CN111522866A - 一种可信子图的挖掘方法、装置以及设备 - Google Patents
一种可信子图的挖掘方法、装置以及设备 Download PDFInfo
- Publication number
- CN111522866A CN111522866A CN202010631573.XA CN202010631573A CN111522866A CN 111522866 A CN111522866 A CN 111522866A CN 202010631573 A CN202010631573 A CN 202010631573A CN 111522866 A CN111522866 A CN 111522866A
- Authority
- CN
- China
- Prior art keywords
- subgraph
- alternative
- credible
- score
- sub
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000005065 mining Methods 0.000 title claims abstract description 23
- 238000012512 characterization method Methods 0.000 claims abstract description 79
- 238000001556 precipitation Methods 0.000 claims abstract description 40
- 230000006399 behavior Effects 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 56
- 230000003044 adaptive effect Effects 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000013138 pruning Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 18
- 238000003860 storage Methods 0.000 description 12
- 230000006872 improvement Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000000151 deposition Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004880 explosion Methods 0.000 description 6
- 230000008021 deposition Effects 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005137 deposition process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例公开了一种可信子图的挖掘方法、装置以及设备。所述方法包括:基于目标点的业务行为和/或业务关系构边,获得待处理的图数据对应的子图;基于元可信召回策略遍历所述子图,获得备择子图;基于第一模型,对所述备择子图进行分类,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值,其中,所述第一分值用于对所述备择子图进行子图分类,以表示所述备择子图是否可信;基于所述备择子图的表征向量、所述备择子图的整体表征,采用第二模型获得所述备择子图的第二分值,其中,所述第二分值表示所述备择子图的风险概率;基于所述第一分值和所述第二分值,对所述备择子图进行子图沉淀,获得可信子图。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种可信子图的挖掘方法、装置以及设备。
背景技术
随着互联网的发展,电商平台的广告、业务处理过程中的交易、网页信息等等,均可以以图数据的形式进行表达,总之,各种场景下的信息都能转换成图来进行表示。基于图数据的子图,可用于可信数据的沉淀。可信数据的沉淀可以助益低风险交易事件的放行,减少识别层的分析量,对于交易事件的可信关系的识别具有重要意义。对于低风险交易事件或者可信数据的挖掘,寻求一种稳健的方式快速放行,不仅能够提升普通用户的体验,而且能够预留更多资源识别可能涉及的其它案件。
现有技术中,可信数据的沉淀往往限定于某些固定的关系对,缺乏扩展性,或者可信数据的沉淀过程中会丢失很多信息,或者无法刻画关系对的常用信息,在应用以子图为代表的多主体关系对时容易造成维度爆炸问题。
因此,需要一种可信子图的挖掘方法,以实现可信数据的挖掘。
发明内容
本说明书实施例提供一种可信子图的挖掘方法、装置以及设备,用于解决以下技术问题:可信数据的沉淀往往限定于某些固定的关系对,缺乏扩展性,或者可信数据的沉淀过程中会丢失很多信息,或者无法刻画关系对的常用信息,在应用以子图为代表的多主体关系对时容易造成维度爆炸问题。
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供的一种可信子图的挖掘方法,包括:
基于目标点的业务行为和/或业务关系构边,获得待处理的图数据对应的子图;
基于元可信召回策略遍历所述子图,获得备择子图,其中,所述元可信召回策略是基于业务特点预先定义的进行子图沉淀的格式;
基于第一模型,对所述备择子图进行分类,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值,其中,所述第一模型是基于图神经网络预先训练获得的模型,所述第一分值用于对所述备择子图进行子图分类,以表示所述备择子图是否可信;
基于所述备择子图的表征向量、所述备择子图的整体表征,采用第二模型获得所述备择子图的第二分值,其中,所述第二模型是基于树模型预先训练获得的模型,所述第二分值表示所述备择子图的风险概率;
基于所述第一分值和所述第二分值,对所述备择子图进行子图沉淀,获得可信子图。
本说明书实施例还提供一种可信子图的挖掘装置,包括:
构图模块,基于目标点的业务行为和/或业务关系构边,获得待处理的图数据对应的子图;
召回模块,基于元可信召回策略遍历所述子图,获得备择子图,其中,所述元可信召回策略是基于业务特点预先定义的进行子图沉淀的格式;
第一计算模块,基于第一模型,对所述备择子图进行分类,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值,其中,所述第一模型是基于图神经网络预先训练获得的模型,所述第一分值用于对所述备择子图进行子图分类,以表示所述备择子图是否可信;
第二计算模块,基于所述备择子图的表征向量、所述备择子图的整体表征,采用第二模型获得所述备择子图的第二分值,其中,所述第二模型是基于树模型预先训练获得的模型,所述第二分值表示所述备择子图的风险概率;
沉淀模块,基于所述第一分值和所述第二分值,对所述备择子图进行子图沉淀,获得可信子图。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
基于目标点的业务行为和/或业务关系构边,获得待处理的图数据对应的子图;
基于元可信召回策略遍历所述子图,获得备择子图,其中,所述元可信召回策略是基于业务特点预先定义的进行子图沉淀的格式;
基于第一模型,对所述备择子图进行分类,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值,其中,所述第一模型是基于图神经网络预先训练获得的模型,所述第一分值用于对所述备择子图进行子图分类,以表示所述备择子图是否可信;
基于所述备择子图的表征向量、所述备择子图的整体表征,采用第二模型获得所述备择子图的第二分值,其中,所述第二模型是基于树模型预先训练获得的模型,所述第二分值表示所述备择子图的风险概率;
基于所述第一分值和所述第二分值,对所述备择子图进行子图沉淀,获得可信子图。
本说明书实施例基于目标点的业务行为和/或业务关系构边,获得待处理的图数据对应的子图;基于元可信召回策略遍历所述子图,获得备择子图,其中,所述元可信召回策略是基于业务特点预先定义的进行子图沉淀的格式;基于第一模型,对所述备择子图进行分类,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值,其中,所述第一模型是基于图神经网络预先训练获得的模型,所述第一分值用于对所述备择子图进行子图分类,以表示所述备择子图是否可信;基于所述备择子图的表征向量、所述备择子图的整体表征,采用第二模型获得所述备择子图的第二分值,其中,所述第二模型是基于树模型预先训练获得的模型,所述第二分值表示所述备择子图的风险概率;基于所述第一分值和所述第二分值,对所述备择子图进行子图沉淀,获得可信子图。采用本说明书提供的可信子图的挖掘方法,能够刻画关系对的常用信息,具有较强的扩展性,且在数据沉淀过程中不会丢失信息,不存在维度爆炸的问题。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种可信子图的挖掘方法的示意图;
图2为本说明书实施例提供的一阶段图神经网络示意图;
图3a为本说明书实施例提供的传统GNN算法的示意图;
图3b为本说明书实施例提供的GeniePath算法的示意图;
图4为本说明书实施例提供的一阶段图神经网络单元结构的示意图;
图5为本说明书实施例提供的可信子图一阶段算法的整体框架示意图;
图6为本说明书实施例提供的两阶段方案算法的框架图;
图7为本说明书实施例提供的一种可信子图的挖掘装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
可信是指工程上可轻量部署,且发生风险的概率稳定的远低于大盘风险概率的一种模式,可信数据的沉淀可以助益低风险交易事件的放行,具有重要意义。现有技术中,可信数据的沉淀可以采用离线沉淀可信关系对,例如账户-设备、账户-收益账户、账户-卡等双主体关系对,或者账户-设备-收益账户、账户-设备-卡等多主体关系对。当交易事件中包含可信数据中沉淀的可信关系对时,即可判断该交易事件发生风险的概率相对较低,可以直接放行。
离线沉淀可信关系对的一种常见的方式为RFM。RFM通过累积关系对(账户-设备、账户-收益账户、账户-卡等)第一次出现距今的时间(R,近度,recency)、累积出现的次数(F,频度,frequency)、累积交易的金额(M,额度,monetory),并于后期学习阈值判定高于一定阈值的关系对可信。该方法一方面未考虑账户、设备、卡等本身的属性,丢失了很多信息,另一方面将可信数据的沉淀形式圈定于某些固定的关系对上,缺乏扩展性。当关系对上的历史信息不足时,此类方案即失效。
离线沉淀可信关系对的另外一种常见方式为机器学习,包括树模型、神经网络等。该方案考虑了账户、设备、卡等主体本身的属性,可根据风险标签自动沉淀可信数据。但该方案无法直接刻画关系对的常用信息,在应用对以子图为代表的多主体关系对时容易造成维度爆炸问题。该方案较RFM方案的可解释性更差。
由于现有的沉淀可信关系对的方法,往往限定于某些固定的关系对,缺乏扩展性,或者可信数据的沉淀过程中会丢失很多信息,或者无法刻画关系对的常用信息,在应用以子图为代表的多主体关系对时容易造成维度爆炸问题,因此,本说明书提供了一种可信子图的挖掘方法,以实现可信数据的挖掘。
图1为本说明书实施例提供的一种可信子图的挖掘方法的示意图,具体包括:
步骤S101:基于目标点的业务行为和/或业务关系构边,获得待处理的图数据对应的子图。
在本说明书实施例中,待处理的图数据是以图数据的形式表示待处理的业务。本说明书实施例中,待处理的图数据对应的子图为异构图,主要是从业务的角度出发,连接历史数据中发生过业务关系的节点。异构图是指在图中的节点有不同的形式,图中节点之间的关系也有多种不同的形式。
在本说明书实施例中,基于目标点的业务行为和/或业务关系构边,获得待处理的图数据对应的子图,该过程称为构图。由于图是有点和边构成的,因此在本说明书实施例中,构图的过程包括:构点和构边两个元素。构图的过程也就是根据预先设计的点、边的业务逻辑,获得待处理的图数据对应的子图的过程。
在本说明书实施例中,基于目标点的业务行为和/或业务关系构边,获得待处理的图数据对应的子图,具体包括:根据业务含义,解析所述业务中的实体目标作为目标点;基于所述目标点,以所述目标点之间的业务关系构边,获得待处理的图数据对应的子图。
在本说明书实施例中,根据业务含义,解析所述业务中的实体目标作为目标点的过程,称为构点。在具体实施过程中,实体目标可以为账户,或者设备MAC地址(MediaAccess Control Address,媒体存取控制位址,也称为局域网地址),或者设备UMID(UniqueMaterial Identifier,唯一设备标识),或者IP地址(Internet Protocol Address,互联网协议地址),或者LBS(Location Based Services,基于位置的服务),或者银行卡等。
在本说明书实施例中,基于所述目标点,以所述目标点之间的业务关系构边,获得待处理的图数据对应的子图,亦称为构边。由于目标点可以反映业务行为,因此,基于目标点的构边,亦可以称为基于业务行为的构边。具体的,当节点曾出现于同一个历史交易事件或者历史交易业务中时,则两个节点之间是有边相连的,否则无边相连。
同样的道理,当节点间存在业务联系时,两个节点之间亦是有边相连的,即基于业务关系构边。在具体的实施例中,基于业务关系构边,可以包括账户与账户之间的亲友关系,或者企业与企业间的投资关系,或者账户与银行卡之间的绑定关系等。
由此可见,构边的过程反映了节点与节点之间的关系,因此,基于该方法获得的待处理的图数据对应的子图,可以反映节点之间的关系。
步骤S103:基于元可信召回策略遍历所述子图,获得备择子图,其中,所述元可信召回策略是基于业务特点预先定义的进行子图沉淀的格式。
元可信(Meta Trust)是指由某一节点出发,在一定规则下可以形成子图的结构。在本说明书实施例中,元可信的设计原则是:从业务的主动方,以交易或者业务事件的被动方结束。业务的主动方与被动方可以是账户,亦可以是卡。元可信的中间节点可包括含有设备、环境、地点等在内的其他节点。元可信的设计,是根据待处理业务的业务逻辑,当满足特定结构的节点组合能够保证出现该节点组合的业务风险较低,该业务是可信的,这种特定结构可以称为一个元可信。例如,[账户,设备MAC,收益方账户]在盗用场景是一个合格的元可信,因为满足该结构的节点组合可以沉淀风险较低的可信数据。相比之下,[账户,设备MAC,设备UMID]在欺诈场景并不是一个合格的元可信,因为满足该机制的节点对只对该笔交易是否在本人设备支付有区分度,而对是否存在欺诈风险并无很好的防范。
为了进一步理解元可信,结合前述获得的子图及元可信设计原则,在本说明书的一个实施例中,一个有效的元可信是[账户,设备MAC,IP地址,收益账户],其在待处理业务对应的子图中的表现形式为由4个点,3-6条边所构成的子图结构。
在本说明书实施例中,基于元可信召回策略遍历所述子图,获得备择子图,具体包括:基于所述元可信召回策略遍历的各个子图,并对所述子图中的可信点和/或可信边和/或可信子图进行剪枝,获得所述备择子图,所述元可信召回策略是从交易的主动方出发,以交易的被动方结束,确定可信关系对的策略。
元可信召回策略是基于历史交易中曾发生交易或者有关系存在的多元关系对,基于历史数据,根据业务特点预先定义的进行子图沉淀的格式。在本说明书一个实施例中,元可信召回策略为[账户,设备,银行卡],则从待处理的图数据对应的子图中的每一个账户节点出发,按照[账户,设备,银行卡]的机制形成备择子图结构,召回的结果集合称为备择子图。
在本说明书实施例中,对子图中的可信点和/或可信边和/或可信子图进行剪枝,具体包括:
基于所述元可信召回策略,排除(k-1)维中的可信点和/或可信边和/或可信子图,对所述子图中的可信点和/或可信边和/或可信子图进行剪枝,所述子图中的可信点和/或可信边和/或可信子图对应的备择子图是不需要进行召回的,其中,k为所述备择子图的维度。
为便于理解本说明书实施例中的对子图中的可信点和/或可信边和/或可信子图进行剪枝,下面以具体实施例为例进行说明。当[账户Aa,设备MACa]已为可信边时,由[账户Aa,设备MACa]出发的可信子图均可被剪枝,[账户Aa,设备MACa,收益账户Oa]无必要进行备择子图的召回。
在本说明书的一个实施例中,元可信策略为[账户,设备MAC,收益账户](k=3时),在进行剪枝时,首先会考虑[账户,设备MAC](k=2时)已经沉淀的可信边。
步骤S105:基于第一模型,对所述备择子图进行分类,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值,其中,所述第一模型是基于图神经网络预先训练获得的模型,所述第一分值用于对所述备择子图进行子图分类,以表示所述备择子图是否可信。
在本说明书实施例中,将所述备择子图输入所述第一模型,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值。备择子图的整体表征及备择子图的第一分值用于刻画基于元可信策略的备择子图的常用关系或者可信关系,以用于描述该备择子图在将来可能出现的概率。
在本说明书实施例中,第一模型是基于图神经网络预先训练获得的模型,具体包括:
将已知的备择子图及所述已知的备择子图中的邻居节点的作为输入,采用Attention网络和/或LSTM-style网络和/或Lazy-walk机制进行训练,获得第一模型。
基于图神经网络预先训练获得第一模型,亦称为一阶段算法。为便于理解本说明书实施例中的图神经网络,图2为本说明书实施例提供的一阶段图神经网络示意图,其中(a)为邻居节点样本(sample neighborhood);(b)为聚合特征(aggregate features)。对于待处理的图数据对应的子图中除孤立节点外的每一个节点而言,都有一定数量的邻居节点。邻居节点的好坏对于该节点的好坏存在一定的影响,也有一定的区分能力。图神经网络可以将邻居节点的信息纳入训练的范畴,以此提升模型的性能。如图2所示,2跳内(k=1及k=2,其中k为维度)的邻居节点属性为A节点标签的判别提供了额外的输入。
在本说明书实施例中,为便于理解,用于训练第一模型的图神经网络是基于GeniePath算法,进行了改进。本说明书实施例先将GeniePath算法与GNN算法进行比较,具体如图3a和图3b所示。图3a为本说明书实施例提供的传统GNN算法的示意图;图3b为本说明书实施例提供的GeniePath算法的示意图。如图3a及图3b所示,GeniePath算法是一种可扩展的能够学习自适应感受路径的图神经网络,该算法的主要构成部分包含自适应广度函数与自适应深度函数,其沿用GNN(Graph Neural Network,图神经网络)的计算框架,特点在于会根据优化目标自动选择有用的邻居信息,来生成节点表征。GeniePath并不聚合所有2跳邻居信息,而是有选择性的选择某个子图。GeniePath使用一个Attention网络表达自适应广度函数、使用一个LSTM-style网络表达自适应深度函数。
在本说明书实施例中,用于训练第一模型的图神经网络是基于GeniePath算法,进行了改进。在GeniePath算法的原有Attention网络和LSTM-style网络的基础上引入了Lazy-walk机制,同时,引入了边信息进行子图分类。为进一步便于理解本说明书实施例中的改进的GeniePath算法,以进行子图分类的改进。图4为本说明书实施例提供的一阶段图神经网络单元结构的示意图,其中,Adaptive breadth为自适应广度函数,adaptive depth为自适应深度函数。Attention网络的表达为自适应广度函数(adaptive breadth),自适应广度函数的表达式为:
其中,
A为邻居矩阵;
t表示深度;
Θ表示输出的参数矩阵。
LSTM-style网络的表达为自适应深度函数(adaptive depth),所述自适应深度函数的表达式为:
其中,
Lazy-walk机制是指在Attention网络中,在已知备择子图的每个节点中,进行游走,其中,具有α游走,具有(1-α)停在原地,α为游走概率。
Attention网络在第t步,
其中,
在本说明书实施例中,基于第一模型,对所述备择子图进行分类,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值,具体包括:
将所述备择子图输入所述第一模型,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值。
为进一步理解本说明书实施例提供的一阶段算法,图5为本说明书实施例提供的可信子图一阶段算法的整体框架示意图,其中,Node 1 Grahp Feature为节点1的图形特征,Node 2 Grahp Feature为节点2的图形特征,Node 3 Grahp Feature为节点3的图形特征,Node Embedding是指节点嵌入,Subgraph Embedding是指子图嵌入,Edge Feature是指边的特征,Hidden Layer是指隐含层,Output是指输出。如图5所示,子图结构为三元结构,按照一阶段算法,最终获得子图中各节点的表征及对应的第一分值。在本说明书实施例中,第一分值的分数越大,代表该子图越容易出现。在本说明书实施例中,表征的含义是指原先在点、边上的特征由本说明书实施例中的网络结构,映射到N维的向量上。例如,点表征就是涵盖该点、及其邻域特征信息的表征向量;子图的整体表征就是子图结构整体映射到的表征向量。分别对应于图上的Node Embedding(节点嵌入)以及Subgraph Embedding(子图嵌入)。
步骤S107:基于所述备择子图的表征向量、所述备择子图的整体表征,采用第二模型获得所述备择子图的第二分值,其中,所述第二模型是基于树模型预先训练获得的模型,所述第二分值表示所述备择子图的风险概率。
在本说明书实施例中,第二模型的输入是第一模型的输出,即将第一模型的输出作为输入,输入第二模型,获得备择子图的第二分值。第二分值越大,代表该备择子图的风险越大。第二模型的标签设计为是否涉案,亦即出现的概率。
在本说明书实施例中,所述基于所述备择子图的表征向量、所述备择子图的整体表征,采用第二模型获得所述备择子图的第二分值,具体包括:
将所述备择子图的表征向量及所述备择子图的整体表征,输入所述第二模型,获得所述备择子图的第二分值。
如前所述,基于第一模型,获得了备择子图的表征向量、备择子图的整体表征及备择子图的第一分值,也就是说刻画了图数据的可信关系或者常用关系。进一步地,基于第二模型,需要进一步刻画风险信息,亦即备择子图可能出现的风险概率。
在本说明书实施例中,第二模型是基于决策树的模型,具体算法可以为GBDT模型,或者Random Forest(随机森林)模型,或者XGBoost(优化的分布式梯度增强库)模型。GBDT(Gradient Boosting Decision Tree)是一种迭代的决策树算法,该算法由多棵决策树组成,所有决策树的结论累加起来作为最终结果。
在本说明书实施例中,第一模型和第二模型分别是基于改进的GeniePath算法(图神经网络)和树模型算法实现的,因此,本说明书实施例中,所提供的方案又称两阶段方案算法。为进一步理解第一模型和第二模型的关系,图6为本说明书实施例提供的两阶段方案算法的框架图。
步骤S109:基于所述第一分值和所述第二分值,对所述备择子图进行子图沉淀,获得可信子图。
基于所述第一分值和所述第二分值,对所述备择子图进行子图沉淀,获得可信子图,具体包括:
根据预设分值,基于所述第一分值,对所述备择子图进行子图分类,获得所述备择子图中的可信子图;
根据预设阈值,基于所述第二数值,对所述备择子图中的可信子图进行子图沉淀,获得所述可信子图。
在本说明书实施例中,所述根据预设分值,基于所述第一分值,对所述备择子图进行子图分类,获得所述备择子图中的可信子图,具体包括:
若所述第一分值大于等于所述预设数值,则所述第一分值对应的子图为可信子图;
若所述第一分值小于所述预设数值,则所述第一分值对应的子图为非可信子图。
在本说明书实施例中,也可以采用对第一分值排序的方式,对第一分值按照从大到小的顺序进行排序,获得备择子图的可信子图。第一分值越大,对应的备择子图越容易出现。
在本说明书实施例中,所述根据预设阈值,基于所述第二数值,对所述备择子图中的可信子图进行子图沉淀,获得可信子图,具体包括:
若所述备择子图中的可信子图对应的第二数值小于所述预设阈值,则对所述备择子图中的可信子图进行召回,获得所述可信子图。
在本说明书实施例中,采用第一模型进行子图分类获得备择子图的可信子图,能够有效缓解线上热点的问题。在进行可信子图沉淀时,由于采用了两阶段算法,既考虑了常用关系,又考虑了风险关系,因此,可解释性更好。
采用本说明书提供的可信子图的挖掘方法,能够刻画关系对的常用信息,具有较强的扩展性,且在数据沉淀过程中不会丢失信息,不存在维度爆炸的问题。
上述内容详细说明了一种可信子图的挖掘方法,与之相应的,本说明书还提供了一种可信子图的挖掘装置,如图7所示。图7为本说明书实施例提供的一种可信子图的挖掘装置的示意图,该可信子图的挖掘装置包括:
构图模块701,基于目标点的业务行为和/或业务关系构边,获得待处理的图数据对应的子图;
召回模块703,基于元可信召回策略遍历所述子图,获得备择子图,其中,所述元可信召回策略是基于业务特点预先定义的进行子图沉淀的格式;
第一计算模块705,基于第一模型,对所述备择子图进行分类,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值,其中,所述第一模型是基于图神经网络预先训练获得的模型,所述第一分值用于对所述备择子图进行子图分类,以表示所述备择子图是否可信;
第二计算模块707,基于所述备择子图的表征向量、所述备择子图的整体表征,采用第二模型获得所述备择子图的第二分值,其中,所述第二模型是基于树模型预先训练获得的模型,所述第二分值表示所述备择子图的风险概率;
沉淀模块709,基于所述第一分值和所述第二分值,对所述备择子图进行子图沉淀,获得可信子图。
进一步地,所述基于目标点的业务行为和/或业务关系构边,获得待处理的图数据对应的子图,具体包括:
根据业务含义,解析所述业务中的实体目标作为目标点;
基于所述目标点,以所述目标点之间的业务关系构边,获得所述待处理的图数据对应的子图。
进一步地,所述基于元可信召回策略遍历所述子图,获得备择子图,具体包括:
基于所述元可信召回策略遍历各个子图,并对所述子图中的可信点和/或可信边和/或可信子图进行剪枝,获得所述备择子图,所述元可信召回策略是从交易的主动方出发,以交易的被动方结束,确定可信关系对的策略。
进一步地,所述对所述子图中的可信点和/或可信边和/或可信子图进行剪枝,具体包括:
基于所述元可信召回策略,排除(k-1)维中的可信点和/或可信边和/或可信子图,对所述子图中的可信点和/或可信边和/或可信子图进行剪枝,所述子图中的可信点和/或可信边和/或可信子图对应的备择子图是不需要进行召回的,其中,k为所述备择子图的维度。
进一步地,所述基于第一模型,对所述备择子图进行分类,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值,具体包括:
将所述备择子图输入所述第一模型,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值。
进一步地,所述第一模型是基于图神经网络预先训练获得的模型,具体包括:
将已知的备择子图及所述已知的备择子图中的邻居节点的作为输入,采用Attention网络和/或LSTM-style网络和/或Lazy-walk机制进行训练,获得所述第一模型。
进一步地,所述Attention网络的表达为自适应广度函数,所述自适应广度函数的表达式为:
其中,
A为邻居矩阵;
t表示深度;
Θ表示输出的参数矩阵。
进一步地,所述LSTM-style网络的表达为自适应深度函数,所述自适应深度函数的表达式为:
其中,
进一步地,所述Lazy-walk机制是指在所述Attention网络中,在所述已知备择子图的每个节点中,进行游走,其中,具有α游走,具有(1-α)停在原地,α为游走概率。
进一步地,所述Attention网络在第t步,
其中,
进一步地,所述基于所述备择子图的表征向量、所述备择子图的整体表征,采用第二模型获得所述备择子图的第二分值,具体包括:
将所述备择子图的表征向量及所述备择子图的整体表征,输入所述第二模型,获得所述备择子图的第二分值。
进一步地,所述基于所述第一分值和所述第二分值,对所述备择子图进行子图沉淀,获得可信子图,具体包括:
根据预设分值,基于所述第一分值,对所述备择子图进行子图分类,获得所述备择子图中的可信子图;
根据预设阈值,基于所述第二数值,对所述备择子图中的可信子图进行子图沉淀,获得所述可信子图。
进一步地,所述根据预设分值,基于所述第一分值,对所述备择子图进行子图分类,获得所述备择子图中的可信子图,具体包括:
若所述第一分值大于等于所述预设数值,则所述第一分值对应的子图为可信子图;
若所述第一分值小于所述预设数值,则所述第一分值对应的子图为非可信子图。
进一步地,所述根据预设阈值,基于所述第二数值,对所述备择子图中的可信子图进行子图沉淀,获得所述可信子图,具体包括:
若所述备择子图中的可信子图对应的第二数值小于所述预设阈值,则对所述备择子图中的可信子图进行召回,获得所述可信子图。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
基于目标点的业务行为和/或业务关系构边,获得待处理的图数据对应的子图;
基于元可信召回策略遍历所述子图,获得备择子图,其中,所述元可信召回策略是基于业务特点预先定义的进行子图沉淀的格式;
基于第一模型,对所述备择子图进行分类,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值,其中,所述第一模型是基于图神经网络预先训练获得的模型,所述第一分值用于对所述备择子图进行子图分类,以表示所述备择子图是否可信;
基于所述备择子图的表征向量、所述备择子图的整体表征,采用第二模型获得所述备择子图的第二分值,其中,所述第二模型是基于树模型预先训练获得的模型,所述第二分值表示所述备择子图的风险概率;
基于所述第一分值和所述第二分值,对所述备择子图进行子图沉淀,获得可信子图。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
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,对于装置、电子设备、非易失性计算机存储介质实施例而言,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。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
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,在实施本说明书一个或多个实施例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,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例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,本说明书实施例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。
本说明书是参照根据本说明书实施例的方法、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,磁带式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。
本说明书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说明书,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。
以上所述仅为本说明书实施例而已,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 (29)
1.一种可信子图的挖掘方法,包括:
基于目标点的业务行为和/或业务关系构边,获得待处理的图数据对应的子图;
基于元可信召回策略遍历所述子图,获得备择子图,其中,所述元可信召回策略是基于业务特点预先定义的进行子图沉淀的格式;
基于第一模型,对所述备择子图进行分类,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值,其中,所述第一模型是基于图神经网络预先训练获得的模型,所述第一分值用于对所述备择子图进行子图分类,以表示所述备择子图是否可信;
基于所述备择子图的表征向量、所述备择子图的整体表征,采用第二模型获得所述备择子图的第二分值,其中,所述第二模型是基于树模型预先训练获得的模型,所述第二分值表示所述备择子图的风险概率;
基于所述第一分值和所述第二分值,对所述备择子图进行子图沉淀,获得可信子图。
2.如权利要求1所述的方法,所述基于目标点的业务行为和/或业务关系构边,获得待处理的图数据对应的子图,具体包括:
根据业务含义,解析所述业务中的实体目标作为目标点;
基于所述目标点,以所述目标点之间的业务关系构边,获得所述待处理的图数据对应的子图。
3.如权利要求1所述的方法,所述基于元可信召回策略遍历所述子图,获得备择子图,具体包括:
基于所述元可信召回策略遍历各个子图,并对所述子图中的可信点和/或可信边和/或可信子图进行剪枝,获得所述备择子图,所述元可信召回策略是从交易的主动方出发,以交易的被动方结束,确定可信关系对的策略。
4.如权利要求3所述的方法,所述对所述子图中的可信点和/或可信边和/或可信子图进行剪枝,具体包括:
基于所述元可信召回策略,排除(k-1)维中的可信点和/或可信边和/或可信子图,对所述子图中的可信点和/或可信边和/或可信子图进行剪枝,所述子图中的可信点和/或可信边和/或可信子图对应的备择子图是不需要进行召回的,其中,k为所述备择子图的维度。
5.如权利要求1所述的方法,所述基于第一模型,对所述备择子图进行分类,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值,具体包括:
将所述备择子图输入所述第一模型,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值。
6.如权利要求1所述的方法,所述第一模型是基于图神经网络预先训练获得的模型,具体包括:
将已知的备择子图及所述已知的备择子图中的邻居节点的作为输入,采用Attention网络和/或LSTM-style网络和/或Lazy-walk机制进行训练,获得所述第一模型。
9.如权利要求6所述的方法,所述Lazy-walk机制是指在所述Attention网络中,在所述已知备择子图的每个节点中,进行游走,其中,具有α游走,具有(1-α)停在原地,α为游走概率。
11.如权利要求1所述的方法,所述基于所述备择子图的表征向量、所述备择子图的整体表征,采用第二模型获得所述备择子图的第二分值,具体包括:
将所述备择子图的表征向量及所述备择子图的整体表征,输入所述第二模型,获得所述备择子图的第二分值。
12.如权利要求1所述的方法,所述基于所述第一分值和所述第二分值,对所述备择子图进行子图沉淀,获得可信子图,具体包括:
根据预设分值,基于所述第一分值,对所述备择子图进行子图分类,获得所述备择子图中的可信子图;
根据预设阈值,基于所述第二数值,对所述备择子图中的可信子图进行子图沉淀,获得所述可信子图。
13.如权利要求12所述的方法,所述根据预设分值,基于所述第一分值,对所述备择子图进行子图分类,获得所述备择子图中的可信子图,具体包括:
若所述第一分值大于等于所述预设数值,则所述第一分值对应的子图为可信子图;
若所述第一分值小于所述预设数值,则所述第一分值对应的子图为非可信子图。
14.如权利要求12所述的方法,所述根据预设阈值,基于所述第二数值,对所述备择子图中的可信子图进行子图沉淀,获得所述可信子图,具体包括:
若所述备择子图中的可信子图对应的第二数值小于所述预设阈值,则对所述备择子图中的可信子图进行召回,获得所述可信子图。
15.一种可信子图的挖掘装置,包括:
构图模块,基于目标点的业务行为和/或业务关系构边,获得待处理的图数据对应的子图;
召回模块,基于元可信召回策略遍历所述子图,获得备择子图,其中,所述元可信召回策略是基于业务特点预先定义的进行子图沉淀的格式;
第一计算模块,基于第一模型,对所述备择子图进行分类,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值,其中,所述第一模型是基于图神经网络预先训练获得的模型,所述第一分值用于对所述备择子图进行子图分类,以表示所述备择子图是否可信;
第二计算模块,基于所述备择子图的表征向量、所述备择子图的整体表征,采用第二模型获得所述备择子图的第二分值,其中,所述第二模型是基于树模型预先训练获得的模型,所述第二分值表示所述备择子图的风险概率;
沉淀模块,基于所述第一分值和所述第二分值,对所述备择子图进行子图沉淀,获得可信子图。
16.如权利要求15所述的装置,所述基于目标点的业务行为和/或业务关系构边,获得待处理的图数据对应的子图,具体包括:
根据业务含义,解析所述业务中的实体目标作为目标点;
基于所述目标点,以所述目标点之间的业务关系构边,获得所述待处理的图数据对应的子图。
17.如权利要求15所述的装置,所述基于元可信召回策略遍历所述子图,获得备择子图,具体包括:
基于所述元可信召回策略遍历各个子图,并对所述子图中的可信点和/或可信边和/或可信子图进行剪枝,获得所述备择子图,所述元可信召回策略是从交易的主动方出发,以交易的被动方结束,确定可信关系对的策略。
18.如权利要求17所述的装置,所述对所述子图中的可信点和/或可信边和/或可信子图进行剪枝,具体包括:
基于所述元可信召回策略,排除(k-1)维中的可信点和/或可信边和/或可信子图,对所述子图中的可信点和/或可信边和/或可信子图进行剪枝,所述子图中的可信点和/或可信边和/或可信子图对应的备择子图是不需要进行召回的,其中,k为所述备择子图的维度。
19.如权利要求15所述的装置,所述基于第一模型,对所述备择子图进行分类,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值,具体包括:
将所述备择子图输入所述第一模型,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值。
20.如权利要求15所述的装置,所述第一模型是基于图神经网络预先训练获得的模型,具体包括:
将已知的备择子图及所述已知的备择子图中的邻居节点的作为输入,采用Attention网络和/或LSTM-style网络和/或Lazy-walk机制进行训练,获得所述第一模型。
23.如权利要求20所述的装置,所述Lazy-walk机制是指在所述Attention网络中,在所述已知备择子图的每个节点中,进行游走,其中,具有α游走,具有(1-α)停在原地,α为游走概率。
25.如权利要求15所述的装置,所述基于所述备择子图的表征向量、所述备择子图的整体表征,采用第二模型获得所述备择子图的第二分值,具体包括:
将所述备择子图的表征向量及所述备择子图的整体表征,输入所述第二模型,获得所述备择子图的第二分值。
26.如权利要求15所述的装置,所述基于所述第一分值和所述第二分值,对所述备择子图进行子图沉淀,获得可信子图,具体包括:
根据预设分值,基于所述第一分值,对所述备择子图进行子图分类,获得所述备择子图中的可信子图;
根据预设阈值,基于所述第二数值,对所述备择子图中的可信子图进行子图沉淀,获得所述可信子图。
27.如权利要求26所述的装置,所述根据预设分值,基于所述第一分值,对所述备择子图进行子图分类,获得所述备择子图中的可信子图,具体包括:
若所述第一分值大于等于所述预设数值,则所述第一分值对应的子图为可信子图;
若所述第一分值小于所述预设数值,则所述第一分值对应的子图为非可信子图。
28.如权利要求26所述的装置,所述根据预设阈值,基于所述第二数值,对所述备择子图中的可信子图进行子图沉淀,获得所述可信子图,具体包括:
若所述备择子图中的可信子图对应的第二数值小于所述预设阈值,则对所述备择子图中的可信子图进行召回,获得所述可信子图。
29.一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
基于目标点的业务行为和/或业务关系构边,获得待处理的图数据对应的子图;
基于元可信召回策略遍历所述子图,获得备择子图,其中,所述元可信召回策略是基于业务特点预先定义的进行子图沉淀的格式;
基于第一模型,对所述备择子图进行分类,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值,其中,所述第一模型是基于图神经网络预先训练获得的模型,所述第一分值用于对所述备择子图进行子图分类,以表示所述备择子图是否可信;
基于所述备择子图的表征向量、所述备择子图的整体表征,采用第二模型获得所述备择子图的第二分值,其中,所述第二模型是基于树模型预先训练获得的模型,所述第二分值表示所述备择子图的风险概率;
基于所述第一分值和所述第二分值,对所述备择子图进行子图沉淀,获得可信子图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010631573.XA CN111522866B (zh) | 2020-07-03 | 2020-07-03 | 一种可信子图的挖掘方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010631573.XA CN111522866B (zh) | 2020-07-03 | 2020-07-03 | 一种可信子图的挖掘方法、装置以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111522866A true CN111522866A (zh) | 2020-08-11 |
CN111522866B CN111522866B (zh) | 2020-11-03 |
Family
ID=71911762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010631573.XA Active CN111522866B (zh) | 2020-07-03 | 2020-07-03 | 一种可信子图的挖掘方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111522866B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184231A (zh) * | 2020-11-02 | 2021-01-05 | 支付宝(杭州)信息技术有限公司 | 一种可信业务确定方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109756508A (zh) * | 2019-01-22 | 2019-05-14 | 深圳壹账通智能科技有限公司 | 基于多协议接入区块链网络的消息代理方法及相关设备 |
US20190362827A1 (en) * | 2018-05-22 | 2019-11-28 | International Business Machines Corporation | Updating a prescription status based on a measure of trust dynamicss |
CN110942248A (zh) * | 2019-11-26 | 2020-03-31 | 支付宝(杭州)信息技术有限公司 | 交易风控网络的训练方法及装置、交易风险检测方法 |
CN111061923A (zh) * | 2019-12-13 | 2020-04-24 | 北京航空航天大学 | 一种基于图依赖规则和监督学习的图数据实体识别方法、系统 |
CN111210008A (zh) * | 2020-01-09 | 2020-05-29 | 支付宝(杭州)信息技术有限公司 | 利用lstm神经网络模型处理交互数据的方法及装置 |
CN111340509A (zh) * | 2020-05-22 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 一种虚假交易识别方法、装置及电子设备 |
CN111353001A (zh) * | 2018-12-24 | 2020-06-30 | 杭州海康威视数字技术股份有限公司 | 对用户进行分类的方法和装置 |
-
2020
- 2020-07-03 CN CN202010631573.XA patent/CN111522866B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190362827A1 (en) * | 2018-05-22 | 2019-11-28 | International Business Machines Corporation | Updating a prescription status based on a measure of trust dynamicss |
CN111353001A (zh) * | 2018-12-24 | 2020-06-30 | 杭州海康威视数字技术股份有限公司 | 对用户进行分类的方法和装置 |
CN109756508A (zh) * | 2019-01-22 | 2019-05-14 | 深圳壹账通智能科技有限公司 | 基于多协议接入区块链网络的消息代理方法及相关设备 |
CN110942248A (zh) * | 2019-11-26 | 2020-03-31 | 支付宝(杭州)信息技术有限公司 | 交易风控网络的训练方法及装置、交易风险检测方法 |
CN111061923A (zh) * | 2019-12-13 | 2020-04-24 | 北京航空航天大学 | 一种基于图依赖规则和监督学习的图数据实体识别方法、系统 |
CN111210008A (zh) * | 2020-01-09 | 2020-05-29 | 支付宝(杭州)信息技术有限公司 | 利用lstm神经网络模型处理交互数据的方法及装置 |
CN111340509A (zh) * | 2020-05-22 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 一种虚假交易识别方法、装置及电子设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184231A (zh) * | 2020-11-02 | 2021-01-05 | 支付宝(杭州)信息技术有限公司 | 一种可信业务确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111522866B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460523B (zh) | 一种风控规则生成方法和装置 | |
CN109934697A (zh) | 一种基于图结构模型的信用风险控制方法、装置以及设备 | |
CN111080304B (zh) | 一种可信关系识别方法、装置及设备 | |
CN111738628A (zh) | 一种风险群组识别方法及装置 | |
CN111539811B (zh) | 风险账户的识别方法及装置 | |
CN108346107B (zh) | 一种社交内容风险识别方法、装置以及设备 | |
CN108876102B (zh) | 一种风险交易挖掘方法、装置及设备 | |
CN109003091A (zh) | 一种风险防控处理方法、装置及设备 | |
CN113537960B (zh) | 一种异常资源转移链路的确定方法、装置和设备 | |
CN109191107A (zh) | 交易异常识别方法、装置以及设备 | |
CN111260368A (zh) | 一种账户交易风险判断方法、装置及电子设备 | |
CN113435585A (zh) | 一种业务处理方法、装置及设备 | |
CN111047220A (zh) | 一种风控阈值条件确定方法、装置、设备和可读介质 | |
CN114943307A (zh) | 一种模型训练的方法、装置、存储介质以及电子设备 | |
CN111522866B (zh) | 一种可信子图的挖掘方法、装置以及设备 | |
CN110033092B (zh) | 数据标签生成、模型训练、事件识别方法和装置 | |
CN114372566A (zh) | 图数据的增广、图神经网络训练方法、装置以及设备 | |
CN110516713A (zh) | 一种目标群体识别方法、装置及设备 | |
CN109376988B (zh) | 一种业务数据的处理方法和装置 | |
CN116957329A (zh) | 一种风险识别方法、装置、设备及可读存储介质 | |
CN112001649B (zh) | 一种风险数据挖掘方法、装置以及设备 | |
CN117313141A (zh) | 一种异常检测方法、装置、设备及可读存储介质 | |
CN116308738B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN109614415B (zh) | 一种数据挖掘、处理方法、装置、设备及介质 | |
CN116797231A (zh) | 一种风险识别模型的训练方法及装置 |
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 |