CN111626887A - 一种社交关系评估方法及装置 - Google Patents
一种社交关系评估方法及装置 Download PDFInfo
- Publication number
- CN111626887A CN111626887A CN201910146762.5A CN201910146762A CN111626887A CN 111626887 A CN111626887 A CN 111626887A CN 201910146762 A CN201910146762 A CN 201910146762A CN 111626887 A CN111626887 A CN 111626887A
- Authority
- CN
- China
- Prior art keywords
- social
- user
- characteristic information
- evaluated
- users
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 44
- 238000013210 evaluation model Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000005070 sampling Methods 0.000 claims description 126
- 238000012549 training Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种社交关系评估方法及装置，所述方法包括：获取待评估用户的社交特征信息，并在预设的社交网络中获取与所述待评估用户的距离小于执行距离的至少一个近邻用户的社交特征信息；将所述待评估用户的社交特征信息和所述近邻用户的社交特征信息输入预先构建的社交关系评估模型；利用所述社交关系评估模型根据所述待评估用户的社交特征信息和所述近邻用户的社交特征信息对所述待评估用户的社交风险进行评估，并输出所述待评估用户的社交风险等级的评估结果。基于本发明提供的方案可以准确并快速对待评估用户的社交风险进行评估，为待评估用户的在一些安全信息领域中的授信提供有力依据。
Description
技术领域
本发明涉及互联网技术领域，特别是涉及一种社交关系评估方法及装置。
背景技术
社交网络关系层面的风控，是小额贷款和反欺诈领域的重要授信和依据来源。通常基于物以类聚，人以群分的元原则进行关系网络建模，在这种思路下的代表技术由社区挖掘、标签传播等技术。
然而，社交网络通常量大且难以区分人群好坏，难以获得合理的标签，因而依靠标签传播算法聚类容易误判，不能够直接拿来当成独立的评价模型。此外，单纯依靠节点关系层面的特征，无法深刻挖掘用户的内在信息，无法综合多个维度的信息判断。
发明内容
本发明提供了一种社交关系评估方法及装置以克服上述问题或者至少部分地解决上述问题。
根据本发明的一个方面，提供了一种社交关系评估方法，包括：
获取待评估用户的社交特征信息，并在预设的社交网络中获取与所述待评估用户的距离小于执行距离的至少一个近邻用户的社交特征信息；
将所述待评估用户的社交特征信息和所述近邻用户的社交特征信息输入预先构建的社交关系评估模型；
利用所述社交关系评估模型根据所述待评估用户的社交特征信息和所述近邻用户的社交特征信息对所述待评估用户的社交风险进行评估，并输出所述待评估用户的社交风险等级的评估结果。
可选地，所述获取待评估用户的社交特征信息，并在预设社交网络中获取与所述待评估用户的距离小于执行距离的至少一个近邻用户的社交特征信息之前，还包括：
收集多个用户的社交数据，构建用户社交数据库；其中，所述社交数据包括：基于电信通讯、网络通信和/或线下社交产生的社交数据；
创建社交网络，基于所述各用户的社交数据将所述各用户映射为所述社交网络的各节点，并在具备社交关系的用户之间建立社交连接。
可选地，所述创建社交网络，基于所述各用户的社交数据将所述各用户映射为所述社交网络的各节点，并在具备社交关系的用户之间建立社交连接之后，还包括：
基于所述用户数据库中各用户的社交数据为各用户建立用户画像，并至少为所述用户数据库中指定比例的用户添加标识社交风险等级的用户标签。
可选地，所述将所述待评估用户的社交特征信息和所述近邻用户的社交特征信息输入预先构建的社交关系评估模型之前，还包括：
构建社交关系评估模型；
基于所述用户数据库中的各用户以及与各用户对应的社交数据进行半监督学习，训练所述社交关系评估模型。
可选地，所述基于所述用户数据库中的各用户以及与各用户对应的社交数据进行半监督学习，训练所述社交关系评估模型，包括：
基于所述用户社交数据库进行采样，将所述用户社交数据库中包括的所有用户依据预设条件划分为多组抽样群体；
对于任意一组抽样群体，获取所述抽样群体中各用户的社交特征信息，并基于所述抽样群体中的各用户的社交特征信息生成所述抽样群体的图关系数据；
依据图卷积对所述各组抽样群体的图关系数据进行半监督学习，训练所述社交关系评估模型。
可选地，所述预设条件包括以下至少之一：
各抽样群体内的每个用户与其所属抽取群体内的至少一个其他用户之间具有社交连接；
不同抽样群体之间存在交叠；
各抽样群体中具有所述标识社交风险等级的用户标签的用户为所述抽样群体所有用户的指定比例范围；
各抽样群体包括的用户的数量在预设数量之内；
所述用户社交数据库中的任意一个用户至少属于一个抽样群体。
可选地，所述对于任意一组抽样群体，获取所述抽样群体中各用户的社交特征信息，并基于所述抽样群体中的各用户的社交特征信息生成所述抽样群体的图关系数据，包括：
对于任意一组抽样群体，依据第一权重规则在所述抽样群体中各用户的社交数据中获取所述各用户的社交特征信息；
基于所述各用户的社交特征信息生成所述抽样群体的图关系数据。
可选地，所述获取待评估用户的社交特征信息，并在预设的社交网络中获取与所述待评估用户的距离小于执行距离的至少一个近邻用户的社交特征信息，包括：
依据第二权重规则在获取所述待评估用户以及与所述待评估用户的距离小于执行距离的至少一个近邻用户的社交数据中获取所述待评估用户以及所述近邻用户的社交特征信息。
根据本发明的另一个方面，还提供了一种社交关系评估装置，包括：
获取模块，配置为获取待评估用户的社交特征信息，并在预设的社交网络中获取与所述待评估用户的距离小于执行距离的至少一个近邻用户的社交特征信息；
输入模块，配置为将所述待评估用户的社交特征信息和所述近邻用户的社交特征信息输入预先构建的社交关系评估模型；
评估模块，配置为利用所述社交关系评估模型根据所述待评估用户的社交特征信息和所述近邻用户的社交特征信息对所述待评估用户的社交风险进行评估，并输出所述待评估用户的社交风险等级的评估结果。
可选地，所述装置还包括：
创建模块，配置为收集多个用户的社交数据，构建用户社交数据库；其中，所述社交数据包括：基于电信通讯、网络通信和/或线下社交产生的社交数据；
创建社交网络，基于所述各用户的社交数据将所述各用户映射为所述社交网络的各节点，并在具备社交关系的用户之间建立社交连接。
可选地，所述创建模块，还配置：
为基于所述用户数据库中各用户的社交数据为各用户建立用户画像，并至少为所述用户数据库中指定比例的用户添加标识社交风险等级的用户标签。
可选地，所述装置还包括：
构建模块，配置为构建社交关系评估模型；
基于所述用户数据库中的各用户以及与各用户对应的社交数据进行半监督学习，训练所述社交关系评估模型。
可选地，所述构建模块，还配置为：
基于所述用户社交数据库进行采样，将所述用户社交数据库中包括的所有用户依据预设条件划分为多组抽样群体；
对于任意一组抽样群体，获取所述抽样群体中各用户的社交特征信息，并基于所述抽样群体中的各用户的社交特征信息生成所述抽样群体的图关系数据；
依据图卷积对所述各组抽样群体的图关系数据进行半监督学习，训练所述社交关系评估模型。
可选地，所述预设条件包括以下至少之一：
各抽样群体内的每个用户与其所属抽取群体内的至少一个其他用户之间具有社交连接；
不同抽样群体之间存在交叠；
各抽样群体中具有所述标识社交风险等级的用户标签的用户为所述抽样群体所有用户的指定比例范围；
各抽样群体包括的用户的数量在预设数量之内；
所述用户社交数据库中的任意一个用户至少属于一个抽样群体。
可选地，所述构建模块，还配置为：
对于任意一组抽样群体，依据第一权重规则在所述抽样群体中各用户的社交数据中获取所述各用户的社交特征信息；
基于所述各用户的社交特征信息生成所述抽样群体的图关系数据。
可选地，所述获取模块，还配置为：
依据第二权重规则在获取所述待评估用户以及与所述待评估用户的距离小于执行距离的至少一个近邻用户的社交数据中获取所述待评估用户以及所述近邻用户的社交特征信息。
根据本发明的另一个方面，还提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序代码，当所述计算机程序代码在计算设备上运行时，导致所述计算设备执行上述任一项所述的社交关系评估方法。
根据本发明的另一个方面，还提供了一种计算设备，包括：
处理器；
存储有计算机程序代码的存储器；
当所述计算机程序代码被所述处理器运行时，导致所述计算设备执行上述任一项所述的社交关系评估方法。
本发明提供了一种更加高效的社交关系评估方法及装置，通过获取待评估用户的社交特征信息以及至少一个近邻用户的社交特征信息，进而将上述获取到的社交特征信息输入预先构建的社交关系评估模型中，对待评估用户的社交风险进行评估后输出待评估用户的社交风险等级的评估结果。基于本发明提供的方法，利用已有的社交关系评估模型基于待评估用户及其近邻用户的社交特征信息进行分析，能够将稀少的标签信息，海量的用户关系网络数据，海量的用户画像信息结合起来，进而准确并快速对待评估用户的社交风险进行评估，为待评估用户的在一些安全信息领域中的授信提供有力依据。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是根据本发明实施例的社交关系评估方法流程示意图；
图2是根据本发明实施例的抽样群体对应的图关系示意图；
图3是根据本发明实施例的社交关系评估装置结构示意图；
图4是根据本发明优选实施例的社交关系评估装置结构示意。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明实施例提供的社交关系评估方法流程示意图，参见图1可知，本发明实施例提供的社交关系评估方法可以包括：
步骤S102，获取待评估用户的社交特征信息，并在预设的社交网络中获取与待评估用户的距离小于执行距离的至少一个近邻用户的社交特征信息；
步骤S104，将待评估用户的社交特征信息和上述近邻用户的社交特征信息输入预先构建的社交关系评估模型；
步骤S106，利用社交关系评估模型根据待评估用户的社交特征信息和上述近邻用户的社交特征信息对待评估用户的社交风险进行评估，并输出待评估用户的社交风险等级的评估结果。
本发明实施例提供了一种更加高效的社交关系评估方法，通过获取待评估用户的社交特征信息以及至少一个近邻用户的社交特征信息，进而将上述获取到的社交特征信息输入预先构建的社交关系评估模型中，对待评估用户的社交风险进行评估后输出待评估用户的社交风险等级的评估结果。基于本发明实施例提供的方法，利用已有的社交关系评估模型基于待评估用户及其近邻用户的社交特征信息进行分析，进而准确并快速对待评估用户的社交风险进行评估，为待评估用户的在一些安全信息领域中的授信提供有力依据。
上述步骤S102中提及，会在预设的社交网络中获取待评估用户的至少一个近邻用户。可选地，在上述步骤S102之前，还可以包括以下步骤：
S1-1，收集多个用户的社交数据，构建用户社交数据库；其中，社交数据包括：基于电信通讯、网络通信和/或线下社交产生的社交数据；
S1-2，创建社交网络，基于各用户的社交数据将各用户映射为社交网络的各节点，并在具备社交关系的用户之间建立社交连接。
两个用户之间的社交关系往往可以基于他们之间的联系的频率、方式以及时间等进行大致推断。举例来说，两个频繁互动的用户可以是亲友、夫妻等。实际应用中，用户的社交数据是海量的，而且社交方式是多个维度的。因此，本发明实施例的社交数据可以是对多个(海量)用户的社交数据进行收集，如电信通讯、网络通信和/或线下社交产生的社交数据构建社交数据库。其中，电信通讯即通过传统电话、短信的社交方式，网络通信可以包括即时通讯软件，如微信、QQ、邮件的社交方式，或是通过其他应用程序的社交方式；线下社交产生的社交数据则可以是见面、共同参加社交活动等产生的社交数据。而用户社交数据库中除了包括用户以及相应的社交数据之外，还可以增添用户的社会属性等信息。
收集到海量用户的社交数据之后，就可以创建社交网络，进而将各用户映射至社交网络，作为在社交网络中的节点。其中，社交网络的维度可以以社交方式进行划分，或是根据其他方式进行划分，本发明不做限定。当将所有用户映射至社交网络后，就可以基于各用户的社交数据在具备社交关系的用户之间建立社交连接。对于任意一个用户来讲，与该用户具备社交关系的用户可以是存在与该用户本地通信录中的用户，或是与该用户在某一个或多个网络通信应用中具备好友关系的用户，或是存在邮件email联系的用户。建立社交连接可以是在社交网络中在两个用户之间进以连接线或其他方式进行连接，对于不同方式确定社交关系的社交连接可以进行变化。除上述介绍的之外，社交网络中，具有社交连接的两个用户之间的距离可基于双方的社交数据进行计算，当两个用户之间的社交数据越多，则表示该两个用户的关系越亲密，此时，两个用户在社交网络的距离也可以越短。
可选地，在上述步骤S1-2之后，还可以包括：
S1-3，基于用户数据库中各用户的社交数据为各用户建立用户画像，并至少为用户数据库中指定比例的用户添加标识社交风险等级的用户标签。
用户画像是根据用户社会属性、生活习惯和兴趣爱好等信息而抽象出的一个标签化的用户模型。用户画像建立的过程就是为用户添加相应的标签，在数据挖掘领域称为标签化。标签是通过对用户信息分析而得到的高度精炼的特征标识。
在本发明实施例中，基于收集到的用户社交数据之后，还可以基于各个维度的社交数据如用户的通讯信息、电话号码的标记信息等社交相关信息为用户添加无风险用户、有风险用户、疑似危险用户等标识社交风险等级的用户标签。具体添加时，主要是先对于能够直接确定的其社交风险等级的用户添加相应的用户标签。另外，由于用户的社交数据可以基于时间不同增加，因此，发明实施例中用户社交数据库中的用户社交数据可以不断更新，对应的用户画像及用户标签也可以不断更新。
上述步骤S104中提及，在获取到待评估用户的社交特征信息和近邻用户的社交特征信息后，会将上述信息输入至预先构建的社交关系评估模型中。因此，在此之前，还可以包括：构建社交关系评估网络模型；基于用户数据库中的各用户以及与各用户对应的社交数据进行半监督学习，训练该社交网络评估模型。
在本发明一可选实施例中，对社交关系评估模型的训练可以通过以下方式进行：
S2-1，基于用户社交数据库进行采样，将用户社交数据库中包括的所有用户依据预设条件划分为多组抽样群体；
S2-2，对于任意一组抽样群体，获取抽样群体中各用户的社交特征信息，并基于该抽样群体中的各用户的社交特征信息生成该抽样群体的图关系数据；
S2-3，依据图卷积对各组抽样群体的图关系数据进行半监督学习，训练该社交关系评估模型。
本发明实施例先将社交网络中所包括的用户进行群体划分，将一个大的抽样群体划分为多个小的抽样群体，对于每个抽样群体的划分的预设条件可以包括以下至少之一：
1、各抽样群体内的每个用户与其所属抽取群体内的至少一个其他用户之间具有社交连接；
2、不同抽样群体之间存在交叠；即，任意一个抽样群体与其他一个或多个抽样群体可以存在一个或多个共有的用户节点；
3、各抽样群体中具有上述标识社交风险等级的用户标签的用户为各抽样群体所有用户的指定比例范围；由于具备标识社交风险等级的用户标签可能为少数，因此，在进行抽样群体的划分时，保证在每个抽样群体中有一定量携带有该用户标签的用户，以便基于上述数据训练出的模型在进行未知用户的社交关系评估时更加精准；一个抽样群体中，携带有上述用户标签的已知用户所占的指定比例范围可以根据实际已知用户的实际数量以及总用户的数量进行设置，本发明不做限定；
4、各抽样群体包括的用户的数量在预设数量之内；其中，预设数量可以基于不同场景进行设置；
5、用户社交数据库中的任意一个用户至少属于一个抽样群体。
在本发明实施例中，需要先构建社交关系评估模型，进而利用划分后的抽样群体对应的社交数据对社交关系评估模型进行训练，构建社交关系评估模型时，可以基于神经网络系统进行模型的构建。对于模型的训练来讲，通常采用的方式主要有四种：监督、无监督、半监督和强化学习。本发明实施例所采用的半监督学习，是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。
上文介绍，进行抽取群体的划分时，各抽取群体中所包括的指定比例范围具有标识社交风险等级的用户标签的用户，也就是说，具有社交风险等级的用户标签的用户的社交数据作为标记数据，其他没有类似用户标签的用户的社交数据作为未标记数据，采用上述两种类型的数据进行社交关系评估模型的训练，从而使得社交关系评估模型的评估准确度以及效率更高。
在步骤S2-2中提及，对于任意一组抽样群体来讲，该抽样群体中的各用户的社交特征信息生成的图关系数据进而作为社交关系评估模型的训练数据。其中，社交特征信息可以是基于用户的社交数据生成的。可选地，在确定社交关系评估模型的训练数据时，可以依据第一权重规则在该抽样群体中各用户的社交数据中获取各用户的社交特征信息；基于各用户的社交特征信息生成抽样群体的图关系数据。本实施例中的第一权重规则可以包括各用户的社交数据中各个维度的社交数据所占的权重比例，同时可以结合用户的社交对象数量、各个社交对象的社会属性等进行设置。
基于各用户的社交特征信息生成抽样群体的图关系数据可以是如图2所示，图2中各用户作为连接节点，不同维度的社交数据采用不同连接方式的图关系数据。图2所示的图关系数据中，1、2、3、4、5、6分别代表抽样群体中的6个用户，线下社交、即时通讯软件社交以及电信通话社交分别采用实线a、虚线b以及实线虚线间隔线c进行表示。另外，对于不同社交风险等级的用户标签还可以在图中进行涂黑或涂白的显示方式，假设一个用户的社交风险等级的用户标签危险，则以涂黑的方式表示，假设一个用户的社交风险等级的用户标签为安全，则以涂白的方式表示，当然对于潜在危险的用户也可以会灰色表示或是其他方式进行表示。采用上述方式得到个抽样群体的图关系数据之后，就可以将其输入预先构建的社交关系评估模型进行训练。
上述步骤S102所获取的待评估用户的社交特征信息以及近邻用户的社交特征信息，可以依据第二权重规则在获取待评估用户以及近邻用户的社交数据中获取，第二权重规则可以与第一权重规则相同，也可以根据不同应用场景进行设置，还可以根据用户的社会属性对第二权重规则进行相应调整，本发明不做限定。举例来说，对于商务型用，可能邮件相关社交数据权重较大，对于销售类型用户可能电话相关是社交数据权重较大等等，此处不再赘述。将上述获取到的特征信息输入至训练好的社交关系评估模型中，社交关系评估模型可对待评估用户与近邻用户的特征信息进行解析判断，输出待评估用户的社交风险概率，例如90％为好人，进而基于输入的社交风险概率为该用户添加标识待评估用户社交风险等级的用户标签，为后续该待评估用户的风控评审提供有力数据。
基于同一发明构思，本发明实施例还提供了一种社交关系评估装置，如图3所示，根据本发明实施例提供的社交关系评估装置可以包括：
获取模块310，配置为获取待评估用户的社交特征信息，并在预设的社交网络中获取与待评估用户的距离小于执行距离的至少一个近邻用户的社交特征信息；
输入模块320，配置为将待评估用户的社交特征信息和上述近邻用户的社交特征信息输入预先构建的社交关系评估模型；
评估模块330，配置为利用社交关系评估模型根据待评估用户的社交特征信息和上述近邻用户的社交特征信息对待评估用户的社交风险进行评估，并输出待评估用户的社交风险等级的评估结果。
在本发明一可选实施例中，如图4所示，上述装置还可以包括：
创建模块340，配置为收集多个用户的社交数据，构建用户社交数据库；其中，社交数据包括：基于电信通讯、网络通信和/或线下社交产生的社交数据；
创建社交网络，基于各用户的社交数据将各用户映射为社交网络的各节点，并在具备社交关系的用户之间建立社交连接。
在本发明一可选实施例中，创建模块340还可以配置：
为基于用户数据库中各用户的社交数据为各用户建立用户画像，并至少为用户数据库中指定比例的用户添加标识社交风险等级的用户标签。
在本发明一可选实施例中，如图4所示，上述装置还可以包括：
构建模块350，配置为构建社交关系评估模型；
基于用户数据库中的各用户以及与各用户对应的社交数据进行半监督学习，训练社交关系评估模型。
在本发明一可选实施例中，构建模块350还可以配置为：
基于用户社交数据库进行采样，将用户社交数据库中包括的所有用户依据预设条件划分为多组抽样群体；
对于任意一组抽样群体，获取抽样群体中各用户的社交特征信息，并基于抽样群体中的各用户的社交特征信息生成抽样群体的图关系数据；
依据图卷积对各组抽样群体的图关系数据进行半监督学习，训练社交关系评估模型。
在本发明一可选实施例中，上述预设条件包括以下至少之一：
各抽样群体内的每个用户与其所属抽取群体内的至少一个其他用户之间具有社交连接；
不同抽样群体之间存在交叠；
各抽样群体中具有标识社交风险等级的用户标签的用户为抽样群体所有用户的指定比例范围；
各抽样群体包括的用户的数量在预设数量之内；
用户社交数据库中的任意一个用户至少属于一个抽样群体。
在本发明一可选实施例中，构建模块350还可以配置为：
对于任意一组抽样群体，依据第一权重规则在抽样群体中各用户的社交数据中获取各用户的社交特征信息；
基于各用户的社交特征信息生成抽样群体的图关系数据。
在本发明一可选实施例中，获取模块310还可以配置为：
依据第二权重规则在获取待评估用户以及与待评估用户的距离小于执行距离的至少一个近邻用户的社交数据中获取待评估用户以及近邻用户的社交特征信息。
基于同一发明构思，本发明实施例还提供了一种计算机存储介质，计算机存储介质存储有计算机程序代码，当计算机程序代码在计算设备上运行时，导致计算设备执行上述任一实施例所述的社交关系评估方法。
基于同一发明构思，本发明实施例还提供了一种计算设备，包括：
处理器；
存储有计算机程序代码的存储器；
当计算机程序代码被处理器运行时，导致计算设备执行上述任一实施例所述的社交关系评估方法。
本发明实施例提供了一种更加高效的社交关系评估方法及装置，通过获取待评估用户的社交特征信息以及至少一个近邻用户的社交特征信息，进而将上述获取到的社交特征信息输入预先构建的社交关系评估模型中，对待评估用户的社交风险进行评估后输出待评估用户的社交风险等级的评估结果。基于本发明实施例提供的方法，利用已有的社交关系评估模型基于待评估用户及其近邻用户的社交特征信息进行分析，进而准确并快速对待评估用户的社交风险进行评估，为待评估用户的在一些安全信息领域中的授信提供有力依据。
所属领域的技术人员可以清楚地了解到，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，为简洁起见，在此不另赘述。
另外，在本发明各个实施例中的各功能单元可以物理上相互独立，也可以两个或两个以上功能单元集成在一起，还可以全部功能单元都集成在一个处理单元中。上述集成的功能单元既可以采用硬件的形式实现，也可以采用软件或者固件的形式实现。
本领域普通技术人员可以理解：所述集成的功能单元如果以软件的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，其包括若干指令，用以使得一台计算设备(例如个人计算机，服务器，或者网络设备等)在运行所述指令时执行本发明各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM)，磁碟或者光盘等各种可以存储程序代码的介质。
或者，实现前述方法实施例的全部或部分步骤可以通过程序指令相关的硬件(诸如个人计算机，服务器，或者网络设备等的计算设备)来完成，所述程序指令可以存储于一计算机可读取存储介质中，当所述程序指令被计算设备的处理器执行时，所述计算设备执行本发明各实施例所述方法的全部或部分步骤。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：在本发明的精神和原则之内，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案脱离本发明的保护范围。
根据本发明实施例的一个方面，提供了A1.一种社交关系评估方法，包括：
获取待评估用户的社交特征信息，并在预设的社交网络中获取与所述待评估用户的距离小于执行距离的至少一个近邻用户的社交特征信息；
将所述待评估用户的社交特征信息和所述近邻用户的社交特征信息输入预先构建的社交关系评估模型；
利用所述社交关系评估模型根据所述待评估用户的社交特征信息和所述近邻用户的社交特征信息对所述待评估用户的社交风险进行评估，并输出所述待评估用户的社交风险等级的评估结果。
A2.根据A1所述的方法，其中，所述获取待评估用户的社交特征信息，并在预设社交网络中获取与所述待评估用户的距离小于执行距离的至少一个近邻用户的社交特征信息之前，还包括：
收集多个用户的社交数据，构建用户社交数据库；其中，所述社交数据包括：基于电信通讯、网络通信和/或线下社交产生的社交数据；
创建社交网络，基于所述各用户的社交数据将所述各用户映射为所述社交网络的各节点，并在具备社交关系的用户之间建立社交连接。
A3.根据A2所述的方法，其中，所述创建社交网络，基于所述各用户的社交数据将所述各用户映射为所述社交网络的各节点，并在具备社交关系的用户之间建立社交连接之后，还包括：
基于所述用户数据库中各用户的社交数据为各用户建立用户画像，并至少为所述用户数据库中指定比例的用户添加标识社交风险等级的用户标签。
A4.根据A2所述的方法，其中，所述将所述待评估用户的社交特征信息和所述近邻用户的社交特征信息输入预先构建的社交关系评估模型之前，还包括：
构建社交关系评估模型；
基于所述用户数据库中的各用户以及与各用户对应的社交数据进行半监督学习，训练所述社交关系评估模型。
A5.根据A4所述的方法，其中，所述基于所述用户数据库中的各用户以及与各用户对应的社交数据进行半监督学习，训练所述社交关系评估模型，包括：
基于所述用户社交数据库进行采样，将所述用户社交数据库中包括的所有用户依据预设条件划分为多组抽样群体；
对于任意一组抽样群体，获取所述抽样群体中各用户的社交特征信息，并基于所述抽样群体中的各用户的社交特征信息生成所述抽样群体的图关系数据；
依据图卷积对所述各组抽样群体的图关系数据进行半监督学习，训练所述社交关系评估模型。
A6.根据A5所述的方法，其中，所述预设条件包括以下至少之一：
各抽样群体内的每个用户与其所属抽取群体内的至少一个其他用户之间具有社交连接；
不同抽样群体之间存在交叠；
各抽样群体中具有所述标识社交风险等级的用户标签的用户为所述抽样群体所有用户的指定比例范围；
各抽样群体包括的用户的数量在预设数量之内；
所述用户社交数据库中的任意一个用户至少属于一个抽样群体。
A7.根据A5所述的方法，其中，所述对于任意一组抽样群体，获取所述抽样群体中各用户的社交特征信息，并基于所述抽样群体中的各用户的社交特征信息生成所述抽样群体的图关系数据，包括：
对于任意一组抽样群体，依据第一权重规则在所述抽样群体中各用户的社交数据中获取所述各用户的社交特征信息；
基于所述各用户的社交特征信息生成所述抽样群体的图关系数据。
A8.根据A2-A7任一项所述的方法，其中，所述获取待评估用户的社交特征信息，并在预设的社交网络中获取与所述待评估用户的距离小于执行距离的至少一个近邻用户的社交特征信息，包括：
依据第二权重规则在获取所述待评估用户以及与所述待评估用户的距离小于执行距离的至少一个近邻用户的社交数据中获取所述待评估用户以及所述近邻用户的社交特征信息。
根据本发明实施例的另一个方面，还提供了B9.一种社交关系评估装置，包括：
获取模块，配置为获取待评估用户的社交特征信息，并在预设的社交网络中获取与所述待评估用户的距离小于执行距离的至少一个近邻用户的社交特征信息；
输入模块，配置为将所述待评估用户的社交特征信息和所述近邻用户的社交特征信息输入预先构建的社交关系评估模型；
评估模块，配置为利用所述社交关系评估模型根据所述待评估用户的社交特征信息和所述近邻用户的社交特征信息对所述待评估用户的社交风险进行评估，并输出所述待评估用户的社交风险等级的评估结果。
B10.根据B9所述的装置，其中，还包括：
创建模块，配置为收集多个用户的社交数据，构建用户社交数据库；其中，所述社交数据包括：基于电信通讯、网络通信和/或线下社交产生的社交数据；
创建社交网络，基于所述各用户的社交数据将所述各用户映射为所述社交网络的各节点，并在具备社交关系的用户之间建立社交连接。
B11.根据B10所述的装置，其中，所述创建模块，还配置：
为基于所述用户数据库中各用户的社交数据为各用户建立用户画像，并至少为所述用户数据库中指定比例的用户添加标识社交风险等级的用户标签。
B12.根据B11所述的装置，其中，还包括：
构建模块，配置为构建社交关系评估模型；
基于所述用户数据库中的各用户以及与各用户对应的社交数据进行半监督学习，训练所述社交关系评估模型。
B13.根据B12所述的装置，其中，所述构建模块，还配置为：
基于所述用户社交数据库进行采样，将所述用户社交数据库中包括的所有用户依据预设条件划分为多组抽样群体；
对于任意一组抽样群体，获取所述抽样群体中各用户的社交特征信息，并基于所述抽样群体中的各用户的社交特征信息生成所述抽样群体的图关系数据；
依据图卷积对所述各组抽样群体的图关系数据进行半监督学习，训练所述社交关系评估模型。
B14.根据B13所述的装置，其中，所述预设条件包括以下至少之一：
各抽样群体内的每个用户与其所属抽取群体内的至少一个其他用户之间具有社交连接；
不同抽样群体之间存在交叠；
各抽样群体中具有所述标识社交风险等级的用户标签的用户为所述抽样群体所有用户的指定比例范围；
各抽样群体包括的用户的数量在预设数量之内；
所述用户社交数据库中的任意一个用户至少属于一个抽样群体。
B15.根据B13所述的装置，其中，所述构建模块，还配置为：
对于任意一组抽样群体，依据第一权重规则在所述抽样群体中各用户的社交数据中获取所述各用户的社交特征信息；
基于所述各用户的社交特征信息生成所述抽样群体的图关系数据。
B16.根据B10-B16任一项所述的装置，其中，所述获取模块，还配置为：
依据第二权重规则在获取所述待评估用户以及与所述待评估用户的距离小于执行距离的至少一个近邻用户的社交数据中获取所述待评估用户以及所述近邻用户的社交特征信息。
根据本发明实施例的另一个方面，还提供了C17.一种计算机存储介质，所述计算机存储介质存储有计算机程序代码，当所述计算机程序代码在计算设备上运行时，导致所述计算设备执行A1-A8任一项所述的社交关系评估方法。
根据本发明实施例的另一个方面，还提供了D18.一种计算设备，包括：
处理器；
存储有计算机程序代码的存储器；
当所述计算机程序代码被所述处理器运行时，导致所述计算设备执行A1-A8任一项所述的社交关系评估方法。
Claims (10)
1.一种社交关系评估方法，包括：
获取待评估用户的社交特征信息，并在预设的社交网络中获取与所述待评估用户的距离小于执行距离的至少一个近邻用户的社交特征信息；
将所述待评估用户的社交特征信息和所述近邻用户的社交特征信息输入预先构建的社交关系评估模型；
利用所述社交关系评估模型根据所述待评估用户的社交特征信息和所述近邻用户的社交特征信息对所述待评估用户的社交风险进行评估，并输出所述待评估用户的社交风险等级的评估结果。
2.根据权利要求1所述的方法，其中，所述获取待评估用户的社交特征信息，并在预设社交网络中获取与所述待评估用户的距离小于执行距离的至少一个近邻用户的社交特征信息之前，还包括：
收集多个用户的社交数据，构建用户社交数据库；其中，所述社交数据包括：基于电信通讯、网络通信和/或线下社交产生的社交数据；
创建社交网络，基于所述各用户的社交数据将所述各用户映射为所述社交网络的各节点，并在具备社交关系的用户之间建立社交连接。
3.根据权利要求2所述的方法，其中，所述创建社交网络，基于所述各用户的社交数据将所述各用户映射为所述社交网络的各节点，并在具备社交关系的用户之间建立社交连接之后，还包括：
基于所述用户数据库中各用户的社交数据为各用户建立用户画像，并至少为所述用户数据库中指定比例的用户添加标识社交风险等级的用户标签。
4.根据权利要求2所述的方法，其中，所述将所述待评估用户的社交特征信息和所述近邻用户的社交特征信息输入预先构建的社交关系评估模型之前，还包括：
构建社交关系评估模型；
基于所述用户数据库中的各用户以及与各用户对应的社交数据进行半监督学习，训练所述社交关系评估模型。
5.根据权利要求4所述的方法，其中，所述基于所述用户数据库中的各用户以及与各用户对应的社交数据进行半监督学习，训练所述社交关系评估模型，包括：
基于所述用户社交数据库进行采样，将所述用户社交数据库中包括的所有用户依据预设条件划分为多组抽样群体；
对于任意一组抽样群体，获取所述抽样群体中各用户的社交特征信息，并基于所述抽样群体中的各用户的社交特征信息生成所述抽样群体的图关系数据；
依据图卷积对所述各组抽样群体的图关系数据进行半监督学习，训练所述社交关系评估模型。
6.根据权利要求5所述的方法，其中，所述预设条件包括以下至少之一：
各抽样群体内的每个用户与其所属抽取群体内的至少一个其他用户之间具有社交连接；
不同抽样群体之间存在交叠；
各抽样群体中具有所述标识社交风险等级的用户标签的用户为所述抽样群体所有用户的指定比例范围；
各抽样群体包括的用户的数量在预设数量之内；
所述用户社交数据库中的任意一个用户至少属于一个抽样群体。
7.根据权利要求5所述的方法，其中，所述对于任意一组抽样群体，获取所述抽样群体中各用户的社交特征信息，并基于所述抽样群体中的各用户的社交特征信息生成所述抽样群体的图关系数据，包括：
对于任意一组抽样群体，依据第一权重规则在所述抽样群体中各用户的社交数据中获取所述各用户的社交特征信息；
基于所述各用户的社交特征信息生成所述抽样群体的图关系数据。
8.一种社交关系评估装置，包括：
获取模块，配置为获取待评估用户的社交特征信息，并在预设的社交网络中获取与所述待评估用户的距离小于执行距离的至少一个近邻用户的社交特征信息；
输入模块，配置为将所述待评估用户的社交特征信息和所述近邻用户的社交特征信息输入预先构建的社交关系评估模型；
评估模块，配置为利用所述社交关系评估模型根据所述待评估用户的社交特征信息和所述近邻用户的社交特征信息对所述待评估用户的社交风险进行评估，并输出所述待评估用户的社交风险等级的评估结果。
9.一种计算机存储介质，所述计算机存储介质存储有计算机程序代码，当所述计算机程序代码在计算设备上运行时，导致所述计算设备执行权利要求1-7任一项所述的社交关系评估方法。
10.一种计算设备，包括：
处理器；
存储有计算机程序代码的存储器；
当所述计算机程序代码被所述处理器运行时，导致所述计算设备执行权利要求1-7任一项所述的社交关系评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910146762.5A CN111626887A (zh) | 2019-02-27 | 2019-02-27 | 一种社交关系评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910146762.5A CN111626887A (zh) | 2019-02-27 | 2019-02-27 | 一种社交关系评估方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111626887A true CN111626887A (zh) | 2020-09-04 |
Family
ID=72272448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910146762.5A Pending CN111626887A (zh) | 2019-02-27 | 2019-02-27 | 一种社交关系评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111626887A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508603A (zh) * | 2020-11-26 | 2021-03-16 | 泰康保险集团股份有限公司 | 养老社区潜在客户信息挖掘方法及装置 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130024693A1 (en) * | 2009-02-06 | 2013-01-24 | Industrial Technology Research Institute | Network Reputation System And Its Controlling Method Thereof |
| US20130185189A1 (en) * | 2011-01-13 | 2013-07-18 | Jeffrey Stewart | Systems and methods for using online social footprint for affecting lending performance and credit scoring |
| CN107145977A (zh) * | 2017-04-28 | 2017-09-08 | 电子科技大学 | 一种对在线社交网络用户进行结构化属性推断的方法 |
| CN107239882A (zh) * | 2017-05-10 | 2017-10-10 | 平安科技（深圳）有限公司 | 风险评估方法、装置、计算机设备及存储介质 |
| CN107292424A (zh) * | 2017-06-01 | 2017-10-24 | 四川新网银行股份有限公司 | 一种基于复杂社交网络的反欺诈和信用风险预测方法 |
| CN107392456A (zh) * | 2017-07-14 | 2017-11-24 | 武汉理工大学 | 一种融合互联网信息的多角度企业信用评估建模方法 |
| CN107529656A (zh) * | 2016-06-22 | 2018-01-02 | 腾讯科技（深圳）有限公司 | 一种社交网络社区的划分方法及服务器 |
| CN107729465A (zh) * | 2017-10-12 | 2018-02-23 | 杭州中奥科技有限公司 | 人物危险度的评估方法、装置及电子设备 |
| CN107909274A (zh) * | 2017-11-17 | 2018-04-13 | 平安科技（深圳）有限公司 | 企业投资风险评估方法、装置及存储介质 |
| CN107943879A (zh) * | 2017-11-14 | 2018-04-20 | 上海维信荟智金融科技有限公司 | 基于社交网络的欺诈团体检测方法及系统 |
| CN107993142A (zh) * | 2017-11-23 | 2018-05-04 | 搜易贷（北京）金融信息服务有限公司 | 一种金融反欺诈风险控制系统 |
| CN108038700A (zh) * | 2017-12-22 | 2018-05-15 | 上海前隆信息科技有限公司 | 一种反欺诈数据分析方法与系统 |
| CN108234198A (zh) * | 2017-12-19 | 2018-06-29 | 清华大学 | 一种基站流量预测方法和设备 |
| CN108364233A (zh) * | 2018-01-12 | 2018-08-03 | 中国平安人寿保险股份有限公司 | 一种保单风险评估方法、装置、终端设备及存储介质 |
| CN108764667A (zh) * | 2018-05-15 | 2018-11-06 | 阿里巴巴集团控股有限公司 | 风险数据确定方法及装置 |
| CN109003089A (zh) * | 2018-06-28 | 2018-12-14 | 中国工商银行股份有限公司 | 风险识别方法及装置 |
| CN109102393A (zh) * | 2018-08-15 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 训练和使用关系网络嵌入模型的方法及装置 |
-
2019
- 2019-02-27 CN CN201910146762.5A patent/CN111626887A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130024693A1 (en) * | 2009-02-06 | 2013-01-24 | Industrial Technology Research Institute | Network Reputation System And Its Controlling Method Thereof |
| US20130185189A1 (en) * | 2011-01-13 | 2013-07-18 | Jeffrey Stewart | Systems and methods for using online social footprint for affecting lending performance and credit scoring |
| CN107529656A (zh) * | 2016-06-22 | 2018-01-02 | 腾讯科技（深圳）有限公司 | 一种社交网络社区的划分方法及服务器 |
| CN107145977A (zh) * | 2017-04-28 | 2017-09-08 | 电子科技大学 | 一种对在线社交网络用户进行结构化属性推断的方法 |
| CN107239882A (zh) * | 2017-05-10 | 2017-10-10 | 平安科技（深圳）有限公司 | 风险评估方法、装置、计算机设备及存储介质 |
| CN107292424A (zh) * | 2017-06-01 | 2017-10-24 | 四川新网银行股份有限公司 | 一种基于复杂社交网络的反欺诈和信用风险预测方法 |
| CN107392456A (zh) * | 2017-07-14 | 2017-11-24 | 武汉理工大学 | 一种融合互联网信息的多角度企业信用评估建模方法 |
| CN107729465A (zh) * | 2017-10-12 | 2018-02-23 | 杭州中奥科技有限公司 | 人物危险度的评估方法、装置及电子设备 |
| CN107943879A (zh) * | 2017-11-14 | 2018-04-20 | 上海维信荟智金融科技有限公司 | 基于社交网络的欺诈团体检测方法及系统 |
| CN107909274A (zh) * | 2017-11-17 | 2018-04-13 | 平安科技（深圳）有限公司 | 企业投资风险评估方法、装置及存储介质 |
| CN107993142A (zh) * | 2017-11-23 | 2018-05-04 | 搜易贷（北京）金融信息服务有限公司 | 一种金融反欺诈风险控制系统 |
| CN108234198A (zh) * | 2017-12-19 | 2018-06-29 | 清华大学 | 一种基站流量预测方法和设备 |
| CN108038700A (zh) * | 2017-12-22 | 2018-05-15 | 上海前隆信息科技有限公司 | 一种反欺诈数据分析方法与系统 |
| CN108364233A (zh) * | 2018-01-12 | 2018-08-03 | 中国平安人寿保险股份有限公司 | 一种保单风险评估方法、装置、终端设备及存储介质 |
| CN108764667A (zh) * | 2018-05-15 | 2018-11-06 | 阿里巴巴集团控股有限公司 | 风险数据确定方法及装置 |
| CN109003089A (zh) * | 2018-06-28 | 2018-12-14 | 中国工商银行股份有限公司 | 风险识别方法及装置 |
| CN109102393A (zh) * | 2018-08-15 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 训练和使用关系网络嵌入模型的方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| JUN MA 等: "GraphRAD：A graph-based risky account detection system", KDD MLG WORKSHOP, 31 August 2018 (2018-08-31), pages 1 - 10 * |
| VERONIQUE VAN VLASSELAER 等: "AFRAID: fraud detection via active inference in time-evolving social networks", 2015 IEEE/ACM INTERNATIONAL CONFERENCE ON ADVANCES IN SOCIAL NETWORKS ANALYSIS AND MINING, 25 August 2015 (2015-08-25), pages 659 - 666, XP032860924, DOI: 10.1145/2808797.2810058 * |
| 叶定达: "基于社交网络的互联网现金贷反欺诈建模", 中国优秀硕士学位论文全文数据库 经济与管理科学辑, no. 01, 15 January 2019 (2019-01-15), pages 157 - 600 * |
| 王培人 等: "基于用户信息的社交网络信任评估方法", 计算机应用研究, vol. 35, no. 02, 15 March 2017 (2017-03-15), pages 521 - 526 * |
| 王雨迪: "基于社交与消费数据的反欺诈分析和建模", 中国优秀硕士学位论文全文数据库 社会科学I辑, no. 02, 15 February 2018 (2018-02-15), pages 118 - 169 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508603A (zh) * | 2020-11-26 | 2021-03-16 | 泰康保险集团股份有限公司 | 养老社区潜在客户信息挖掘方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111614690B (zh) | 一种异常行为检测方法及装置 | |
| US9148347B2 (en) | Network data analysis | |
| Rodriguez et al. | Patent clustering and outlier ranking methodologies for attributed patent citation networks for technology opportunity discovery | |
| CN111368147B (zh) | 图特征处理的方法及装置 | |
| CN111339297B (zh) | 网络资产异常检测方法、系统、介质和设备 | |
| WO2017013529A1 (en) | System and method for determining credit worthiness of a user | |
| Rathore et al. | Identifying groups of fake reviewers using a semisupervised approach | |
| CN112435137B (zh) | 一种基于社团挖掘的欺诈信息检测方法及系统 | |
| CN104573130A (zh) | 基于群体计算的实体解析方法及装置 | |
| CN113221104B (zh) | 用户异常行为的检测方法及用户行为重构模型的训练方法 | |
| CN111371767A (zh) | 恶意账号识别方法、恶意账号识别装置、介质及电子设备 | |
| CN113360580A (zh) | 基于知识图谱的异常事件检测方法、装置、设备及介质 | |
| CN116305168A (zh) | 一种多维度信息安全风险评估方法、系统及存储介质 | |
| CN111090807A (zh) | 一种基于知识图谱的用户识别方法及装置 | |
| CN115378629A (zh) | 基于图神经网络的以太坊网络异常检测方法、系统和存储介质 | |
| CN113538154A (zh) | 风险对象的识别方法、装置、存储介质和电子设备 | |
| CN114329455B (zh) | 基于异构图嵌入的用户异常行为检测方法及装置 | |
| CN109284500A (zh) | 基于招商工作流程和阅读偏好的信息推送系统及方法 | |
| CN117240586A (zh) | 基于深度时间图信息最大化的内部威胁检测方法及系统 | |
| CN111626887A (zh) | 一种社交关系评估方法及装置 | |
| CN114723554B (zh) | 异常账户识别方法及装置 | |
| CN110929285A (zh) | 一种隐私数据的处理方法及装置 | |
| CN113065892B (zh) | 一种信息推送方法、装置、设备及存储介质 | |
| CN116910341A (zh) | 标签预测方法、装置及电子设备 | |
| CN109063721A (zh) | 一种行为特征数据提取的方法及装置 |
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 |