CN111612635A - 用户金融风险分析方法、装置及电子设备 - Google Patents
用户金融风险分析方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111612635A CN111612635A CN202010308289.9A CN202010308289A CN111612635A CN 111612635 A CN111612635 A CN 111612635A CN 202010308289 A CN202010308289 A CN 202010308289A CN 111612635 A CN111612635 A CN 111612635A
- Authority
- CN
- China
- Prior art keywords
- user
- vector
- users
- target user
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000013598 vector Substances 0.000 claims abstract description 132
- 238000005295 random walk Methods 0.000 claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种用户金融风险分析方法、装置、电子设备及计算机可读介质。该方法包括:基于多个用户的金融数据构建关系图谱,所述关系图谱中的多个节点为多个用户,所述关系图谱中的边为所述多个用户之间的关联关系;确定目标用户;在所述关系图谱中基于所述目标用户和随机游走算法生成所述目标用户的用户向量;将所述用户向量输入用户金融风险分析模型中以确定所述目标用户的金融风险概率。本公开涉及的用户金融风险分析方法、装置、电子设备及计算机可读介质,能够从深层次挖掘用户之间的关联关系,并生成能够体现用户之间关联关系的用户向量,还能够基于用户向量对用户进行金融风险分析,提高金融服务企业的金融安全性。
Description
技术领域
本公开涉及计算机信息处理领域,具体而言,涉及一种用户金融风险分析方法、装置、电子设备及计算机可读介质。
背景技术
金融风险防范是指金融市场主体在对相关分析的基础上运用一定的方法合规性地防范风险发生或规避风险以实现预期目标的行为。在当前的环境中,随着个人信贷需求的增加,涌现了越来越多的提供给个人用户的金融服务的公司,对于这些金融类的服务公司而言,提前预防用户个人的金融风险,从而在用户的金融风险发生之前,制定合理的策略防范由用户带来的金融风险,是一个热门技术领域。
关系图谱是描述个体及个体之间关系的图,在各个行业均得到了广泛的应用。关系图谱中的节点类型可以包括IP地址、设备、支付账户、账户联系人等,节点之间也可以存在不同的关系,比如IP登录行为、设备登录行为、联系人登记行为等。目前关系图谱在金融服务行业可应用在如下方面:在欺诈检测系统中可通过共用设备、共用联系人信息、共用IP等就可以作为可疑特征用于识别欺诈事件;关系图谱也可以基于现有黑名单,为可疑个体打上相应标签,用于反欺诈规则和风险提示。但是由于用户关系图谱中的用户节点数据量巨大(超过10亿个节点),目前对用户图谱的分析也仅能对用户节点和其关联节点之间的关系进行挖掘,对于更深层次的用户之间的关联关系暂时未有解决方案。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开提供一种用户金融风险分析方法、装置、电子设备及计算机可读介质,能够从深层次挖掘用户之间的关联关系,并生成能够体现用户之间关联关系的用户向量,还能够基于用户向量对用户进行金融风险分析,提高金融风险分析的准确度、提高金融服务企业的金融安全性。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一方面,提出一种用户金融风险分析方法,该方法包括:基于多个用户的金融数据构建关系图谱,所述关系图谱中的多个节点为多个用户,所述关系图谱中的边为所述多个用户之间的关联关系;确定目标用户;在所述关系图谱中基于所述目标用户和随机游走算法生成所述目标用户的用户向量;将所述用户向量输入用户金融风险分析模型中以确定所述目标用户的金融风险概率。
可选地,基于多个用户的金融数据构建关系图谱,包括:根据用户的通讯数据和/或社交数据和/或设备数据和/或基础数据和/或行为数据生成所述金融数据;将用户作为顶点;由金融数据中提取用户之间的关联关系,并将所述关联关系作为边;将关联关系之间的紧密程度作为权重;以及通过所述顶点、所述边、所述权重构建所述关系图谱。
可选地,在所述关系图谱中基于所述目标用户和随机游走算法生成所述目标用户的用户向量,包括:确定随机游走次数n,n为大于1的整数;在所述关系图谱中以所述目标用户为起始节点进行n次随机游走;以及根据所述n次随机游走结果生成所述用户向量。
可选地,根据所述n次随机游走结果生成所述用户向量,包括:根据所述n次随机游走结果生成所述起始节点的近邻矩阵;以及基于所述起始节点的近邻矩阵生成所述目标用户的用户向量;其中所述近邻矩阵的维度为n。
可选地,根据所述n次随机游走结果生成所述起始节点的近邻矩阵,包括:由所述起始节点开始在所述关系图谱中进行n步随机游走,生成随机游走序列;根据所述随机游走序列生成所述起始节点的近邻矩阵。
可选地,由所述起始节点开始在所述关系图谱中进行n步随机游走,包括:由所述起始节点开始基于边权重确定随机游走的路径以进行n步随机游走。
可选地,基于所述起始节点的近邻矩阵生成所述目标用户的用户向量,包括:将所述起始节点的近邻矩阵输入词向量模型中以生成所述目标用户的用户向量。
可选地,将所述起始节点的近邻矩阵输入词向量模型中以生成所述目标用户的用户向量,包括:将所述起始节点的近邻矩阵输入词向量模型;所述词向量模型基于模型概率由所述近邻矩阵中抽取节点确定所述起始节点和其他节点之间的向量关系;以及基于所述向量关系生成所述用户向量。
可选地,将所述用户向量输入用户金融风险分析模型中以确定所述目标用户的金融风险概率,包括:获取所述目标用户的基础信息;将所述用户向量和所述基础信息输入用户金融风险分析模型中,所述用户金融风险分析模型为机器学习模型;以及所述用户金融风险分析模型基于已训练的参数对所述用户向量和所述基础信息进行计算以生成所述目标用户的金融风险概率。
可选地,还包括:基于所述关系图谱确定多个用户的多个用户向量;计算所述多个用户向量之间的相似度;以及根据所述相似度将所述多个用户分入多个用户分组。
根据本公开的一方面,提出一种用户金融风险分析装置,该装置包括:图谱模块,用于基于多个用户的金融数据构建关系图谱,所述关系图谱中的多个节点为多个用户,所述关系图谱中的边为所述多个用户之间的关联关系;目标模块,用于确定目标用户;向量模块,用于在所述关系图谱中基于所述目标用户和随机游走算法生成所述目标用户的用户向量;分析模块,用于将所述用户向量输入用户金融风险分析模型中以确定所述目标用户的金融风险概率。
可选地,所述图谱模块,包括:数据单元,用于根据用户的通讯数据和/或社交数据和/或设备数据和/或基础数据和/或行为数据生成所述金融数据;参数单元,用于将用户作为顶点;由金融数据中提取用户之间的关联关系,并将所述关联关系作为边;将关联关系之间的紧密程度作为权重;以及构建单元,用于通过所述顶点、所述边、所述权重构建所述关系图谱。
可选地,所述向量模块,包括:次数单元,用于确定随机游走次数n,n为大于1的整数;游走单元,用于在所述关系图谱中以所述目标用户为起始节点进行n次随机游走;以及向量单元,用于根据所述n次随机游走结果生成所述用户向量。
可选地,所述向量单元,包括:矩阵子单元,用于根据所述n次随机游走结果生成所述起始节点的近邻矩阵;以及向量子单元,用于基于所述起始节点的近邻矩阵生成所述目标用户的用户向量;其中所述近邻矩阵的维度为n。
可选地,所述矩阵子单元,还用于由所述起始节点开始在所述关系图谱中进行n步随机游走,生成随机游走序列;根据所述随机游走序列生成所述起始节点的近邻矩阵。
可选地,所述向量子单元,还用于由所述起始节点开始基于边权重确定随机游走的路径以进行n步随机游走。
可选地,所述向量子单元,还用于将所述起始节点的近邻矩阵输入词向量模型中以生成所述目标用户的用户向量。
可选地,所述向量子单元,还用于将所述起始节点的近邻矩阵输入词向量模型;所述词向量模型基于模型概率由所述近邻矩阵中抽取节点确定所述起始节点和其他节点之间的向量关系;以及基于所述向量关系生成所述用户向量。
可选地,所述分析模块,包括:信息单元,用于获取所述目标用户的基础信息;输入单元,用于将所述用户向量和所述基础信息输入用户金融风险分析模型中,所述用户金融风险分析模型为机器学习模型;以及计算单元,用于所述用户金融风险分析模型基于已训练的参数对所述用户向量和所述基础信息进行计算以生成所述目标用户的金融风险概率。
可选地,还包括:分组模块,用于基于所述关系图谱确定多个用户的多个用户向量;计算所述多个用户向量之间的相似度;以及根据所述相似度将所述多个用户分入多个用户分组。
根据本公开的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本公开的一方面,提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中的方法。
根据本公开的用户金融风险分析方法、装置、电子设备及计算机可读介质,基于多个用户的金融数据构建关系图谱,所述关系图谱中的多个节点为多个用户,所述关系图谱中的边为所述多个用户之间的关联关系;确定目标用户;在所述关系图谱中基于所述目标用户和随机游走算法生成所述目标用户的用户向量;将所述用户向量输入用户金融风险分析模型中以确定所述目标用户的金融风险概率的方式,能够从深层次挖掘用户之间的关联关系,并生成能够体现用户之间关联关系的用户向量,还能够基于用户向量对用户进行金融风险分析,提高金融风险分析的准确度、提高金融服务企业的金融安全性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例,本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种用户金融风险分析方法及装置的系统框图。
图2是根据一示例性实施例示出的一种用户金融风险分析方法的流程图。
图3是根据另一示例性实施例示出的一种用户金融风险分析方法的流程图。
图4是根据另一示例性实施例示出的一种用户金融风险分析方法的示意图。
图5是根据另一示例性实施例示出的一种用户金融风险分析方法的流程图。
图6是根据一示例性实施例示出的一种用户金融风险分析装置的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
图8是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的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部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
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。
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。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“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。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本公开所必须的,因此不能用于限制本公开的保护范围。
图1是根据一示例性实施例示出的一种用户金融风险分析方法及装置的系统框图。
如图1所示,系统架构10可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如金融服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的金融服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理,并将处理结果(例如风险分析结果)反馈给金融服务网站的管理员。
服务器105可例如基于多个用户的金融数据构建关系图谱,所述关系图谱中的多个节点为多个用户,所述关系图谱中的边为所述多个用户之间的关联关系;服务器105可例如确定目标用户;服务器105可例如在所述关系图谱中基于所述目标用户和随机游走算法生成所述目标用户的用户向量;服务器105可例如将所述用户向量输入用户金融风险分析模型中以确定所述目标用户的金融风险概率。
服务器105可以是一个实体的服务器,还可例如为多个服务器组成,需要说明的是,本公开实施例所提供的用户金融风险分析方法可以由服务器105执行,相应地,用户金融风险分析装置可以设置于服务器105中。而提供给用户进行金融服务平台浏览的网页端一般位于终端设备101、102、103中。
图2是根据一示例性实施例示出的一种用户金融风险分析方法的流程图。用户金融风险分析方法20至少包括步骤S202至S208。
如图2所示,在S202中,基于多个用户的金融数据构建关系图谱,所述关系图谱中的多个节点为多个用户,所述关系图谱中的边为所述多个用户之间的关联关系。
具体步骤可包括:根据用户的通讯数据和/或社交数据和/或设备数据和/或基础数据和/或行为数据生成所述金融数据;将用户作为顶点;由金融数据中提取用户之间的关联关系,并将所述关联关系作为边;将关联关系之间的紧密程度作为权重;以及通过所述顶点、所述边、所述权重构建所述关系图谱。
在S204中,确定目标用户。可根据预设策略,在用户关系图谱中进行初步筛选以确定目标用户。具体可例如,对用户的职业进行筛选,将具有金融风险的职业作为关键词,筛选出目标用户。还可例如,对用户的地域进行筛选,将某些骗贷严重地区的用户作为目标用户以进行进一步的分析。
值得一提的是,也可根据本公开中的方法所有用户关系图谱中任一用户进行金融风险分析,本公开不以此为限。
在S206中,在所述关系图谱中基于所述目标用户和随机游走算法生成所述目标用户的用户向量。包括:确定随机游走次数n,n为大于1的整数;在所述关系图谱中以所述目标用户为起始节点进行n次随机游走;以及根据所述n次随机游走结果生成所述用户向量。
“在所述关系图谱中基于所述目标用户和随机游走算法生成所述目标用户的用户向量”的详细内容将在图3对应的实施例中进行描述。
在S208中,将所述用户向量输入用户金融风险分析模型中以确定所述目标用户的金融风险概率。具体步骤可包括:获取所述目标用户的基础信息;将所述用户向量和所述基础信息输入用户金融风险分析模型中,所述用户金融风险分析模型为机器学习模型;以及所述用户金融风险分析模型基于已训练的参数对所述用户向量和所述基础信息进行计算以生成所述目标用户的金融风险概率。
用户的基础信息可例如为用户的年龄、职业、收入情况、兴趣爱好等等,可通过历史上用户的金融行为表现对机器学习模型进行训练,获得训练完毕的金融分析分析模型,然后将本次待分析的用户的各项特征输入金融风险分析模型中以确定该用户的金融风险概率。
根据本公开的用户金融风险分析方法,基于多个用户的金融数据构建关系图谱,所述关系图谱中的多个节点为多个用户,所述关系图谱中的边为所述多个用户之间的关联关系;确定目标用户;在所述关系图谱中基于所述目标用户和随机游走算法生成所述目标用户的用户向量;将所述用户向量输入用户金融风险分析模型中以确定所述目标用户的金融风险概率的方式,能够从深层次挖掘用户之间的关联关系,并生成能够体现用户之间关联关系的用户向量,还能够基于用户向量对用户进行金融风险分析,提高金融风险分析的准确度、提高金融服务企业的金融安全性。
应清楚地理解,本公开描述了如何形成和使用特定示例,但本公开的原理不限于这些示例的任何细节。相反,基于本公开公开的内容的教导,这些原理能够应用于许多其它实施例。
图3是根据另一示例性实施例示出的一种用户金融风险分析方法的流程图。图3所示的流程是对图2所示的流程中S206“在所述关系图谱中基于所述目标用户和随机游走算法生成所述目标用户的用户向量”的详细描述。
如图3所示,在S302中,确定随机游走次数n,n为大于1的整数。随机游走(randomwalk)也称随机漫步,随机行走等是指基于过去的表现,无法预测将来的发展步骤和方向。
在S304中,在所述关系图谱中以所述目标用户为起始节点进行n次随机游走。由所述起始节点开始在所述关系图谱中进行n步随机游走,包括:由所述起始节点开始基于边权重确定随机游走的路径以进行n步随机游走。
通过随机游走能够得到图里各顶点之间的相关度。可例如,将A用户作为初始节点,通过随机游走,算出用户A和其他用户节点之间的关联度,经过多次随机在ABCabcd顶点之间的游走,找到游走次数多的顶点,则说明该顶点与A关联度很强。
在S306中,根据所述n次随机游走结果生成所述起始节点的近邻矩阵。包括:由所述起始节点开始在所述关系图谱中进行n步随机游走,生成随机游走序列;根据所述随机游走序列生成所述起始节点的近邻矩阵。
如图4所示,可设定A节点关联度的初始值为PR(A)=1,其余都为0。从A点开始向外游走,假设从A点走出去的概率为α,则停留在A点的概率为1-α,a点会得到来自A的关联度1*α*1/2,此时因为其他点的关联度都为0,所以a点就是1*α*1/2。同理可得c点最后的关联度也为1*α*1/2,此时A点自身的关联度为1-a。第一次迭代结束。
第二次迭代的时候,除了A点以外,a和c也有了关联度,从这几个点出发,继续游走,计算出其他点的关联度。重复以上过程。因为每次都是从A点出发,因此结束的时候A点要加上1-a。
迭代到目标次数的时候,各点的对A的关联度会趋于一个定值,通过这个定值可生成各个节点之间的近邻矩阵。
更进一步的,由所述起始节点开始在所述关系图谱中进行随机游走直至到所述结束节点为止,包括:由所述起始节点开始基于边权重确定随机游走的路径,直至到所述结束节点为止。
在S308中,将所述起始节点的近邻矩阵输入词向量模型。其中,词向量模型可为word2vec模型,Word2vec,是一群用来产生词向量的相关模型。这些模型为浅而双层的神经网络,用来训练以重新建构语言学之词文本。网络以词表现,并且需猜测相邻位置的输入词,在word2vec中词袋模型假设下,词的顺序是不重要的。训练完成之后,word2vec模型可用来映射每个词到一个向量,可用来表示词对词之间的关系,该向量为神经网络之隐藏层。
在S310中,所述词向量模型基于模型概率由所述近邻矩阵中抽取节点确定所述起始节点和其他节点之间的向量关系。
在S312中,基于所述向量关系生成所述用户向量。指的一提的是,用户向量的维度和随机游走的次数n是一致的,即为,当随机游走的次数为300次的时候,用户向量的维度为300。为了对目标用户进行更详细的用户管理程度分析,随机游走的次数越多越能深入挖掘用户之间的关系,但是,太多的随机游走次数又会给计算带来过多的负担,经过多次的反复验证,本公开中以300次随机游走次数作为优选值。该值能保证在计算量不超出系统负载的情况下,最大限度的挖掘出目标用户和其他用户之间的关系关系。
图5是根据另一示例性实施例示出的一种用户金融风险分析方法的流程图。图5所示的流程是对用户金融风险分析方法的补充描述。
如图5所示,在S502中,基于所述关系图谱确定多个用户的多个用户向量。可通过反复确定目标用户的方式在进行计算的方式,逐一计算出多个用户的用户向量。
在S504中,计算所述多个用户向量之间的相似度。更具体的,可通过余弦相似性来确定用户之间的相似度,余弦相似性是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,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。在余弦相似性中,两个用户向量之间的余弦值的范围在[-1,1]之间,值越趋近于1,代表两个向量的方向越接近;越趋近于-1,他们的方向越相反;接近于0,表示两个向量近乎于正交。
在S506中,根据所述相似度将所述多个用户分入多个用户分组。
在一个实施例中,还包括:根据所述用户分组生成所述多个用户的用户画像;和/或根据所述用户分组对所述多个用户进行违约风险分析。
其中,根据所述用户分组对所述多个用户进行违约风险分析,包括:根据预设策略确定目标用户分组和目标用户;以及基于所述目标用户对所述目标用户分组中的其他用户进行违约风险分析。
可例如,将事先生成的用户黑名单中的用户作为目标用户,然后确定目标用户所在的目标分组,进而对该分组中的用户再进行违约风险分析。
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CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图6是根据一示例性实施例示出的一种用户金融风险分析装置的框图。如图6所示,用户金融风险分析装置60包括:图谱模块602,目标模块604,向量模块606,分析模块608,分组模块610。
图谱模块602用于基于多个用户的金融数据构建关系图谱,所述关系图谱中的多个节点为多个用户,所述关系图谱中的边为所述多个用户之间的关联关系;所述图谱模块602包括:数据单元,用于根据用户的通讯数据和/或社交数据和/或设备数据和/或基础数据和/或行为数据生成所述金融数据;参数单元,用于将用户作为顶点;由金融数据中提取用户之间的关联关系,并将所述关联关系作为边;将关联关系之间的紧密程度作为权重;以及构建单元,用于通过所述顶点、所述边、所述权重构建所述关系图谱。
目标模块604用于确定目标用户;
向量模块606用于在所述关系图谱中基于所述目标用户和随机游走算法生成所述目标用户的用户向量;所述向量模块606包括:次数单元,用于确定随机游走次数n,n为大于1的整数;游走单元,用于在所述关系图谱中以所述目标用户为起始节点进行n次随机游走;
向量模块606还包括:向量单元,用于根据所述n次随机游走结果生成所述用户向量。所述向量单元,包括:矩阵子单元,用于根据所述n次随机游走结果生成所述起始节点的近邻矩阵;以及所述矩阵子单元,还用于由所述起始节点开始在所述关系图谱中进行n步随机游走,生成随机游走序列;根据所述随机游走序列生成所述起始节点的近邻矩阵。向量子单元,用于基于所述起始节点的近邻矩阵生成所述目标用户的用户向量;其中所述近邻矩阵的维度为n。所述向量子单元,还用于由所述起始节点开始基于边权重确定随机游走的路径以进行n步随机游走。所述向量子单元,还用于将所述起始节点的近邻矩阵输入词向量模型中以生成所述目标用户的用户向量。所述向量子单元,还用于将所述起始节点的近邻矩阵输入词向量模型;所述词向量模型基于模型概率由所述近邻矩阵中抽取节点确定所述起始节点和其他节点之间的向量关系;以及基于所述向量关系生成所述用户向量。
分析模块608用于将所述用户向量输入用户金融风险分析模型中以确定所述目标用户的金融风险概率。所述分析模块608包括:信息单元,用于获取所述目标用户的基础信息;输入单元,用于将所述用户向量和所述基础信息输入用户金融风险分析模型中,所述用户金融风险分析模型为机器学习模型;以及计算单元,用于所述用户金融风险分析模型基于已训练的参数对所述用户向量和所述基础信息进行计算以生成所述目标用户的金融风险概率。
分组模块610用于基于所述关系图谱确定多个用户的多个用户向量;计算所述多个用户向量之间的相似度;以及根据所述相似度将所述多个用户分入多个用户分组。
根据本公开的用户金融风险分析装置,基于多个用户的金融数据构建关系图谱,所述关系图谱中的多个节点为多个用户,所述关系图谱中的边为所述多个用户之间的关联关系;确定目标用户;在所述关系图谱中基于所述目标用户和随机游走算法生成所述目标用户的用户向量;将所述用户向量输入用户金融风险分析模型中以确定所述目标用户的金融风险概率的方式,能够从深层次挖掘用户之间的关联关系,并生成能够体现用户之间关联关系的用户向量,还能够基于用户向量对用户进行金融风险分析,提高金融风险分析的准确度、提高金融服务企业的金融安全性。
图7是根据一示例性实施例示出的一种电子设备的框图。
下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:至少一个处理单元710、至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740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710执行,使得所述处理单元710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公开各种示例性实施方式的步骤。例如,所述处理单元710可以执行如图2,图3,图4中所示的步骤。
所述存储单元720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)7201和/或高速缓存存储单元7202,还可以进一步包括只读存储单元(ROM)7203。
所述存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204,这样的程序模块7205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730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700也可以与一个或多个外部设备700’(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700交互的设备通信,和/或与使得该电子设备700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750进行。并且,电子设备700还可以通过网络适配器760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760可以通过总线730与电子设备700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700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,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,如图8所示,根据本公开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非易失性存储介质(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)执行根据本公开实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。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公开操作的程序代码,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)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:基于多个用户的金融数据构建关系图谱,所述关系图谱中的多个节点为多个用户,所述关系图谱中的边为所述多个用户之间的关联关系;确定目标用户;在所述关系图谱中基于所述目标用户和随机游走算法生成所述目标用户的用户向量;将所述用户向量输入用户金融风险分析模型中以确定所述目标用户的金融风险概率。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本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。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例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,根据本公开实施例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非易失性存储介质(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、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是,本公开不限于这里描述的详细结构、设置方式或实现方法;相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (10)
1.一种用户金融风险分析方法,其特征在于,包括:
基于多个用户的金融数据构建关系图谱,所述关系图谱中的多个节点为多个用户,所述关系图谱中的边为所述多个用户之间的关联关系;
确定目标用户;
在所述关系图谱中基于所述目标用户和随机游走算法生成所述目标用户的用户向量;以及
将所述用户向量输入用户金融风险分析模型中以确定所述目标用户的金融风险概率。
2.如权利要求1所述的方法,其特征在于,基于多个用户的金融数据构建关系图谱,包括:
根据用户的通讯数据和/或社交数据和/或设备数据和/或基础数据和/或行为数据生成所述金融数据;
将用户作为顶点;
由金融数据中提取用户之间的关联关系,并将所述关联关系作为边;
将关联关系之间的紧密程度作为权重;以及
通过所述顶点、所述边、所述权重构建所述关系图谱。
3.如权利要求1-2中任一所述的方法,其特征在于,在所述关系图谱中基于所述目标用户和随机游走算法生成所述目标用户的用户向量,包括:
确定随机游走次数n,n为大于1的整数;
在所述关系图谱中以所述目标用户为起始节点进行n次随机游走;以及
根据所述n次随机游走结果生成所述用户向量。
4.如权利要求1-3中任一所述的方法,其特征在于,根据所述n次随机游走结果生成所述用户向量,包括:
根据所述n次随机游走结果生成所述起始节点的近邻矩阵;以及
基于所述起始节点的近邻矩阵生成所述目标用户的用户向量;
其中所述近邻矩阵的维度为n。
5.如权利要求1-4中任一所述的方法,其特征在于,根据所述n次随机游走结果生成所述起始节点的近邻矩阵,包括:
由所述起始节点开始在所述关系图谱中进行n步随机游走,生成随机游走序列;
根据所述随机游走序列生成所述起始节点的近邻矩阵。
6.如权利要求1-5中任一所述的方法,其特征在于,由所述起始节点开始在所述关系图谱中进行n步随机游走,包括:
由所述起始节点开始基于边权重确定随机游走的路径以进行n步随机游走。
7.如权利要求1-6中任一所述的方法,其特征在于,基于所述起始节点的近邻矩阵生成所述目标用户的用户向量,包括:
将所述起始节点的近邻矩阵输入词向量模型中以生成所述目标用户的用户向量。
8.一种用户金融风险分析装置,其特征在于,包括:
图谱模块,用于基于多个用户的金融数据构建关系图谱,所述关系图谱中的多个节点为多个用户,所述关系图谱中的边为所述多个用户之间的关联关系;
目标模块,用于确定目标用户;
向量模块,用于在所述关系图谱中基于所述目标用户和随机游走算法生成所述目标用户的用户向量;
分析模块,用于将所述用户向量输入用户金融风险分析模型中以确定所述目标用户的金融风险概率。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010308289.9A CN111612635A (zh) | 2020-04-18 | 2020-04-18 | 用户金融风险分析方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010308289.9A CN111612635A (zh) | 2020-04-18 | 2020-04-18 | 用户金融风险分析方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111612635A true CN111612635A (zh) | 2020-09-01 |
Family
ID=72201278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010308289.9A Pending CN111612635A (zh) | 2020-04-18 | 2020-04-18 | 用户金融风险分析方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612635A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112214614A (zh) * | 2020-10-16 | 2021-01-12 | 民生科技有限责任公司 | 基于知识图谱挖掘风险传播路径的方法及其系统 |
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 |
CN113297389A (zh) * | 2021-04-29 | 2021-08-24 | 上海淇玥信息技术有限公司 | 设备间关联关系的方法、装置和电子设备 |
CN113962712A (zh) * | 2021-10-29 | 2022-01-21 | 深圳市珍爱捷云信息技术有限公司 | 一种诈骗团伙的预测方法及相关设备 |
CN116094827A (zh) * | 2023-01-18 | 2023-05-09 | 支付宝(杭州)信息技术有限公司 | 基于拓扑增强的安全风险鉴别方法与系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209826A (zh) * | 2018-02-06 | 2019-09-06 | 武汉观图信息科技有限公司 | 一种面向银行风险控制的金融图谱构建与分析方法 |
CN110765117A (zh) * | 2019-09-30 | 2020-02-07 | 中国建设银行股份有限公司 | 欺诈识别方法、装置、电子设备及计算机可读存储介质 |
-
2020
- 2020-04-18 CN CN202010308289.9A patent/CN111612635A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209826A (zh) * | 2018-02-06 | 2019-09-06 | 武汉观图信息科技有限公司 | 一种面向银行风险控制的金融图谱构建与分析方法 |
CN110765117A (zh) * | 2019-09-30 | 2020-02-07 | 中国建设银行股份有限公司 | 欺诈识别方法、装置、电子设备及计算机可读存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112214614A (zh) * | 2020-10-16 | 2021-01-12 | 民生科技有限责任公司 | 基于知识图谱挖掘风险传播路径的方法及其系统 |
CN112214614B (zh) * | 2020-10-16 | 2024-02-09 | 民生科技有限责任公司 | 基于知识图谱挖掘风险传播路径的方法及其系统 |
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 |
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 |
CN113297389A (zh) * | 2021-04-29 | 2021-08-24 | 上海淇玥信息技术有限公司 | 设备间关联关系的方法、装置和电子设备 |
CN113297389B (zh) * | 2021-04-29 | 2023-02-21 | 上海淇玥信息技术有限公司 | 设备间关联关系的方法、装置和电子设备 |
CN113962712A (zh) * | 2021-10-29 | 2022-01-21 | 深圳市珍爱捷云信息技术有限公司 | 一种诈骗团伙的预测方法及相关设备 |
CN116094827A (zh) * | 2023-01-18 | 2023-05-09 | 支付宝(杭州)信息技术有限公司 | 基于拓扑增强的安全风险鉴别方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612635A (zh) | 用户金融风险分析方法、装置及电子设备 | |
CN111198967B (zh) | 基于关系图谱的用户分组方法、装置及电子设备 | |
CN112348660B (zh) | 生成风险警示信息的方法、装置及电子设备 | |
CN109509048B (zh) | 恶意订单识别方法、装置、电子设备及存储介质 | |
CN110111139A (zh) | 行为预估模型生成方法、装置、电子设备及可读介质 | |
CN109711160B (zh) | 应用程序检测方法、装置及神经网络系统 | |
CN111210336A (zh) | 用户风险模型生成方法、装置及电子设备 | |
CN113761577B (zh) | 一种大数据脱敏的方法、装置、计算机设备及存储介质 | |
CN112017059A (zh) | 一种分级优化的风险控制方法、装置和电子设备 | |
CN111598494A (zh) | 资源额度的调整方法、装置及电子设备 | |
CN111600874A (zh) | 用户账号检测方法、装置、电子设备、介质和程序产品 | |
CN111147431A (zh) | 用于生成信息的方法和装置 | |
Murray | Evolving location analytics for service coverage modeling | |
CN110333866B (zh) | 承接页面生成方法、装置及电子设备 | |
CN110737820B (zh) | 用于生成事件信息的方法和装置 | |
CN111191677A (zh) | 用户特征数据生成方法、装置及电子设备 | |
EP4187472A1 (en) | Method and apparatus for detecting false transaction orders | |
CN111199454B (zh) | 实时用户转化评估方法、装置及电子设备 | |
CN113297287A (zh) | 用户策略自动部署方法、装置及电子设备 | |
CN107273362B (zh) | 数据处理方法及其设备 | |
US20230100394A1 (en) | Computer transaction entity authentication | |
CN113297436B (zh) | 基于关系图网络的用户策略分配方法、装置及电子设备 | |
CN111770168B (zh) | 网页的重定向防护方法、装置及电子设备 | |
CN113590310A (zh) | 基于规则触碰率评分的资源分配方法、装置及电子设备 | |
CN113591065B (zh) | 基于app安装列表分群的用户设备认证方法、装置及设备 |
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 |