943590.4A Pending CN110795568A (zh) | 2019-09-30 | 2019-09-30 | 基于用户信息知识图谱的风险评估方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110795568A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784495A (zh) * | 2020-06-04 | 2020-10-16 | 江苏常熟农村商业银行股份有限公司 | 担保圈识别方法、装置、计算机设备和存储介质 |
| CN112348520A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 基于XGBoost的风险评估方法、装置和电子设备 |
| CN112837148A (zh) * | 2021-03-03 | 2021-05-25 | 中央财经大学 | 一种融合领域知识的风险逻辑关系量化分析方法 |
| CN112907358A (zh) * | 2021-03-17 | 2021-06-04 | 平安消费金融有限公司 | 贷款用户信用评分方法、装置、计算机设备和存储介质 |
| CN113094506A (zh) * | 2021-04-14 | 2021-07-09 | 每日互动股份有限公司 | 一种基于关系图谱的预警方法、计算机设备及存储介质 |
| CN113570207A (zh) * | 2021-07-09 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 用户策略分配方法、装置及电子设备 |
| CN113763183A (zh) * | 2021-08-01 | 2021-12-07 | 北京开科唯识技术股份有限公司 | 一种信息处理方法、系统及电子设备 |
| CN113807953A (zh) * | 2021-09-24 | 2021-12-17 | 重庆富民银行股份有限公司 | 基于电话回访的风控管理方法及系统 |
| WO2023065545A1 (zh) * | 2021-10-19 | 2023-04-27 | 平安科技（深圳）有限公司 | 风险预测方法、装置、设备及存储介质 |
| CN116452323A (zh) * | 2023-04-28 | 2023-07-18 | 广州市良策网络技术有限公司 | 风险评估方法、系统、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722566A (zh) * | 2012-06-04 | 2012-10-10 | 上海电力学院 | 社交网络中潜在好友查询方法 |
| US20150127632A1 (en) * | 2013-11-05 | 2015-05-07 | Google Inc. | Structured user graph to support querying and predictions |
| CN109064318A (zh) * | 2018-08-24 | 2018-12-21 | 苏宁消费金融有限公司 | 一种基于知识图谱的互联网金融风险监测系统 |
| CN110222199A (zh) * | 2019-06-20 | 2019-09-10 | 青岛大学 | 一种基于本体和多种神经网络集成的人物关系图谱构建方法 |
-
2019
- 2019-09-30 CN CN201910943590.4A patent/CN110795568A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722566A (zh) * | 2012-06-04 | 2012-10-10 | 上海电力学院 | 社交网络中潜在好友查询方法 |
| US20150127632A1 (en) * | 2013-11-05 | 2015-05-07 | Google Inc. | Structured user graph to support querying and predictions |
| CN109064318A (zh) * | 2018-08-24 | 2018-12-21 | 苏宁消费金融有限公司 | 一种基于知识图谱的互联网金融风险监测系统 |
| CN110222199A (zh) * | 2019-06-20 | 2019-09-10 | 青岛大学 | 一种基于本体和多种神经网络集成的人物关系图谱构建方法 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784495B (zh) * | 2020-06-04 | 2021-05-04 | 江苏常熟农村商业银行股份有限公司 | 担保圈识别方法、装置、计算机设备和存储介质 |
| CN111784495A (zh) * | 2020-06-04 | 2020-10-16 | 江苏常熟农村商业银行股份有限公司 | 担保圈识别方法、装置、计算机设备和存储介质 |
| CN112348520A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 基于XGBoost的风险评估方法、装置和电子设备 |
| CN112837148B (zh) * | 2021-03-03 | 2023-06-23 | 中央财经大学 | 一种融合领域知识的风险逻辑关系量化分析方法 |
| CN112837148A (zh) * | 2021-03-03 | 2021-05-25 | 中央财经大学 | 一种融合领域知识的风险逻辑关系量化分析方法 |
| CN112907358A (zh) * | 2021-03-17 | 2021-06-04 | 平安消费金融有限公司 | 贷款用户信用评分方法、装置、计算机设备和存储介质 |
| CN113094506B (zh) * | 2021-04-14 | 2023-08-18 | 每日互动股份有限公司 | 一种基于关系图谱的预警方法、计算机设备及存储介质 |
| CN113094506A (zh) * | 2021-04-14 | 2021-07-09 | 每日互动股份有限公司 | 一种基于关系图谱的预警方法、计算机设备及存储介质 |
| CN113570207A (zh) * | 2021-07-09 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 用户策略分配方法、装置及电子设备 |
| CN113570207B (zh) * | 2021-07-09 | 2024-04-26 | 北京淇瑀信息科技有限公司 | 用户策略分配方法、装置及电子设备 |
| CN113763183A (zh) * | 2021-08-01 | 2021-12-07 | 北京开科唯识技术股份有限公司 | 一种信息处理方法、系统及电子设备 |
| CN113807953A (zh) * | 2021-09-24 | 2021-12-17 | 重庆富民银行股份有限公司 | 基于电话回访的风控管理方法及系统 |
| CN113807953B (zh) * | 2021-09-24 | 2023-11-03 | 重庆富民银行股份有限公司 | 基于电话回访的风控管理方法及系统 |
| WO2023065545A1 (zh) * | 2021-10-19 | 2023-04-27 | 平安科技（深圳）有限公司 | 风险预测方法、装置、设备及存储介质 |
| CN116452323A (zh) * | 2023-04-28 | 2023-07-18 | 广州市良策网络技术有限公司 | 风险评估方法、系统、设备及存储介质 |
| CN116452323B (zh) * | 2023-04-28 | 2024-01-30 | 广州市良策网络技术有限公司 | 风险评估方法、系统、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110795568A (zh) | 基于用户信息知识图谱的风险评估方法、装置和电子设备 | |
| US10719665B2 (en) | Unsupervised neural based hybrid model for sentiment analysis of web/mobile application using public data sources | |
| EP3848797A1 (en) | Automatic parameter value resolution for api evaluation | |
| CA3060822A1 (en) | Label information acquistion method and apparatus, electronic device and computer readable medium | |
| KR20210023452A (ko) | 속성 단위 리뷰 분석 장치 및 방법 | |
| CN108241867B (zh) | 一种分类方法及装置 | |
| CN111429161B (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
| CN112182246A (zh) | 通过大数据分析建立企业画像的方法、系统、介质及应用 | |
| CN113393306A (zh) | 产品推荐方法、装置、电子设备及计算机可读介质 | |
| US20200159754A1 (en) | Contextual interestingness ranking of documents for due diligence in the banking industry with topicality grouping | |
| US11593385B2 (en) | Contextual interestingness ranking of documents for due diligence in the banking industry with entity grouping | |
| Rahman et al. | Social crisis detection using Twitter based text mining-a machine learning approach | |
| CN113724057A (zh) | 基于大数据的财政预算填报方法、系统、设备及介质 | |
| US11163761B2 (en) | Vector embedding models for relational tables with null or equivalent values | |
| US11966698B2 (en) | System and method for automatically tagging customer messages using artificial intelligence models | |
| CN108460049B (zh) | 一种确定信息类别的方法和系统 | |
| CN116402166A (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
| KR20210097204A (ko) | 정보를 출력하는 방법 및 장치 | |
| US20210295036A1 (en) | Systematic language to enable natural language processing on technical diagrams | |
| CN110737749B (zh) | 创业计划评价方法、装置、计算机设备及存储介质 | |
| KR20230059364A (ko) | 언어 모델을 이용한 여론조사 시스템 및 운영 방법 | |
| Jishag et al. | Automated review analyzing system using sentiment analysis | |
| He et al. | Developing a workflow approach for mining online social media data | |
| GB2602382A (en) | Relationship discovery and quantification | |
| CN113870998A (zh) | 问诊方法、装置、电子设备和存储介质 |
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 |