CN111401641A - 业务数据处理方法、装置及电子设备 - Google Patents

业务数据处理方法、装置及电子设备 Download PDF

Info

Publication number
CN111401641A
CN111401641A CN202010192401.7A CN202010192401A CN111401641A CN 111401641 A CN111401641 A CN 111401641A CN 202010192401 A CN202010192401 A CN 202010192401A CN 111401641 A CN111401641 A CN 111401641A
Authority
CN
China
Prior art keywords
path
meta
user node
target user
prediction result
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
Application number
CN202010192401.7A
Other languages
English (en)
Other versions
CN111401641B (zh
Inventor
管楚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202010192401.7A priority Critical patent/CN111401641B/zh
Publication of CN111401641A publication Critical patent/CN111401641A/zh
Application granted granted Critical
Publication of CN111401641B publication Critical patent/CN111401641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Technology Law (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例公开了一种业务处理方法、装置及电子设备，其核心思想是，通过利用业务数据样本构建各元路径，元路径由用户节点与其他节点基于路径属性信息构成；对于各元路径，根据用户节点的特征数据确定所述用户节点对不同特征的特征注意力权重，所述特征数据是从所述业务数据样本中提取的，以便对于采用预测业务数据构建的各元路径，利用目标用户节点的不同特征数据和对应的所述特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果；利用所述各元路径的路径属性信息确定所述目标用户节点对所述各元路径的路径注意力权重，以便利用所述第一预测结果和所述各元路径的路径注意力权重，确定所述目标用户节点的第二预测结果。

Description

业务数据处理方法、装置及电子设备
技术领域
本说明书实施例涉及计算机技术领域，尤其涉及一种电子账户的操作方法、装置及商户服务器。
背景技术
随着互联网技术的发展，很多业务活动从线下挪动线上，各类业务节点通过交易、社交等业务关系而产生关联，形成信息网络。在这种情况下，通过对信息网络的业务数据进行数据分析处理，可以对业务节点进行分类预测。
发明内容
有鉴于此，本说明书实施例提供了一种提升节点分类预测结果精确度的业务数据处理方法、装置及电子设备。
本说明书实施例采用下述技术方案：
本说明书实施例提供一种业务数据处理方法，包括：
利用业务数据样本构建各元路径，所述元路径由用户节点与其他节点基于路径属性信息构成；
对于所述各元路径，根据所述用户节点的特征数据确定所述用户节点对不同特征的特征注意力权重，所述特征数据是从所述业务数据样本中提取的，以便对于采用预测业务数据构建的各元路径，利用目标用户节点的不同特征数据和对应的所述特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果；
利用所述各元路径的路径属性信息确定所述目标用户节点对所述各元路径的路径注意力权重，以便利用所述第一预测结果和所述各元路径的路径注意力权重，确定所述目标用户节点的第二预测结果。
本说明书实施例还提供一种业务处理方法，包括：
利用预测业务数据构建各元路径，所述元路径由目标用户节点与其他节点基于路径属性信息构成；
对所述各元路径，利用所述目标用户节点的不同特征数据和所述目标用户节点对所述不同特征数据的特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果，所述不同特征数据是从所述预测业务数据中提取的；
利用所述第一预测结果和所述目标用户节点对所述各元路径的路径属性信息的路径注意力权重，确定所述目标用户节点的第二预测结果。
本说明书实施例还提供一种业务处理装置，包括：
构建模块，利用业务数据样本构建各元路径，所述元路径由用户节点与其他节点基于路径属性信息构成；
特征注意力确定模块，对于所述各元路径，根据所述用户节点的特征数据确定所述用户节点对不同特征的特征注意力权重，所述特征数据是从所述业务数据样本中提取的，以便对于采用预测业务数据构建的各元路径，利用目标用户节点的不同特征数据和对应的所述特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果；
路径注意力确定模块，利用所述各元路径的路径属性信息确定所述目标用户节点对所述各元路径的路径注意力权重，以便利用所述第一预测结果和所述各元路径的路径注意力权重，确定所述目标用户节点的第二预测结果。
本说明书实施例还提供一种业务处理装置，包括：
业务处理装置，包括：
构建模块，利用预测业务数据构建各元路径，所述元路径由目标用户节点与其他节点基于路径属性信息构成；
第一预测模块，对所述各元路径，利用所述目标用户节点的不同特征数据和所述目标用户节点对所述不同特征数据的特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果，所述不同特征数据是从所述预测业务数据中提取的；
第二预测模块，利用所述第一预测结果和所述目标用户节点对所述各元路径的路径属性信息的路径注意力权重，确定所述目标用户节点的第二预测结果。
本说明书实施例还提供一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
利用业务数据样本构建各元路径，所述元路径由用户节点与其他节点基于路径属性信息构成；
对于所述各元路径，根据所述用户节点的特征数据确定所述用户节点对不同特征的特征注意力权重，所述特征数据是从所述业务数据样本中提取的，以便对于采用预测业务数据构建的各元路径，利用目标用户节点的不同特征数据和对应的所述特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果；
利用所述各元路径的路径属性信息确定所述目标用户节点对所述各元路径的路径注意力权重，以便利用所述第一预测结果和所述各元路径的路径注意力权重，确定所述目标用户节点的第二预测结果。
本说明书实施例还提供一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
利用预测业务数据构建各元路径，所述元路径由目标用户节点与其他节点基于路径属性信息构成；
对所述各元路径，利用所述目标用户节点的不同特征数据和所述目标用户节点对所述不同特征数据的特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果，所述不同特征数据是从所述预测业务数据中提取的；
利用所述第一预测结果和所述目标用户节点对所述各元路径的路径属性信息的路径注意力权重，确定所述目标用户节点的第二预测结果。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过利用业务数据样本构建各元路径，所述元路径由用户节点与其他节点基于路径属性信息构成；对于所述各元路径，根据所述用户节点的特征数据确定所述用户节点对不同特征的特征注意力权重，所述特征数据是从所述业务数据样本中提取的，以便对于采用预测业务数据构建的各元路径，利用目标用户节点的不同特征数据和对应的所述特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果；利用所述各元路径的路径属性信息确定所述目标用户节点对所述各元路径的路径注意力权重，以便利用所述第一预测结果和所述各元路径的路径注意力权重，确定所述目标用户节点的第二预测结果。
本说明书实施例提供的方案，特征注意力权重反映了目标用户节点对各类特征数据的偏好，而路径注意力权重反映了目标用户节点对各元路径的偏好。那么，在应用过程中，基于特征注意力的第一预测结果为初步预测结果，而基于路径注意力的第二预测结果为对目标用户节点的最终预测结果。本方案综合考虑了用户节点对不同类特征及不同元路径的偏好，本方案设计了分层次的注意力机制来捕获用户节点对于特征和元路径的偏好，显著提升了用户节点的预测精确度。
附图说明
此处所说明的附图用来提供对本说明书实施例的进一步理解，构成本说明书实施例的一部分，本说明书的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提出的一种业务处理方法的流程图；
图2为本说明书实施例提出的一种业务处理方法的应用示例的流程图；
图3为本说明书实施例提出的一种业务处理方法的流程图；
图4为本说明书实施例提出的一种业务处理方法的流程图；
图5为本说明书实施例提出的一种业务处理装置的结构图；
图6为本说明书实施例提出的一种业务处理装置的结构图。
具体实施方式
对现有技术进行分析，通过交易信息或者社交信息等业务关系，可以将业务活动中的各类节点之间进行连接，进而得到信息网络，其中包含了用户的点属性、商品的点属性、交易或媒介等业务关系的边属性。利用图网络中相邻或相似的节点属性作为辅助信息，可以更好地描述一个用户节点。传统的基于信息网络的数据分析，多是抽取不同类型节点基于元路径的相似性度量，描述了信息网络中的语义关系，进而能够应用于用户节点的分类预测。其中，元路径定义了节点传播的模式，通过元路径可以描述不同节点之间的业务关系。
本说明书实施例提出了一种业务处理方法、装置及电子设备，其核心思想是，通过利用业务数据样本构建各元路径，所述元路径由用户节点与其他节点基于路径属性信息构成；对于所述各元路径，根据所述用户节点的特征数据确定所述用户节点对不同特征的特征注意力权重，所述特征数据是从所述业务数据样本中提取的，以便对于采用预测业务数据构建的各元路径，利用目标用户节点的不同特征数据和对应的所述特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果；利用所述各元路径的路径属性信息确定所述目标用户节点对所述各元路径的路径注意力权重，以便利用所述第一预测结果和所述各元路径的路径注意力权重，确定所述目标用户节点的第二预测结果。
本说明书实施例提供的方案，特征注意力权重反映了目标用户节点对各类特征数据的偏好，而路径注意力权重反映了目标用户节点对各元路径的偏好。那么，在应用过程中，基于特征注意力的第一预测结果为初步预测结果，而基于路径注意力的第二预测结果为对目标用户节点的最终预测结果。本方案综合考虑了用户节点对不同类特征及不同元路径的偏好，本方案设计了分层次的注意力机制来捕获用户节点对于特征和元路径的偏好，显著提升了用户节点的预测精确度。
为使本申请的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提出的一种业务处理方法的流程示意图。本方法旨在描述，利用业务数据样本提取用户节点对不同特征的特征注意力权重，及对不同元路径的路径注意力权重。
步骤101：利用业务数据样本构建各元路径，所述元路径由用户节点与其他节点基于路径属性信息构成。
其中，元路径是一条定义在网络模型上的路径，该路径定义了节点传播的模式，通过元路径可以描述不同节点之间的复合关系；例如，“客户->商品->客户”就可以当作一条元路径。
其中，路径属性信息可以是节点之间的交易或社交或其他业务关系的属性信息，业务关系将元路径中的各节点连接在一起，这样元路径中的边表征节点之间的业务关系，可以描述元路径的上下文信息。
在本说明书实施例中，节点可以是指业务属性节点，例如表征用户属性的用户节点，表征商品属性的商品节点。其中，用户节点可以是指具体业务场景下的业务属性节点，如在金融领域的银行账户或第三方支付账户，如交易场景下的买家节点、卖家节点或第三方交易节点等，在此不再类举。
在这种情况下，用户节点可以是同类用户节点或同一用户节点，具体对可以是同类账户节点或同一账户节点等等，在此不再赘述。
在本说明书实施例中，从业务数据样本中提取各元路径，可以包括：
所述业务数据样本中提取用户节点与其他节点之间的业务关联数据；
利用所述业务关联数据确定所述用户节点与其他节点之间的相似度；
利用所述用户节点与其他节点之间的相似度，构建所述各元路径。
其中，业务关联数据表征节点之间的业务交互程度，例如节点之间的交易、转账数据。本说明书实施例中记载的相似度可以是指不同类型节点之间的相关程度。
利用相似度可以测量这些节点之间的优先级，节点之间的相似度越高，这些节点对构成一条元路径来说就具有较高优先级。
步骤103：对于所述各元路径，根据所述用户节点的特征数据确定所述用户节点对不同特征的特征注意力权重，所述特征数据是从所述业务数据样本中提取的。
在这种情况下，在预测阶段，可以对于采用预测业务数据构建的各元路径，利用目标用户节点的不同特征数据和对应的所述特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果。
在每个元路径中，用户节点对不同特征数据的偏好，这种偏好可以用特征注意力权重进行表征。其中，用户节点的不同特征数据，可以包含用户节点自身的特征数据，还可以包含在元路径中邻居节点的特征数据。这样，在确定特征注意力权重时，对每个元路径，可以将用户节点自身的数据和用户节点的邻居节点的特征数据进行融合，以确定特征注意力权重。
其中，特征数据可以是业务特征数据，如节点的静态特征、交易金额、交易笔数等，在不同业务场景下有不同的物理含义，在此不作具体限定。
在本说明书实施例中，根据所述用户节点的特征数据确定所述用户节点对不同特征的特征注意力权重，包括：
利用所述特征数据训练特征注意力模型中设定的所述特征注意力权重。
在训练过程中，针对每个元路径，用户节点的特征数据作为输入。
具体地，特征注意力模型可以选择神经网络模型或其他深度学习模型，在此不作具体限定。
步骤105：利用所述各元路径的路径属性信息确定所述目标用户节点对所述各元路径的路径注意力权重。
这样，在预测阶段，可以利用所述第一预测结果和所述各元路径的路径注意力权重，确定所述目标用户节点的第二预测结果。
路径注意力表征用户节点对各元路径的偏好，使得最终的第二预测结果结合了用户节点对不同特征及不同元路径的偏好，精确度高。
其中，路径属性数据表征该元路径的上下文信息，也即是边属性。如
Figure BDA0002416391020000081
表征交易属性，
Figure BDA0002416391020000082
表征媒介属性，
Figure BDA0002416391020000083
表示向相同资金渠道转账，
Figure BDA0002416391020000084
表示团伙属性，
Figure BDA0002416391020000085
表示团伙属性的用户向相同渠道转账。在不同业务场景下，元路径的属性信息不同，可根据具体情况定义，在此不作具体限定。
在本说明书实施例中，利用所述各元路径的路径属性信息确定所述目标用户节点对所述各元路径的路径注意力权重，可以包括：
利用所述各元路径的路径属性信息训练路径注意力模型中的所述路径注意力权重。
其中，路径注意力模型可以选择神经网络模型或其他深度学习模型，在此不作具体限定。
本说明书实施例提供的方案，特征注意力权重反映了用户节点对不同特征数据的偏好，而路径注意力权重反映了目标用户节点对各元路径的偏好。那么，在应用过程中，基于特征注意力的第一预测结果为初步预测结果，而基于路径注意力的第二预测结果为对用户节点的最终预测结果。本方案综合考虑了用户节点对不同特征及不同元路径的偏好，本方案设计了分层次的注意力机制来捕获用户节点对于特征和元路径的偏好，并进行融合，以提升对用户节点的预测精确度。
图2为本说明书实施例提出的一种业务处理方法的应用例的流程图。
利用本说明书实施例记载的方案可知，不同用户节点可能对元路径有不同的风险偏好。例如，即使对于同一个用户节点，元路径在不同节点的交互中也可能具有不同的语义。例如，在账户和银行卡的交互中，元路径提供了重要的上下文信息，因此所涉及的账户和银行卡也很可能受到影响。基于这些问题，本说明书实施例希望能以一种交互增强的方式改进账户、银行卡和元路径的表示，从而设计一种更有效的表示学习方法。
例如，不同的用户节点会对不同的元路径以及不同特征数据有不同的偏好。举例来说，一个风险用户的两个邻居用户，分别是“频繁交易的早餐店”和“同设备或同IP的客户”。这里可以看出，这个风险用户的风险会传播到“同设备或同IP的客户”上，而由于“早餐店”有着大量其他正常客户的交易，所以风险的传导会相对较小。因此，一个用户的“风险”在信息网络中的传导，与不同类型传播的路径和不同类型的节点属性都有关系。因此，本说明书实施例设计了一个层次的注意力机制来捕获用户对于特征和路径的偏好。
步骤202：元路径的路径实例采样。
在本说明书实施例中，可以采用矩阵分解的方式计算每两个节点的相似度。
具体地，先将业务数据样本所构成的整体网络结构以矩阵的方式存储，其中矩阵中的元素表示对应的两节点之间已知的业务关联数据，例如，矩阵的第i行第j列表示第i个节点和第j个节点间的交易金额。可以注意到，这里我们可以将银行卡和账户都作为了相同类型的节点，其主要目的仅为了学习节点间的关联程度。
然后，通过矩阵分解框架SVDFeature进行训练，得到了节点间的两两相似度。
最后，可以基于相似度来构建元路径。
步骤204：将所述各元路径的路径属性信息转化为向量表示。
具体地，根据步骤202可以得到元路径实例，实际上是实体节点的序列，然后通过步骤204可以将这种节点序列表示成向量。
具体地，以元路径实例作为输入，可以采用卷积神经网络CNN来进行路径属性数据的提取和向量表示。正式地，给定一个由某条元路径ρ产生的路径实例p，让Xp∈RL×d表示该路径的节点序列拼接而成的表示矩阵。其中，L是路径实例的长度，d是实体的表示维度。
卷积神经网络的结构可以由卷积层(通过卷积运算产生的新特征)和最大池化层组成。使用CNN学习路径实例p的表示过程如下：
hp＝NN(Xp；Θ)
其中，Xp表示路径实例p的矩阵，Θ表示CNN中的相关参数。
由于元路径可以生成多个路径实例，因此可以进一步使用最大池化操作来生成元路径的表示。令
Figure BDA0002416391020000101
表示元路径ρ选取的K个路径实例的低维向量表示，元路径的ρ的表示可以通过如下步骤计算得到：
Figure BDA0002416391020000102
最大池操作是在K个路径实例的低维表示上执行的，目的是从多个路径实例中获取重要的维度特征。
步骤206：训练特征注意力权重。
由于目标用户节点的不同特征对于预测结果可能有不同的影响，因此可以对每条元路径，学习对应各类特征数据的注意力权重。给定用户的隐层表示hu和该用户基于元路径ρ的融合表示
Figure BDA0002416391020000103
具体地，可以采用两层神经网络来实现特征层面上的注意力机制，具体如下：
Figure BDA0002416391020000104
Figure BDA0002416391020000105
其中，
Figure BDA0002416391020000106
和
Figure BDA0002416391020000107
分别表示权重矩阵和偏置向量，[；，；]表示两个向量的拼接，hu为目标用户节点自身的特征表示，而
Figure BDA0002416391020000108
实质是将邻居节点的特征表征为目标用户节点的特征表示。根据标准的神经注意力机制，可以采用SoftMax函数来进行标准化的操作，得到最终的特征注意力权重。
步骤208：训练路径注意力权重。
对应一个用户节点，对不同类型的元路径有着不同类型的偏好，从而结合路径注意力权重对邻居节点的信息进行更有效的融合。具体来说，可以将用户u(例如对应目标用户节点)基于元路径ρ的定义如下：
Figure BDA0002416391020000111
其中，zρ表示元路径ρ下的注意力向量，fu表示用户u基于所有元路径的表示的拼接。在预测阶段，根据计算的路径注意力权重，可以通过加权求和的方式得到用户节点的最后表示，作为最后的预测结果。
图3为本说明书实施例提出的一种业务处理方法的流程图。本方法旨在描述基于目标用户节点对不同特征及不同元路径的偏好，对目标用户节点的业务属性预测阶段。
步骤301：利用预测业务数据构建各元路径，所述元路径由目标用户节点与其他节点基于路径属性信息构成。
预测业务数据可以是从目标用户节点所采集的，或者，所述预测业务数据是监测目标用户节点的业务活动而获取到的。
在本说明书实施例中，利用预测业务数据构建各元路径，可以包括：
从所述预测业务数据中提取所述目标用户节点与其他节点之间的业务关联数据；
利用所述业务关联数据确定所述目标用户节点与其他节点之间的相似度；
利用所述相似度，构建所述各元路径。
步骤303：对各元路径，利用目标用户节点的不同特征数据和目标用户节点对不同特征数据的特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果，所述不同特征数据是从所述预测业务数据中提取的。
其中，特征注意力权重，是利用业务数据样本中提取的用户节点的特征数据所确定的。即使对于不同路径下，目标用户节点对同一种特征数据的特征注意力可以是相同的或不同的。
在这种情况下，目标用户节点对于所述各元路径的第一预测结果，实质是对不同元路径下，第一预测结果也可能是相同或不同的。
在本说明书实施例中，利用所述目标用户节点的不同特征数据和所述目标用户节点对所述不同特征数据的特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果，包括：
利用包含所述特征注意力权重的特征注意力模型，对所述目标用户节点的不同特征数据进行处理，得到所述目标用户节点对于所述各元路径的第一预测结果。
其中，特征注意力模型是利用业务数据样本中用户节点的特征数据训练特征注意力权重而得到的。
步骤305：利用所述第一预测结果和所述目标用户节点对所述各元路径的路径属性信息的路径注意力权重，确定所述目标用户节点的第二预测结果。
第二预测结果可以作为所述目标用户节点的最终预测结果。
在本说明书实施例中，利用第一预测结果和所述目标用户节点对各元路径的路径属性信息的路径注意力权重，确定目标用户节点的第二预测结果，包括：
利用包含所述路径注意力权重的路径注意力模型，对所述目标用户节点对于所述各元路径的第一预测结果进行处理，得到所述第二预测结果。
其中，路径注意力模型是利用业务数据样本中包含的各元路径的路径属性信息训练路径注意力权重得到的。
在本说明书实施例中，可以在利用包含所述路径注意力权重的路径注意力模型，对所述目标用户节点对于所述各元路径的第一预测结果进行处理，得到所述第二预测结果之前，将所述各元路径的路径属性信息转化为向量表示；则
利用包含所述路径注意力权重的路径注意力模型，对所述目标用户节点对于所述各元路径的第一预测结果进行处理，得到所述第二预测结果，可以包括：
利用包含所述路径注意力权重的路径注意力模型，对所述各元路径的路径属性信息的向量表示进行输入，得到所述第二预测结果。
利用本说明书实施例提出的方案，特征注意力权重反映了目标用户节点对不同特征的偏好，而路径注意力权重反映了目标用户节点对各元路径的偏好。那么，在应用过程中，基于特征注意力的第一预测结果为初步预测结果，而基于路径注意力的第二预测结果为对目标用户节点的最终预测结果。本方案综合考虑了用户节点对不同特征及不同元路径的偏好，本方案设计了分层次的注意力机制来捕获用户节点对于特征和元路径的偏好，显著提升了用户节点的预测精确度。
图4为本说明书实施例提出的一种基于层次注意力框架的业务处理方法流程图。
步骤402：对不同元路径，获取用户u自身的特征向量表示，及用户u的邻居节点的特征数据的向量表示；
步骤404：对不同元路径，利用不同特征数据的特征注意力权重，对用户u自身的特征向量表示及用户u的邻居节点的特征数据的向量表示进行特征注意力加权融合，那么对不同元路径可以分别得到一个第一预测结果；
步骤406：利用不同元路径的路径注意力权重，分别对各第一预测结果进行加权融合，得到第二预测结果。
图5为本说明书实施例提出的一种业务处理装置的结构示意图。
本装置可以包括：
构建模块501，利用业务数据样本构建各元路径，所述元路径由用户节点与其他节点基于路径属性信息构成；
特征注意力确定模块502，对于所述各元路径，根据所述用户节点的特征数据确定所述用户节点对不同特征的特征注意力权重，所述特征数据是从所述业务数据样本中提取的，以便对于采用预测业务数据构建的各元路径，利用目标用户节点的不同特征数据和对应的所述特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果；
路径注意力确定模块503，利用所述各元路径的路径属性信息确定所述目标用户节点对所述各元路径的路径注意力权重，以便利用所述第一预测结果和所述各元路径的路径注意力权重，确定所述目标用户节点的第二预测结果。
可选地，根据所述用户节点的特征数据确定所述用户节点对不同特征的特征注意力权重，包括：
利用所述特征数据训练特征注意力模型中设定的所述特征注意力权重。
可选地，利用所述各元路径的路径属性信息确定所述目标用户节点对所述各元路径的路径注意力权重，包括：
利用所述各元路径的路径属性信息训练路径注意力模型中的所述路径注意力权重。
可选地，从业务数据样本中提取各元路径，包括：
从所述业务数据样本中提取用户节点与其他节点之间的业务关联数据；
利用所述业务关联数据确定所述用户节点与其他节点之间的相似度；
利用所述用户节点与其他节点之间的相似度，构建所述各元路径。
利用本说明书实施例提出的装置，特征注意力权重反映了目标用户节点对不同特征的偏好，而路径注意力权重反映了目标用户节点对各元路径的偏好。那么，在应用过程中，基于特征注意力的第一预测结果为初步预测结果，而基于路径注意力的第二预测结果为对目标用户节点的最终预测结果。本方案综合考虑了用户节点对不同特征及不同元路径的偏好，本方案设计了分层次的注意力机制来捕获用户节点对于特征和元路径的偏好，显著提升了用户节点的预测精确度。
基于同一个发明构思，本说明书实施例还提供了一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
利用业务数据样本构建各元路径，所述元路径由用户节点与其他节点基于路径属性信息构成；
对于所述各元路径，根据所述用户节点的特征数据确定所述用户节点对不同特征的特征注意力权重，所述特征数据是从所述业务数据样本中提取的，以便对于采用预测业务数据构建的各元路径，利用目标用户节点的不同特征数据和对应的所述特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果；
利用所述各元路径的路径属性信息确定所述目标用户节点对所述各元路径的路径注意力权重，以便利用所述第一预测结果和所述各元路径的路径注意力权重，确定所述目标用户节点的第二预测结果。
基于同一发明构思，本说明书实施例中还提供了一种计算机可读存储介质，包括与电子设备结合使用计算机程序，所述计算机程序可被处理器执行以完成以下步骤：
利用业务数据样本构建各元路径，所述元路径由用户节点与其他节点基于路径属性信息构成；
对于所述各元路径，根据所述用户节点的特征数据确定所述用户节点对不同特征的特征注意力权重，所述特征数据是从所述业务数据样本中提取的，以便对于采用预测业务数据构建的各元路径，利用目标用户节点的不同特征数据和对应的所述特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果；
利用所述各元路径的路径属性信息确定所述目标用户节点对所述各元路径的路径注意力权重，以便利用所述第一预测结果和所述各元路径的路径注意力权重，确定所述目标用户节点的第二预测结果。
图6为本说明书实施例提出的一种业务处理装置的结构示意图。
本装置可以包括：
构建模块601，利用预测业务数据构建各元路径，所述元路径由目标用户节点与其他节点基于路径属性信息构成；
第一预测模块602，对所述各元路径，利用所述目标用户节点的不同特征数据和所述目标用户节点对所述不同特征数据的特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果，所述不同特征数据是从所述预测业务数据中提取的；
第二预测模块603，利用所述第一预测结果和所述目标用户节点对所述各元路径的路径属性信息的路径注意力权重，确定所述目标用户节点的第二预测结果。
可选地，利用预测业务数据构建各元路径，包括：
从所述预测业务数据中提取所述目标用户节点与其他节点之间的业务关联数据；
利用所述业务关联数据确定所述目标用户节点与其他节点之间的相似度；
利用所述相似度，构建所述各元路径。
可选地，利用所述目标用户节点的不同特征数据和所述目标用户节点对所述不同特征数据的特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果，包括：
利用包含所述特征注意力权重的特征注意力模型，对所述目标用户节点的不同特征数据进行处理，得到所述目标用户节点对于所述各元路径的第一预测结果。
可选地，利用所述第一预测结果和所述目标用户节点对所述各元路径的路径属性信息的路径注意力权重，确定所述目标用户节点的第二预测结果，包括：
利用包含所述路径注意力权重的路径注意力模型，对所述目标用户节点对于所述各元路径的第一预测结果进行处理，得到所述第二预测结果。
利用本说明书实施例提出的装置，特征注意力权重反映了目标用户节点对不同特征的偏好，而路径注意力权重反映了目标用户节点对各元路径的偏好。那么，在应用过程中，基于特征注意力的第一预测结果为初步预测结果，而基于路径注意力的第二预测结果为对目标用户节点的最终预测结果。本方案综合考虑了用户节点对不同特征及不同元路径的偏好，本方案设计了分层次的注意力机制来捕获用户节点对于特征和元路径的偏好，显著提升了用户节点的预测精确度。
基于同一个发明构思，本说明书实施例还提供了一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
利用预测业务数据构建各元路径，所述元路径由目标用户节点与其他节点基于路径属性信息构成；
对所述各元路径，利用所述目标用户节点的不同特征数据和所述目标用户节点对所述不同特征数据的特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果，所述不同特征数据是从所述预测业务数据中提取的；
利用所述第一预测结果和所述目标用户节点对所述各元路径的路径属性信息的路径注意力权重，确定所述目标用户节点的第二预测结果。
基于同一发明构思，本说明书实施例中还提供了一种计算机可读存储介质，包括与电子设备结合使用计算机程序，所述计算机程序可被处理器执行以完成以下步骤：
利用预测业务数据构建各元路径，所述元路径由目标用户节点与其他节点基于路径属性信息构成；
对所述各元路径，利用所述目标用户节点的不同特征数据和所述目标用户节点对所述不同特征数据的特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果，所述不同特征数据是从所述预测业务数据中提取的；
利用所述第一预测结果和所述目标用户节点对所述各元路径的路径属性信息的路径注意力权重，确定所述目标用户节点的第二预测结果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (20)

1.一种业务数据处理方法，包括：
利用业务数据样本构建各元路径，所述元路径由用户节点与其他节点基于路径属性信息构成；
对于所述各元路径，根据所述用户节点的特征数据确定所述用户节点对不同特征的特征注意力权重，所述特征数据是从所述业务数据样本中提取的，以便对于采用预测业务数据构建的各元路径，利用目标用户节点的不同特征数据和对应的所述特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果；
利用所述各元路径的路径属性信息确定所述目标用户节点对所述各元路径的路径注意力权重，以便利用所述第一预测结果和所述各元路径的路径注意力权重，确定所述目标用户节点的第二预测结果。
2.如权利要求1所述的方法，根据所述用户节点的特征数据确定所述用户节点对不同特征的特征注意力权重，包括：
利用所述特征数据训练特征注意力模型中设定的所述特征注意力权重。
3.如权利要求1所述的方法，利用所述各元路径的路径属性信息确定所述目标用户节点对所述各元路径的路径注意力权重，包括：
利用所述各元路径的路径属性信息训练路径注意力模型中的所述路径注意力权重。
4.如权利要求3所述的方法，在利用所述各元路径的路径属性信息训练路径注意力模型中的所述路径注意力权重之前，还包括：
将所述各元路径的路径属性信息转化为向量表示；
利用所述各元路径的路径属性信息训练路径注意力模型中的所述路径注意力权重，包括：
以所述各元路径的路径属性信息的向量表示作为输入，训练所述路径注意力模型中的所述路径注意力权重。
5.如权利要求1所述的方法，从业务数据样本中提取各元路径，包括：
从所述业务数据样本中提取用户节点与其他节点之间的业务关联数据；
利用所述业务关联数据确定所述用户节点与其他节点之间的相似度；
利用所述用户节点与其他节点之间的相似度，构建所述各元路径。
6.一种业务处理方法，包括：
利用预测业务数据构建各元路径，所述元路径由目标用户节点与其他节点基于路径属性信息构成；
对所述各元路径，利用所述目标用户节点的不同特征数据和所述目标用户节点对所述不同特征数据的特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果，所述不同特征数据是从所述预测业务数据中提取的；
利用所述第一预测结果和所述目标用户节点对所述各元路径的路径属性信息的路径注意力权重，确定所述目标用户节点的第二预测结果。
7.如权利要求6所述的方法，利用预测业务数据构建各元路径，包括：
从所述预测业务数据中提取所述目标用户节点与其他节点之间的业务关联数据；
利用所述业务关联数据确定所述目标用户节点与其他节点之间的相似度；
利用所述相似度，构建所述各元路径。
8.如权利要求6所述的方法，利用所述目标用户节点的不同特征数据和所述目标用户节点对所述不同特征数据的特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果，包括：
利用包含所述特征注意力权重的特征注意力模型，对所述目标用户节点的不同特征数据进行处理，得到所述目标用户节点对于所述各元路径的第一预测结果。
9.如权利要求6所述的方法，利用所述第一预测结果和所述目标用户节点对所述各元路径的路径属性信息的路径注意力权重，确定所述目标用户节点的第二预测结果，包括：
利用包含所述路径注意力权重的路径注意力模型，对所述目标用户节点对于所述各元路径的第一预测结果进行处理，得到所述第二预测结果。
10.如权利要求9所述的方法，在利用包含所述路径注意力权重的路径注意力模型，对所述目标用户节点对于所述各元路径的第一预测结果进行处理，得到所述第二预测结果之前，还包括：
将所述各元路径的路径属性信息转化为向量表示；
利用包含所述路径注意力权重的路径注意力模型，对所述目标用户节点对于所述各元路径的第一预测结果进行处理，得到所述第二预测结果，包括：
利用包含所述路径注意力权重的路径注意力模型，对所述各元路径的路径属性信息的向量表示进行输入，得到所述第二预测结果。
11.一种业务处理装置，包括：
构建模块，利用业务数据样本构建各元路径，所述元路径由用户节点与其他节点基于路径属性信息构成；
特征注意力确定模块，对于所述各元路径，根据所述用户节点的特征数据确定所述用户节点对不同特征的特征注意力权重，所述特征数据是从所述业务数据样本中提取的，以便对于采用预测业务数据构建的各元路径，利用目标用户节点的不同特征数据和对应的所述特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果；
路径注意力确定模块，利用所述各元路径的路径属性信息确定所述目标用户节点对所述各元路径的路径注意力权重，以便利用所述第一预测结果和所述各元路径的路径注意力权重，确定所述目标用户节点的第二预测结果。
12.如权利要求11所述的装置，根据所述用户节点的特征数据确定所述用户节点对不同特征的特征注意力权重，包括：
利用所述特征数据训练特征注意力模型中设定的所述特征注意力权重。
13.如权利要求11所述的装置，利用所述各元路径的路径属性信息确定所述目标用户节点对所述各元路径的路径注意力权重，包括：
利用所述各元路径的路径属性信息训练路径注意力模型中的所述路径注意力权重。
14.如权利要求11所述的装置，从业务数据样本中提取各元路径，包括：
从所述业务数据样本中提取用户节点与其他节点之间的业务关联数据；
利用所述业务关联数据确定所述用户节点与其他节点之间的相似度；
利用所述用户节点与其他节点之间的相似度，构建所述各元路径。
15.一种业务处理装置，包括：
构建模块，利用预测业务数据构建各元路径，所述元路径由目标用户节点与其他节点基于路径属性信息构成；
第一预测模块，对所述各元路径，利用所述目标用户节点的不同特征数据和所述目标用户节点对所述不同特征数据的特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果，所述不同特征数据是从所述预测业务数据中提取的；
第二预测模块，利用所述第一预测结果和所述目标用户节点对所述各元路径的路径属性信息的路径注意力权重，确定所述目标用户节点的第二预测结果。
16.如权利要求15所述的装置，利用预测业务数据构建各元路径，包括：
从所述预测业务数据中提取所述目标用户节点与其他节点之间的业务关联数据；
利用所述业务关联数据确定所述目标用户节点与其他节点之间的相似度；
利用所述相似度，构建所述各元路径。
17.如权利要求15所述的装置，利用所述目标用户节点的不同特征数据和所述目标用户节点对所述不同特征数据的特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果，包括：
利用包含所述特征注意力权重的特征注意力模型，对所述目标用户节点的不同特征数据进行处理，得到所述目标用户节点对于所述各元路径的第一预测结果。
18.如权利要求15所述的装置，利用所述第一预测结果和所述目标用户节点对所述各元路径的路径属性信息的路径注意力权重，确定所述目标用户节点的第二预测结果，包括：
利用包含所述路径注意力权重的路径注意力模型，对所述目标用户节点对于所述各元路径的第一预测结果进行处理，得到所述第二预测结果。
19.一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
利用业务数据样本构建各元路径，所述元路径由用户节点与其他节点基于路径属性信息构成；
对于所述各元路径，根据所述用户节点的特征数据确定所述用户节点对不同特征的特征注意力权重，所述特征数据是从所述业务数据样本中提取的，以便对于采用预测业务数据构建的各元路径，利用目标用户节点的不同特征数据和对应的所述特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果；
利用所述各元路径的路径属性信息确定所述目标用户节点对所述各元路径的路径注意力权重，以便利用所述第一预测结果和所述各元路径的路径注意力权重，确定所述目标用户节点的第二预测结果。
20.一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
利用预测业务数据构建各元路径，所述元路径由目标用户节点与其他节点基于路径属性信息构成；
对所述各元路径，利用所述目标用户节点的不同特征数据和所述目标用户节点对所述不同特征数据的特征注意力权重，确定所述目标用户节点对于所述各元路径的第一预测结果，所述不同特征数据是从所述预测业务数据中提取的；
利用所述第一预测结果和所述目标用户节点对所述各元路径的路径属性信息的路径注意力权重，确定所述目标用户节点的第二预测结果。
CN202010192401.7A 2020-03-18 2020-03-18 业务数据处理方法、装置及电子设备 Active CN111401641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010192401.7A CN111401641B (zh) 2020-03-18 2020-03-18 业务数据处理方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010192401.7A CN111401641B (zh) 2020-03-18 2020-03-18 业务数据处理方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111401641A true CN111401641A (zh) 2020-07-10
CN111401641B CN111401641B (zh) 2022-11-18

Family

ID=71413393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010192401.7A Active CN111401641B (zh) 2020-03-18 2020-03-18 业务数据处理方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111401641B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113157941A (zh) * 2021-04-08 2021-07-23 支付宝(杭州)信息技术有限公司 业务特征数据处理、文本生成方法、装置及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190156212A1 (en) * 2017-11-21 2019-05-23 Microsoft Technology Licensing, Llc Entity linking via disambiguation using machine learning techniques
CN110046698A (zh) * 2019-04-28 2019-07-23 北京邮电大学 异质图神经网络生成方法、装置、电子设备及存储介质
CN110717098A (zh) * 2019-09-20 2020-01-21 中国科学院自动化研究所 基于元路径的上下文感知用户建模方法、序列推荐方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190156212A1 (en) * 2017-11-21 2019-05-23 Microsoft Technology Licensing, Llc Entity linking via disambiguation using machine learning techniques
CN110046698A (zh) * 2019-04-28 2019-07-23 北京邮电大学 异质图神经网络生成方法、装置、电子设备及存储介质
CN110717098A (zh) * 2019-09-20 2020-01-21 中国科学院自动化研究所 基于元路径的上下文感知用户建模方法、序列推荐方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113157941A (zh) * 2021-04-08 2021-07-23 支付宝(杭州)信息技术有限公司 业务特征数据处理、文本生成方法、装置及电子设备

Also Published As

Publication number Publication date
CN111401641B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN109858970B (zh) 一种用户行为预测方法、装置及存储介质
CN112214652B (zh) 一种报文生成方法、装置及设备
CN112015909B (zh) 知识图谱的构建方法及装置、电子设备、存储介质
CN111383030B (zh) 一种交易风险的检测方法、装置及设备
CN113688313A (zh) 一种预测模型的训练方法、信息推送的方法及装置
CN111260368A (zh) 一种账户交易风险判断方法、装置及电子设备
Doğan et al. Speculator and influencer evaluation in stock market by using social media
Ramon et al. Can metafeatures help improve explanations of prediction models when using behavioral and textual data?
Zhao et al. Revolutionizing finance with llms: An overview of applications and insights
Jacob Non-performing Asset Analysis Using Machine Learning
Wang et al. Customer churn prediction with feature embedded convolutional neural network: An empirical study in the internet funds industry
Tasgetiren et al. On the distributed software architecture of a data analysis workflow: A case study
CN111401641B (zh) 业务数据处理方法、装置及电子设备
Qasem et al. Extreme learning machine for credit risk analysis
Subashini et al. Enhanced system for revealing fraudulence in credit card approval
Elzeheiry et al. Sentiment analysis for e-commerce product reviews: Current trends and future directions
Zhong et al. Success prediction of crowdfunding campaigns with project network: A machine learning approach
Yoshida et al. Gaussian hierarchical latent Dirichlet allocation: Bringing polysemy back
Verma et al. A Smart Movie Recommendation System Using Machine Learning Predictive Analysis
CN117094032B (zh) 一种基于隐私保护的用户信息加密方法及系统
Liu et al. DNN2LR: Automatic feature crossing for credit scoring
Hoang et al. Federated artificial intelligence for unified credit assessment
Khan et al. Users sentiment analysis using artificial intelligence-based FinTech data fusion in financial organizations
Kaisar et al. Explainable Machine Learning Models for Credit Risk Analysis: A Survey
CN113743678B (zh) 一种用户信用评分预测方法及相关设备

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
GR01 Patent grant
GR01 Patent grant