CN110992194A - 一种基于含属性的多进程采样图表示学习模型的用户参考指数算法 - Google Patents
一种基于含属性的多进程采样图表示学习模型的用户参考指数算法 Download PDFInfo
- Publication number
- CN110992194A CN110992194A CN201911224227.3A CN201911224227A CN110992194A CN 110992194 A CN110992194 A CN 110992194A CN 201911224227 A CN201911224227 A CN 201911224227A CN 110992194 A CN110992194 A CN 110992194A
- Authority
- CN
- China
- Prior art keywords
- node
- user
- algorithm
- nodes
- graph
- 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 35
- 238000005070 sampling Methods 0.000 title claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 58
- 230000006870 function Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010845 search algorithm Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 238000012502 risk assessment Methods 0.000 abstract description 4
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
Images
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
- G06Q40/08—Insurance
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于含属性的多进程采样图表示学习模型的用户参考指数算法,包括:a.构建用户关系网络图,其中,每个图节点为一个用户对象;b.对用户关系网络图的节点进行采样,生成节点序列;c.基于节点序列将节点生成低维向量;d.基于低维向量计算所述节点对应的用户参考指数。发明使用了基于用户多维度属性的深度学习模型,对数亿级别保单数据进行模型学习,对用户进行划分不同的客户群体,根据每个客群的风险评估得分,划分出骗保可能性最高的客户,从而对用户进行保险反欺诈识别,相比于传统风险预估模型效果和性能都有很大提升。本发明操作简单、使用方便、高效精确、识别度高,可以精准的识别出高风险的客户,具有极高的商业价值。
Description
技术领域
本发明属于用户风险计算与控制领域,特别涉及一种基于含属性的多进程采样图表示学习模型的用户参考指数算法。
背景技术
保险是指投保人根据合同约定,向保险人支付保险费,保险人对于合同约定的可能发生的事故因其发生所造成的财产损失承担赔偿保险金责任,或者被保险人死亡、伤残、疾病或者达到合同约定的年龄、期限等条件时承担给付保险金责任的商业保险行为。
保险行业每年的骗保金额巨大,如何有效的、准确的甄别出骗保风险最高的客户的问题成为了目前亟待解决的技术问题,而在现有的技术中,往往会通过用户的编号、身份证明以及用户所购买的保险产品来进行计算,同时,会通过单进程来实现采样,单纯从某几个数据维度来学习规则,进而找出具有高风险的客户群体以及客户。
然而,随着骗保用户的灵活多变,传统的分析方式已经无法找出深层次的骗保用户,无法找出隐藏的欺诈点,如何通过用户之间的内在关系、用户所购买的保险产品之间的内在关系来进行区别、计算,进而根据每个客群的风险评估得分,划分出骗保可能性最高的客户,从而对用户进行保险反欺诈识别成为了目前亟待解决的技术问题,但在现有的技术中,并没有能够解决上述技术问题的技术方案,具体地,缺少一种基于含属性的多进程采样图表示学习模型的用户参考指数算法。
发明内容
针对现有技术存在的技术缺陷,本发明的目的是提供一种基于含属性的多进程采样图表示学习模型的用户参考指数算法,包括如下步骤:
a.构建用户关系网络图,其中,每个图节点为一个用户对象;
b.对所述用户关系网络图的节点进行采样,生成节点序列;
c.基于所述节点序列将所述节点生成低维向量;
d.基于所述低维向量计算所述节点对应的用户参考指数。
优选地,所述步骤b包括如下步骤中的任一种:
-采用smart搜索算法对所述用户关系网络图的节点进行采样;
-采用DFS算法对所述用户关系网络图的节点进行采样;
-采用BFS算法对所述用户关系网络图的节点进行采样;或者
-采用DFS和BFS混合算法对所述用户关系网络图的节点进行采样。
优选地,所述采用DFS和BFS混合算法对所述用户关系网络图的节点进行采样包括如下步骤:
b1.基于每个节点相互连接构建空间图;
b2.确定两两节点之间的关系度;
b3.随机产生一个0-1的随机数r,如果当前节点和下一个节点的相关度大于r,则采用DFS算法开始下一步搜索;如果当前节点和下一个节点的相关度小于等于r,则采用BFS算法从开始下一步搜索。
优选地,所述确定两两节点之间的关系度通过如下公式:
pij=wi/sum(wi1+…+wij+…win),其中,pij表示节点i和与其相连的节点j的关系度,wij表示两个节点之间的联系权重,1…n表示和节点i相连的节点数量。
优选地,所述步骤c包括如下步骤:
c1.通过训练模型基于所述节点序列将所述节点生成低维向量,其中满足如下条件:所述节点序列中节点embedding结果和所述节点序列中下一个节点的总体损失最小。
优选地,所述步骤c1通过如下公式实现:
其中,l1是softmax损失函数,l2是交叉熵损失函数,α是一个超参系数,A是节点属性,W为权重,u、v表示边的两个点,fenc为函数。
优选地,所述步骤d包括如下步骤:
d1.将所述低维向量与样本向量集进行向量相似计算,并获得所述用户参考指数。
优选地,所述样本向量集内元素数量K不小于1。
优选地,所述步骤d包括如下步骤:
d1'.通过聚类模型对所述低维向量进行计算,并获得所述节点类别,并将所述节点类别作为所述用户参考指数。
本发明公开了一种基于含属性的多进程采样图表示学习模型的用户参考指数算法,其通过构建用户关系网络图,其中,每个图节点为一个用户对象;对所述用户关系网络图的节点进行采样,生成节点序列;基于所述节点序列将所述节点生成低维向量;基于所述低维向量计算所述节点对应的用户参考指数,本发明使用了基于用户多维度属性的深度学习模型,对数亿级别保单数据进行模型学习,对用户进行划分不同的客户群体,根据每个客群的风险评估得分,划分出骗保可能性最高的客户,从而对用户进行保险反欺诈识别,相比于传统风险预估模型效果和性能都有很大提升。本发明操作简单、使用方便、高效精确、识别度高,可以精准的识别出高风险的客户,具有极高的商业价值。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出了本发明的具体实施方式的,一种基于含属性的多进程采样图表示学习模型的用户参考指数算法;
图2示出了本发明的第一实施例的,确定两两节点之间的关系度的具体流程示意图;以及
图3示出了本发明的第二实施例的,一种基于含属性的多进程采样图表示学习模型的用户参考指数算法的具体流程示意图。
具体实施方式
为了更好的使本发明的技术方案清晰的表示出来,下面结合附图对本发明作进一步说明。
本领域技术人员理解,针对现有技术的不足,本发明公开了一种基于含属性的多进程采样图表示学习模型的用户参考指数算法,我们基于表示学习算法理论,提出了“含属性的多进程采样图表示学习模型”。人与人之间的关系网络,这种关系在算法抽象中就是空间图结构,这样的图结构是一种非结构化数据无法直观理解和进行数据发现,需要使用表示学习算法来学习这个空间图结构,我们通过图表示学习将图上节点映射到一个低维空间内,并通过节点之间的关系来约束这种隐式表达,最后把图中每个节点(用户)表示为一个低维向量,然后计算每个用户相似度,进行用户分群。
在一个优选地实施例中,例如在保险销售中,用户A购买保险产品c1、c2,用户B购买了产品c1、c3、c4,用户C购买了产品c1、c2、c3、c4等,那么这样情况下用户直接通过购买的产品建立起了关系,形成一个关系网络,我们可以根据这种关系,使用模型自动对用户进行分群,那么和曾经有过欺诈行为用户在同一个群体(相似度很高)那么存在欺诈可能性很高。
图1示出了本发明的具体实施方式的,一种基于含属性的多进程采样图表示学习模型的用户参考指数算法,一种基于含属性的多进程采样图表示学习模型的用户参考指数算法,包括如下步骤:
首先,进入步骤S101,构建用户关系网络图,其中,每个图节点为一个用户对象,本领域技术人员理解,构建用户关系网络图通常需要用户的id以及其用户所购买产品的id,更一步地,需要用户的身份证明以及用户所购买的产品内容,且在本发明中,优选地在构建用户关系网络图时,还需要用户的画像特征,在这样的实施例中,所述用户画像特征是根据用户所使用的移动终端的各种应用程序、用户在大数据中的信用指数、用户在各种保险中投保的类型、事件、金额等等因素所计算出来的用户特征,将其加入到用户关系网络图的构建能够增加用户的多维属性,增强模型的表达能力。
然后,进入步骤S102,对所述用户关系网络图的节点进行采样,生成节点序列,在这样的实施例中,首先基于每个节点相互连接构建空间图,在确定两两节点之间的关系度,最后通过smart搜索算法、DFS算法、BFS算法亦或者DFS和BFS混合算法来对所述用户关系网络图的节点进行采样,这些将在后述的具体实施方式中作进一步地描述,在此不予赘述。
紧接着,进入步骤S103,基于所述节点序列将所述节点生成低维向量,在这样的实施例中,所述低维向量是指能够进行相似度计算的用来表示用户数据的低维的向量,在本发明中,主要使用的是16维的向量,而在其他的实施例中,还可以使用12维、18维或者更高,这都不影响本发明的具体实施方案,同时,将所述节点生成低维向量将在后述的具体实施方式中作进一步的描述。
最后,进入步骤S104,基于所述低维向量计算所述节点对应的用户参考指数,本领域技术人员理解,本发明主要通过计算低维向量相似度,计算与欺诈用户相似关系,得到反欺诈得分,或对低维向量使用聚类模型得到每个节点类别,与欺诈用户在同一类别中的用户,存在高欺诈风险。
在一个优选地实施例中,所述步骤S104包括如下步骤:将所述低维向量与样本向量集进行向量相似计算,并获得所述用户参考指数。在这样的实施例中,所述样本向量集内元素数量K不小于1。进一步地,所述向量相似计算为目前的现有技术,具体地,余弦相似性通过测量两个向量的夹角的余弦值来度量它们之间的相似性。0度角的余弦值是1,而其他任何角度的余弦值都不大于1;并且其最小值是-1。从而两个向量之间的角度的余弦值确定两个向量是否大致指向相同的方向。两个向量有相同的指向时,余弦相似度的值为1;两个向量夹角为90°时,余弦相似度的值为0;两个向量指向完全相反的方向时,余弦相似度的值为-1。这结果是与向量的长度无关的,仅仅与向量的指向方向相关。余弦相似度通常用于正空间,因此给出的值为-1到1之间。而将此运用到在本发明中,通过本发明中的图表示算法把每个用户表示成如16维的向量[0.23,0.42,0.56,-0.98,…,0.79],即一个低维欧式空间的向量,想知道所述用户是否相似或距离相近,采样计算向量的余弦相似度计算,如:A1=[6,8]、A2=[3,4],A1和A2的余弦相似度:cos(A1,A2)=(A1·A2)/|A2|·|A2|=(6*3+8*4)/10*5,即为向量A1和A2夹角的余弦值。
而在另一个优选地实施例中,所述步骤S104还可以通过如下方式实现,即通过聚类模型对所述低维向量进行计算,并获得所述节点类别,并将所述节点类别作为所述用户参考指数,在这样的实施例中,利用表示学习算法把用户表示为低维如16维度向量,本领域技术人员理解,所述16维度向量可以任意设置,如:16、32、64、126、256等,即如果想知道用户分群属于哪个群体,可以把用户表示向量作为输入数据,利用聚类算法如把用户聚成k个群体,得到用户所属用户群体,例如使用k-means聚类算法,k-means算法实际上就是通过计算不同样本间的距离来判断他们的相近关系的,相近的就会放到同一个类别中去,这些都属于目前现有技术,在此不予赘述。
图2示出了本发明的第一实施例的,确定两两节点之间的关系度的具体流程示意图,具体地,图2是对步骤S102的具体描述,所述步骤S102包括采用smart搜索算法对所述用户关系网络图的节点进行采样,而在其他的实施例中,还包括采用DFS算法对所述用户关系网络图的节点进行采样,所述DFS算法即为深度优先搜索,深度优先搜索是一种在开发爬虫早期使用较多的方法。它的目的是要达到被搜索结构的叶结点(即那些不包含任何超链的HTML文件)。在一个HTML文件中,当一个超链被选择后,被链接的HTML文件将执行深度优先搜索,即在搜索其余的超链结果之前必须先完整地搜索单独的一条链。深度优先搜索沿着HTML文件上的超链走到不能再深入为止,然后返回到某一个HTML文件,再继续选择该HTML文件中的其他超链。当不再有其他超链可选择时,说明搜索已经结束。而在本发明中,即从源节点出发,逐层向外扩展,从而在一次搜索中可以搜索更大的范围,从而找到和当前节点相似的结构信息,从全局宏观视角探索图上更加复杂的相似结构信息。
进一步地,所述步骤S102包括还采用BFS算法对所述用户关系网络图的节点进行采样,BFS算法即为广度优先搜索,宽度优先搜索算法(又称广度优先搜索)是最简便的图的搜索算法之一,这一算法也是很多重要的图的算法的原型。简单来说:就是每走一步都要把所有的下一步的所有可能都遍历一下,然后把错误的路口直接PASS。Dijkstra单源最短路径算法和Prim最小生成树算法都采用了和宽度优先搜索类似的思想。其别名又叫BFS,属于一种盲目搜寻法,目的是系统地展开并检查图中的所有节点,以找寻结果。换句话说,它并不考虑结果的可能位置,彻底地搜索整张图,直到找到结果为止。而在本发明中,即为从源节点出发依次扩展到邻接节点,从而更好的探索源节点的结构,从局部微观视角探索源节点邻接相似节点。
以上两种方式均为单独使用的方式被广泛应用于本领域的采样,而作为本发明的核心内容,主要将采用DFS和BFS混合算法对所述用户关系网络图的节点进行采样,在这样的实施例中,具体包括如下步骤:
首先,进入步骤S1021,基于每个节点相互连接构建空间图,然后通过步骤S1022确定两两节点之间的关系度,本领域技术人员理解,由于每个节点相互连接构成空间图,所述空间图为具有权重的空间图,则其空间图的两个节点之间的联系权重为wij,我们定义两两节点关系度为pij=wi/sum(wi1+…+wij+…win),即表示节点i和与其相连的节点j的关系度,1…n表示和节点i相连的节点数量,在这样的实施例中,即把所有和节点i向连接的节点权重归一化作为2个节点相关度。
最后,进入步骤S1023,随机产生一个0-1的随机数r,如果当前节点和下一个节点的相关度大于r,则采用DFS算法开始下一步搜索;如果当前节点和下一个节点的相关度小于等于r,则采用BFS算法从开始下一步搜索,即在本发明中,通过随机产生一个超参,进行参数判断搜索,并将DFS算法以及BFS算法进行有效结合,以达到同时兼顾全局与局部信息的目的。
图3示出了本发明的第二实施例的,一种基于含属性的多进程采样图表示学习模型的用户参考指数算法的具体流程示意图。具体地,作为本发明的第二实施例,其对步骤S103中如何实现基于所述节点序列将所述节点生成低维向量进行了详细描述,具体地,步骤S201、步骤S202以及步骤S204可以参考前述步骤S101、步骤S102以及步骤S104,即在步骤S203中,通过训练模型基于所述节点序列将所述节点生成低维向量,其中满足如下条件:所述节点序列中节点embedding结果和所述节点序列中下一个节点的总体损失最小。
具体地,所述步骤S203通过如下公式实现:
其中,l1是softmax损失函数,l2是交叉熵损失函数,α是一个超参系数,A是节点属性,W为权重,u、v表示边的两个点,fenc为函数,本发明基于以上算法步骤建立图表示模型,在一个优选地实施例中,输入客户购买保险的保单数据,进行训练模型,得到用户的向量表示:如用户1表示为一个16维的向量[0.23,0.57,-0.98,…,0.46,0.79],进一步地,上述中的公式并不是现有技术,作为本发明的另一个核心,此为模型的损失函数,即模型训练学习的目标函数。
进一步地,假设G表示一个图,其中V是所有节点的集合,E为所有边的集合,一个图是由节点和边组成的,那么我们把图表示为:G=(V,E),对于任意的e∈E,有e=(u,v),说明:e是边,边由2点确定的,则边的符号表示为e=(u,v),其中u,v∈v并且wuv表示这条边权重,存在一个函数fenc,使得对任意的v∈V都可以被映射到d为空间内一个点上,zu=fenc(v),其中z∈Rd同时存在一个fdec使得对任意的u,v∈E有wuv≈fdec(zv,zu)则Rd是图上一个节点有效d为欧式空间表达。为了学习Rd,定义一个损失函数:其中,l1是softmax损失函数,l2是交叉熵损失函数,a是一个超参系数,可以提前指定,比如0.5、0.1等,A是节点属性,即节点特征信息。
在本发明中,首先,进行数据准备,准备用户画像数据、用户购买的产品关系数据。然后利用用户产品关系数据、画像数据构建用户关系网络图,其中每个用户是图节点,用户画像是节点属性。通过使用多进程以及DFS和BFS混合算法对图进行节点进行采样,生成节点序列。再然后定义损失函数,序列中节点embedding结果和下一个节点为目标总体损失最小,训练模型把图节点表示为低维向量,最后计算向量相似度,计算与欺诈用户相似关系,得到反欺诈得分;或对向量进行使用聚类模型得到每个节点类别,与欺诈用户在同一类别中的用户,存在高欺诈风险。在本发明中,通过使用多进程采样,较之传统的单进程采样,采样速度提高很大,可以实现每秒百万级的采样。较传统表征模型,处理数据量较小,“含属性的多进程采样图表示学习模型”支持亿级别节点的计算,可以处理数数亿级别数据。较传统反欺诈模型,只能单纯从某几个数据维度来学习规则,“含属性的多进程采样图表示学习模型”可以发现用户图网络之间的隐藏联系,更好的发现异常欺诈点,即高风险欺诈用户。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (9)
1.一种基于含属性的多进程采样图表示学习模型的用户参考指数算法,其特征在于,包括如下步骤:
a.构建用户关系网络图,其中,每个图节点为一个用户对象;
b.对所述用户关系网络图的节点进行采样,生成节点序列;
c.基于所述节点序列将所述节点生成低维向量;
d.基于所述低维向量计算所述节点对应的用户参考指数。
2.根据权利要求1所述的算法,其特征在于,所述步骤b包括如下步骤中的任一种:
-采用smart搜索算法对所述用户关系网络图的节点进行采样;
-采用DFS算法对所述用户关系网络图的节点进行采样;
-采用BFS算法对所述用户关系网络图的节点进行采样;或者
-采用DFS和BFS混合算法对所述用户关系网络图的节点进行采样。
3.根据权利要求2所述的算法,其特征在于,所述采用DFS和BFS混合算法对所述用户关系网络图的节点进行采样包括如下步骤:
b1.基于每个节点相互连接构建空间图;
b2.确定两两节点之间的关系度;
b3.随机产生一个0-1的随机数r,如果当前节点和下一个节点的相关度大于r,则采用DFS算法开始下一步搜索;如果当前节点和下一个节点的相关度小于等于r,则采用BFS算法从开始下一步搜索。
4.根据权利要求3所述的算法,其特征在于,所述确定两两节点之间的关系度通过如下公式:
pij=wi/sum(wi1+…+wij+…win),其中,pij表示节点i和与其相连的节点j的关系度,wij表示两个节点之间的联系权重,1…n表示和节点i相连的节点数量。
5.根据权利要求1至4中任一项所述的算法,其特征在于,所述步骤c包括如下步骤:
c1.通过训练模型基于所述节点序列将所述节点生成低维向量,其中满足如下条件:所述节点序列中节点embedding结果和所述节点序列中下一个节点的总体损失最小。
7.根据权利要求1至6中任一项所述的算法,其特征在于,所述步骤d包括如下步骤:
d1.将所述低维向量与样本向量集进行向量相似计算,并获得所述用户参考指数。
8.根据权利要求7所述的算法,其特征在于,所述样本向量集内元素数量K不小于1。
9.根据权利要求1至8中任一项所述的算法,其特征在于,所述步骤d包括如下步骤:
d1'.通过聚类模型对所述低维向量进行计算,并获得所述节点类别,并将所述节点类别作为所述用户参考指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911224227.3A CN110992194A (zh) | 2019-12-04 | 2019-12-04 | 一种基于含属性的多进程采样图表示学习模型的用户参考指数算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911224227.3A CN110992194A (zh) | 2019-12-04 | 2019-12-04 | 一种基于含属性的多进程采样图表示学习模型的用户参考指数算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110992194A true CN110992194A (zh) | 2020-04-10 |
Family
ID=70089797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911224227.3A Pending CN110992194A (zh) | 2019-12-04 | 2019-12-04 | 一种基于含属性的多进程采样图表示学习模型的用户参考指数算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992194A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738817A (zh) * | 2020-05-15 | 2020-10-02 | 苏宁金融科技(南京)有限公司 | 识别风险社区的方法及系统 |
CN114169458A (zh) * | 2021-12-13 | 2022-03-11 | 平安科技(深圳)有限公司 | 一种欺诈人员识别方法及装置、存储介质、计算机设备 |
CN114693179A (zh) * | 2022-05-25 | 2022-07-01 | 中国平安财产保险股份有限公司 | 风险客群划分评估方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733405A (zh) * | 2017-04-13 | 2018-11-02 | 富士通株式会社 | 训练网页分布式表示模型的方法和装置 |
CN109710754A (zh) * | 2018-11-12 | 2019-05-03 | 中国科学院信息工程研究所 | 一种基于深度结构学习的群体异常行为检测方法 |
CN109992725A (zh) * | 2019-04-10 | 2019-07-09 | 哈尔滨工业大学(威海) | 一种基于双向距离网络嵌入的社交网络表示方法 |
CN110263227A (zh) * | 2019-05-15 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 基于图神经网络的团伙发现方法和系统 |
CN110457404A (zh) * | 2019-08-19 | 2019-11-15 | 电子科技大学 | 基于复杂异质网络的社交媒体账户分类方法 |
-
2019
- 2019-12-04 CN CN201911224227.3A patent/CN110992194A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733405A (zh) * | 2017-04-13 | 2018-11-02 | 富士通株式会社 | 训练网页分布式表示模型的方法和装置 |
CN109710754A (zh) * | 2018-11-12 | 2019-05-03 | 中国科学院信息工程研究所 | 一种基于深度结构学习的群体异常行为检测方法 |
CN109992725A (zh) * | 2019-04-10 | 2019-07-09 | 哈尔滨工业大学(威海) | 一种基于双向距离网络嵌入的社交网络表示方法 |
CN110263227A (zh) * | 2019-05-15 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 基于图神经网络的团伙发现方法和系统 |
CN110457404A (zh) * | 2019-08-19 | 2019-11-15 | 电子科技大学 | 基于复杂异质网络的社交媒体账户分类方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738817A (zh) * | 2020-05-15 | 2020-10-02 | 苏宁金融科技(南京)有限公司 | 识别风险社区的方法及系统 |
CN114169458A (zh) * | 2021-12-13 | 2022-03-11 | 平安科技(深圳)有限公司 | 一种欺诈人员识别方法及装置、存储介质、计算机设备 |
CN114693179A (zh) * | 2022-05-25 | 2022-07-01 | 中国平安财产保险股份有限公司 | 风险客群划分评估方法、装置、设备及存储介质 |
CN114693179B (zh) * | 2022-05-25 | 2022-08-30 | 中国平安财产保险股份有限公司 | 风险客群划分评估方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009174B (zh) | 风险识别模型训练方法、装置及服务器 | |
CN111199474B (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
CN111222976B (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
CN109739844B (zh) | 基于衰减权重的数据分类方法 | |
CN111931505A (zh) | 一种基于子图嵌入的跨语言实体对齐方法 | |
CN110992194A (zh) | 一种基于含属性的多进程采样图表示学习模型的用户参考指数算法 | |
CN104321794A (zh) | 一种使用多维评级来确定一实体的未来商业可行性的系统和方法 | |
JP7481100B2 (ja) | 情報処理方法および情報処理装置 | |
CN111428511B (zh) | 一种事件检测方法和装置 | |
Rasyidi et al. | Short-term prediction of vehicle speed on main city roads using the k-nearest neighbor algorithm | |
CN116401379A (zh) | 金融产品数据推送方法、装置、设备及存储介质 | |
CN111538909A (zh) | 一种信息推荐方法及装置 | |
CN115114484A (zh) | 异常事件检测方法、装置、计算机设备和存储介质 | |
CN112560105B (zh) | 保护多方数据隐私的联合建模方法及装置 | |
CN110389963A (zh) | 基于大数据的渠道效果识别方法、装置、设备和存储介质 | |
CN108960501B (zh) | 一种商品防窜货方法 | |
CN112559640B (zh) | 图谱表征系统的训练方法及装置 | |
Soepriyanto | Comparative Analysis of K-NN and Naïve Bayes Methods to Predict Stock Prices | |
CN114997378A (zh) | 归纳式图神经网络剪枝方法、系统、设备及存储介质 | |
CN116150429A (zh) | 异常对象识别方法、装置、计算设备以及存储介质 | |
Henriksson et al. | Housing Price Prediction over Countrywide Data: A comparison of XGBoost and Random Forest regressor models | |
Sápi | The international practice of statistical property valuation methods and the possibilities of introducing automated valuation models in Hungary | |
CN113781076B (zh) | 提示方法、装置、设备及可读存储介质 | |
CN109858532A (zh) | 一种用户画像方法、装置、可读存储介质及终端设备 | |
Huang et al. | Subgraph generation applied in GraphSAGE deal with imbalanced node classification |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200410 |