CN113420190A - 一种商户风险识别方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种商户风险识别方法、装置、设备及存储介质，所述方法包括：获取目标商户的异构关系网络图；基于异构关系网络图中每个节点的邻接信息，生成异构关系网络图的邻接矩阵；基于每个节点对应的交易统计信息，生成异构关系网络图的节点交易属性特征矩阵；将邻接矩阵和节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成目标商户对应的目标商户节点的目标特征信息，目标特征信息用于表征对应节点的邻接特征和交易属性特征；将目标特征信息输入分类模型进行商户风险识别，得到目标商户的风险识别指标数据。利用本申请的技术方案能够学习得到商户的聚集性风险，从而提高了商户风险识别的准确性和效率。

Description

一种商户风险识别方法、装置、设备及存储介质

技术领域

本申请涉及计算机技术领域，具体涉及一种商户风险识别方法、装置、设备及存储介质。

背景技术

在数字技术的支撑下，我国第三方支付市场持续保持高速增长的态势，如何识别存在交易风险的问题商户是支付企业面临的重要难题。传统的商户风险识别方法主要通过基于商户的交易统计特征训练后得到的机器学习模型。

然而，在商户风险识别中，由于交易对象重合度较高的商户之间存在复杂的关联关系，表现出风险聚集性，也即当某商户被标记为风险商户时其邻居节点也存在风险的可能性较大，而当下传统的商户风险识别方法无法识别出其中隐藏的聚集性风险，因此，需要提供更加科学有效的商户风险识别方法。

发明内容

本申请提供了一种商户风险识别方法、装置、设备及存储介质，可以在考虑商户节点的交易行为的同时也考虑商户节点的结构关系，能够学习得到商户的聚集性风险，从而提高了商户风险识别的准确性和效率，本申请技术方案如下：

一方面，提供了一种商户风险识别方法，所述方法包括：

获取目标商户的异构关系网络图，所述异构关系网络图的节点用于表征所述目标商户对应的交易对象的交易数据中的商户和用户，所述异构关系网络图的边用于表征所述节点之间的交易关系；

基于所述异构关系网络图中每个节点的邻接信息，生成所述异构关系网络图的邻接矩阵；

基于所述每个节点对应的交易统计信息，生成所述异构关系网络图的节点交易属性特征矩阵；

将所述邻接矩阵和所述节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成所述目标商户对应的目标商户节点的目标特征信息，所述目标特征信息用于表征对应节点的邻接特征和交易属性特征；

将所述目标特征信息输入分类模型进行商户风险识别，得到所述目标商户的风险识别指标数据。

另一方面，提供了一种商户风险识别装置，所述装置包括：

异构关系网络图获取模块，用于获取目标商户的异构关系网络图，所述异构关系网络图的节点用于表征所述目标商户对应的交易对象的交易数据中的商户和用户，所述异构关系网络图的边用于表征所述节点之间的交易关系；

邻接矩阵生成模块，用于基于所述异构关系网络图中每个节点的邻接信息，生成所述异构关系网络图的邻接矩阵；

节点交易属性特征矩阵生成模块，用于基于所述每个节点对应的交易统计信息，生成所述异构关系网络图的节点交易属性特征矩阵；

节点特征提取模块，用于将所述邻接矩阵和所述节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成所述目标商户对应的目标商户节点的目标特征信息，所述目标特征信息用于表征对应节点的邻接特征和交易属性特征；

商户风险识别模块，用于将所述目标特征信息输入分类模型进行商户风险识别，得到所述目标商户的风险识别指标数据。

另一方面，提供了一种商户风险识别设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的商户风险识别方法。

另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的商户风险识别方法。

本申请提供的商户风险识别方法、装置、设备及存储介质，具有如下技术效果：

利用本申请提供的技术方案，通过目标商户的异构关系网络图生成对应的邻接矩阵和节点交易属性特征矩阵；并将邻接矩阵和节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成目标商户节点的目标特征信息，从而提取出目标商户节点的邻接特征和交易属性特征；并将目标特征信息输入分类模型进行商户风险识别，得到目标商户的风险识别指标数据，即利用目标商户节点的邻接特征和交易属性特征的双重特征作为商户风险识别的依据；一方面，在考虑商户节点的交易行为的同时也考虑了商户节点的结构关系，能够学习得到商户的聚集性风险，从而提高了商户风险识别的准确性和效率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本申请实施例提供的一种商户风险识别方法的流程示意图；

图2是本申请实施例提供的一个异构关系网络图的示意图；

图3是本申请实施例提供的一种基于上述异构关系网络图中每个节点的邻接信息，生成上述异构关系网络图的邻接矩阵的流程示意图；

图4是本申请实施例提供的一种邻接表的示意图；

图5是本申请实施例提供的一种基于上述每个节点对应的交易统计信息，生成上述异构关系网络图的节点交易属性特征矩阵的流程示意图；

图6是本申请实施例提供的一种将上述邻接矩阵和上述节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成上述目标商户对应的目标商户节点的目标特征信息的流程示意图；

图7是本申请实施例提供的一种将上述节点交易属性特征矩阵中上述采样邻居节点的交易属性特征向量输入上述卷积层进行特征聚合处理，生成上述目标特征信息的流程示意图；

图8是本申请实施例提供的一种图神经网络训练方法的流程示意图；

图9是本申请实施例提供的另一种图神经网络训练方法的流程示意图；

图10是本申请实施例提供的一种商户风险识别装置示意图；

图11是本申请实施例提供的一种商户风险识别方法的服务器的硬件结构框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的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。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

以下介绍本申请实施例提供的一种商户风险识别方法，图1为本申请实施例提供的一种商户风险识别方法的流程示意图。需要说明的是，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行（例如并行处理器或者多线程处理的环境）。具体的如图1所示，上述方法可以包括：

S101，获取目标商户的异构关系网络图，上述异构关系网络图的节点用于表征上述目标商户对应的交易对象的交易数据中的商户和用户，上述异构关系网络图的边用于表征上述节点之间的交易关系。

在本说明书实施例中，上述异构关系网络图的构建过程可以包括：

1）获取交易支付日志。

在实际应用中，可以从业务系统中获取交易支付日志。

2）从交易支付日志中提取目标商户对应的交易对象，以及对应的交易对象的交易数据。

具体的，上述目标商户对应的交易对象可以包括商户和用户，上述目标商户对应的交易对象的交易数据可以为目标商户与对应的交易对象之间交易行为的关联数据。

3）以目标商户对应的交易对象中的商户和用户为节点，对应的交易对象的交易数据中节点之间的交易关系为边，生成初始异构关系网络图，其中，初始异构关系网络图的中心节点为目标商户对应的目标商户节点。

具体的，可以去除商户中与目标商户的交易对象的重合度较低的商户，保留与目标商户的交易对象的重合度较高的商户以及相应的交易对象，生成初始异构关系网络图。

4）对初始异构关系网络图进行数据清洗，得到数据清洗后的初始异构关系网络图。

具体的，数据清洗可以包括：删除初始异构关系网络图中的孤立节点及删除权重较小的边，其中，边的权重可以基于节点之间的交易次数进行设定，一般地，交易次数越多，权重越大。

具体的实施例中，可以删除邻居商户节点数量较少的用户节点和邻居用户节点较少的商户节点及删除对应的边。

5）对数据清洗后的初始异构关系网络图进行采样处理，得到异构关系网络图。

具体的，基于邻居节点与目标商户节点之间边的权重，抽取上述数据清洗后的初始异构关系网络图中目标商户节点的k个邻居节点，生成异构关系网络图。在实际应用中，k可以基于目标商户对应的交易对象的数量以及图神经网络的训练精度进行设置。

在一个具体的实施例中，如图2所示，图2是本申请实施例提供的一个异构关系网络图的示意图。

S103，基于上述异构关系网络图中每个节点的邻接信息，生成上述异构关系网络图的邻接矩阵。

具体的，邻接信息可以用于表征与对应节点直接连通的邻居节点，邻接矩阵可以表征异构关系网络图中任意两个节点之间的连接关系。

在一个具体的实施例中，如图3所示，上述基于上述异构关系网络图中每个节点的邻接信息，生成上述异构关系网络图的邻接矩阵可以包括：

S301，生成节点标识信息与目标序号的节点映射文件。

具体的，基于节点标识信息与目标序号之间的映射关系，生成节点映射文件。具体的实施例中，以如图2所示的异构关系网络图为例，节点映射文件可以如下表所示：

节点标识信息	目标商户	用户1	用户2	用户3	商户1	用户4	用户5	商户2	商户3
										目标序号	0	1	2	3	4	5	6	7	8

S303，基于上述节点映射文件和上述邻接信息，生成上述异构关系网络图的邻接表。

具体的，邻接表可以为存储每个节点的邻接信息的链表结构，如图4所示，图4是本申请实施例提供的一种邻接表的示意图。

S305，对上述邻接表进行特征提取，生成上述邻接矩阵。

具体的，对上述邻接表的邻接关系进行特征提取，基于节点之间边的权重，相应的邻接矩阵。

在一个具体的实施例中，当每条边的权重均设置为1时，生成如下所述的邻接矩阵：

由以上实施例可见，基于节点的邻接信息，生成邻接矩阵，能够实现对节点邻接关系的特征提取。

S105，基于上述每个节点对应的交易统计信息，生成上述异构关系网络图的节点交易属性特征矩阵。

在本说明书实施例中，交易统计信息可以包括但不限于对应节点在多个时间窗口下的交易次数和交易金额，该多个时间窗口可以结合实际应用中的交易支付业务量和商户风险识别需求进行设定。具体的，可以从目标商户对应的交易对象的交易数据中获取每个交易对象对应的交易统计信息即每个节点对应的交易统计信息。

具体的，节点交易属性特征矩阵可以为用于表征异构关系网络图中每个节点的多个交易属性特征的矩阵，其中，多个交易属性特征分别用于表征对应节点在多个时间窗口下的交易统计量，交易统计量可以包括交易次数和交易金额。

在一个具体的实施例中，如图5所示，上述基于上述每个节点对应的交易统计信息，生成上述异构关系网络图的节点交易属性特征矩阵可以包括：

S501，根据上述每个节点对应的交易统计信息，确定多个交易属性特征下每个节点对应的特征参数。

具体的实施例中，可以预先设置交易统计信息与交易属性特征之间的映射关系，根据该映射关系以及在多个时间窗口下每个节点对应的交易统计信息的统计参数，确定多个交易属性特征下每个节点对应的特征参数。

S503，根据决策树和上述多个交易属性特征的影响因子，对上述多个交易属性特征进行筛选，得到目标交易属性特征。

具体的，可以结合实际应用中交易支付业务量和商户风险识别需求预先设置多个交易属性特征的影响因子，该影响因子用于衡量对应的交易属性特征与商户风险性的关联度。

S505，根据上述目标交易属性特征下每个节点对应的特征参数，生成上述每个节点的交易属性特征向量。

具体的，基于目标交易属性特征的数量，生成相应数量维度的交易属性特征向量。

S507，对上述每个节点的交易属性特征向量进行拼接处理，得到上述节点交易属性特征矩阵。

可选的，对节点交易属性特征矩阵进行归一化处理，提升图神经网络进行节点特征提取的效率。

由以上实施例可见，基于节点对应的交易统计信息，生成节点交易属性特征矩阵，能够实现对节点交易属性的特征提取。

S107，将上述邻接矩阵和上述节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成上述目标商户对应的目标商户节点的目标特征信息，上述目标特征信息用于表征对应节点的邻接特征和交易属性特征。

具体的，上述图神经网络可以包括GraphSAGE（Graph SAmple and aggreGatE，图采样与聚合），GraphSAGE是一种通过对邻居节点采样和特征聚合来对目标节点特征信息进行更新的归纳式(inductive)学习的图神经网络。具体的实施例中，目标特征信息可以为目标特征嵌入向量，利用图神经网络进行目标商户节点的邻居节点采样，并对采样得到的邻居节点的交易属性特征向量进行聚合处理从而得到目标特征嵌入向量。

在本说明书实施例中，图神经网络可以包括采样层和卷积层，如图6所示，上述将上述邻接矩阵和上述节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成上述目标商户对应的目标商户节点的目标特征信息可以包括：

S601，将上述邻接矩阵输入上述采样层进行上述目标商户节点的多阶邻居采样，确定上述目标商户节点的采样邻居节点。

在实际应用中，邻居采样的阶数可以综合考虑商户风险识别的精确度和识别效率后进行设置。在本说明书实施例中，邻居采样的阶数可以设置为2阶。具体的，基于预先设置的一阶采样数量和二阶采样数量，对目标商户节点进行邻居节点的随机采样后，得到满足一阶采样数量的多个一阶邻居节点；对该多个一阶邻居节点分别进行邻居节点的随机采样后，得到每个一阶邻居节点满足二阶采样数量的多个二阶邻居节点；将上述多个一阶邻居节点和每个一阶邻居节点的多个二阶邻居节点作为上述采样邻居节点。

S603，将上述节点交易属性特征矩阵中上述采样邻居节点的交易属性特征向量输入上述卷积层进行特征聚合处理，生成上述目标特征信息。

在一个具体的实施例中，上述采样邻居节点可以包括一阶邻居节点和二阶邻居节点，上述卷积层可以包括第一卷积层和第二卷积层，如图7所示，上述将上述节点交易属性特征矩阵中上述采样邻居节点的交易属性特征向量输入上述卷积层进行特征聚合处理，生成上述目标特征信息可以包括：

S701，将上述二阶邻居节点的交易属性特征向量输入上述第一卷积层进行特征平均聚合处理，得到上述一阶邻居节点的特征嵌入向量。

具体的，第一卷积层可以包括第一权重矩阵，第一权重矩阵可以为M×N矩阵，其中，M为交易属性特征向量维度，N为特征嵌入向量维度。在实际应用中，可以结合不同交易属性特征的影响因子和特征聚合需求对第一权重矩阵进行初始化设置。

具体的实施例中，从上述节点交易属性特征矩阵中获取每个一阶邻居节点对应的多个二阶邻居节点的交易属性特征向量；将多个二阶邻居节点的交易属性特征向量分别与第一权重矩阵相乘，得到多个第一特征向量；再按照第一特征向量维度对多个第一特征向量进行均值处理，得到每个一阶邻居节点的特征嵌入向量。

S703，将上述一阶邻居节点的交易属性特征向量输入上述第一卷积层进行特征平均聚合处理，得到上述目标商户节点的特征嵌入向量。

具体的实施例中，从上述节点交易属性特征矩阵中获取多个一阶邻居节点的交易属性特征向量；将多个一阶邻居节点的交易属性特征向量分别与第一权重矩阵相乘，得到多个第二特征向量；再按照第二特征向量维度对多个第二特征向量进行均值处理，得到目标商户节点的特征嵌入向量。

S705，将上述一阶邻居节点的特征嵌入向量和上述目标商户节点的特征嵌入向量输入上述第二卷积层进行特征平均聚合处理，得到上述目标特征信息。

具体的，第二卷积层可以包括第二权重矩阵，第二权重矩阵可以为N×L矩阵，其中， L为目标特征嵌入向量维度，可选的实施例中，N=L。在实际应用中，可以结合特征聚合需求对第二权重矩阵进行初始化设置。

具体的实施例中，将多个一阶邻居节点的特征嵌入向量和目标商户节点的特征嵌入向量分别与第二权重矩阵相乘，得到多个第三特征向量；再按照第三特征向量维度对多个第三特征向量进行均值处理，得到目标商户节点的目标特征嵌入向量。

由以上实施例可见，利用图神经网络进行目标商户节点的邻居节点采样，并对采样得到的邻居节点的交易属性特征向量进行聚合处理从而表征目标商户节点的邻接特征和交易属性特征的目标特征嵌入向量，一方面，扩展了神经网络对于异构关系网络图等非规则数据进行特征提取与聚合的能力，实现了商户节点的邻接特征和交易属性特征的多重特征聚合；另一方面，提升了对商户与用户之间的大规模交互关系数据的处理效率。

S109，将上述目标特征信息输入分类模型进行商户风险识别，得到上述目标商户的风险识别指标数据。

具体的，上述分类模型可以包括但不限于神经网络、决策树，分类模型的风险识别类别可以包括：目标商户为风险商户或目标商户为非风险商户。具体的实施例中，将目标特征信息输入分类模型进行商户风险识别，得到目标商户识别为风险商户的第一识别概率和目标商户识别为非风险商户的第二识别概率。在实际应用中，第一识别概率与第二识别概率之和可以为1。

具体的，将上述第一识别概率作为上述风险识别指标数据；当上述第一概率大于预设阈值时，目标商户对应的目标商户节点的风险识别类别为风险商户；当上述第一概率小于预设阈值时，目标商户对应的目标商户节点的风险识别类别为非风险商户。在实际应用中，上述预设阈值可以结合实际应用中商户风险识别的准确度进行设置。

在本说明书实施例中，如图8所示，图8是本说明书实施例提供的一种图神经网络训练方法的流程示意图，具体的，上述图神经网络训练方法可以包括：

S801，获取样本异构关系网络图和上述样本异构关系网络图中样本商户节点对应的风险类别标签。

在实际应用中，在进行图神经网络的训练学习之前，可以先确定训练数据，具体的，本说明书实施例中，可以获取样本异构关系网络图和样本异构关系网络图中样本商户节点对应的风险类别标签作为训练数据。

本说明书实施例中，可以从支付交易日志中获取样本活跃商户对应的样本交易对象的样本交易数据；基于对应的样本交易对象的样本交易数据，生成样本活跃商户的样本异构关系网络图。样本活跃用户可以结合实际应用中业务系统的交易情况进行抽取，在可选的实施例中，样本活跃商户可以为在三年内存在交易记录的商户。具体的，这里基于对应的样本交易对象的样本交易数据，生成样本活跃商户的样本异构关系网络图的具体步骤与S101中构建异构关系网络图的步骤类似，具体步骤可以参见S101中的相关描述，在此不再赘述。

具体的，商户节点的风险类别标签可以包括风险商户和非风险商户，用户节点的风险类别标签可以包括风险用户和非风险用户。可以基于预设标签比例，对样本异构关系网络图中的节点进行标签设置。在一个可选的实施例中，标签设置完成后，样本异构关系网络图中风险商户节点与非风险商户节点的比例为1：3，风险用户与非风险用户的比例为1：83。

S803，生成上述样本异构关系网络图的样本邻接矩阵和样本节点交易属性特征矩阵。

具体的，这里“生成样本异构关系网络图的样本邻接矩阵”的具体步骤与S301~S305中“基于上述异构关系网络图中每个节点的邻接信息，生成上述异构关系网络图的邻接矩阵”的步骤类似，具体步骤可以参见S301~S305中“基于上述异构关系网络图中每个节点的邻接信息，生成上述异构关系网络图的邻接矩阵”的相关描述，在此不再赘述。

具体的，这里“生成样本异构关系网络图的样本节点交易属性特征矩阵”的具体步骤与S501~S507中“基于上述每个节点对应的交易统计信息，生成上述异构关系网络图的节点交易属性特征矩阵”的步骤类似，具体步骤可以参见S501~S507中“基于上述每个节点对应的交易统计信息，生成上述异构关系网络图的节点交易属性特征矩阵”的相关描述，在此不再赘述。

S805，将上述样本邻接矩阵和上述样本节点交易属性特征矩阵输入初始图神经网络进行节点特征提取，得到上述样本商户节点的初始目标特征信息。

在本说明书实施例中，在图神经网络训练的过程中可以在样本节点交易属性特征矩阵中添加噪声以提升图神经网络的泛化能力和稳健性。具体的，这里“生成样本异构关系网络图的样本节点交易属性特征矩阵”的具体步骤与S601~S603中“将上述邻接矩阵和上述节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成上述目标商户对应的目标商户节点的目标特征信息”的步骤类似，具体步骤可以参见S601~S603中“将上述邻接矩阵和上述节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成上述目标商户对应的目标商户节点的目标特征信息”的相关描述，在此不再赘述。

S807，基于上述初始目标特征信息对应的风险识别类别和上述风险类别标签的交叉熵，确定损失函数。

具体的，可以将初始目标特征信息输入到分类模型进行商户风险识别，得到样本商户节点的风险识别类别，计算样本商户节点的风险识别类别和风险类别标签的交叉熵，将交叉熵作为损失函数。

S809，基于上述损失函数，确定下降梯度。

具体的，基于链式求导法则对损失函数进行计算，得到下降梯度。

S811，基于上述下降梯度和预设学习率更新上述初始图神经网络的网络参数，得到更新后的初始图神经网络。

可选的，可以通过指数衰减方式进行预设学习率的更新，预设学习率的大小和训练次数呈指数相关。

S813，将上述更新后的初始图神经网络作为上述图神经网络。

在一个可选的实施例中，可以基于小批量梯度下降法（Mini-Batch GradientDescent，MBGD）对图神经网络进行训练，具体的，如图9所示，在上述基于上述下降梯度和预设学习率更新上述初始图神经网络的网络参数，得到更新后的初始图神经网络之后，上述方法还可以包括：

S901，更新上述样本异构关系网络图。

具体的，可以将图神经网络训练数据中的多个样本异构关系网络图划分成目标数量份样本异构关系网络图，遍历上述目标数量份样本异构关系网络图；基于当前遍历得到一份样本异构关系网络图更新上述样本异构关系网络图。

S903，基于更新后的样本异构关系网络图，更新上述样本邻接矩阵、上述样本节点交易属性特征矩阵以及上述样本商户节点对应的风险类别标签。

S905，基于更新后的样本邻接矩阵、更新后的样本节点交易属性特征矩阵、更新后的样本商户节点对应的风险类别标签以及上述更新后的初始图神经网络，重新执行上述将上述样本邻接矩阵和上述样本节点交易属性特征矩阵输入上述初始图神经网络进行节点特征提取，得到上述样本商户节点的初始目标特征信息至上述基于上述下降梯度和预设学习率更新对上述初始图神经网络的网络参数，得到更新后的初始图神经网络的训练过程，直至上述交叉熵满足预设损失条件。

在一些可选的实施例中，当上述交叉熵满足预设损失条件时，即结束训练过程。在实际应用中，预设损失条件可以基于图神经网络的训练精度进行设置。

在另一些可选的实施例中，在遍历目标数量份样本异构关系网络图完成后，结束训练过程，即对下降梯度进行了目标数量次迭代从而对图神经网络进行了目标数量次训练。在实际应用中，上述目标数量可以结合训练数据的样本数量和图神经网络的训练精度进行设置。

S907，将上述交叉熵满足上述预设损失条件时的初始图神经网络作为上述图神经网络。

由以上实施例可见，通过小批量梯度下降法能够提升图神经网络的训练效率和泛化能力，从而进一步提升商户风险识别的准确度。

在本说明书实施例中，还可以对上述样本异构关系网络图进行训练集、测试集以及验证集的划分；利用训练集对图神经网络训练完成后，基于测试集对图神经网络的特征提取性能以及下游分类模型的风险识别性能进行评估，得到性能评估指标；当性能评估指标不满足预设指标条件时，对图神经网络进行训练和调整直至当前性能评估指标满足预设指标条件，具体的，性能评估指标可以包括但不限于：样本商户节点的识别准确率、召回率、KS（Kolmogorov-Smirnov，模型区分度衡量指标）。

由以上说明书实施例提供的技术方案可见，通过目标商户的异构关系网络图生成对应的邻接矩阵和节点交易属性特征矩阵；并将邻接矩阵和节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成目标商户节点的目标特征信息，从而提取出目标商户节点的邻接特征和交易属性特征；并将目标特征信息输入分类模型进行商户风险识别，得到目标商户的风险识别指标数据，即利用目标商户节点的邻接特征和交易属性特征的双重特征作为商户风险识别的依据；一方面，在考虑商户节点的交易行为的同时也考虑了商户节点的结构关系，能够学习得到商户的聚集性风险，从而提高了商户风险识别的准确性和效率；另一方面，通过小批量梯度下降法提升图神经网络的训练效率和泛化能力，从而进一步提升商户风险识别的准确度；另一方面，通过关系网络嵌入技术提升了对商户与用户之间的大规模交互关系数据的处理效率。

本申请实施例提供了一种商户风险识别装置，如图10所示，上述装置可以包括：

异构关系网络图获取模块1010，用于获取目标商户的异构关系网络图，上述异构关系网络图的节点用于表征上述目标商户对应的交易对象的交易数据中的商户和用户，上述异构关系网络图的边用于表征上述节点之间的交易关系；

邻接矩阵生成模块1020，用于基于上述异构关系网络图中每个节点的邻接信息，生成上述异构关系网络图的邻接矩阵；

节点交易属性特征矩阵生成模块1030，用于基于上述每个节点对应的交易统计信息，生成上述异构关系网络图的节点交易属性特征矩阵；

节点特征提取模块1040，用于将上述邻接矩阵和上述节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成上述目标商户对应的目标商户节点的目标特征信息，上述目标特征信息用于表征对应节点的邻接特征和交易属性特征；

商户风险识别模块1050，用于将上述目标特征信息输入分类模型进行商户风险识别，得到上述目标商户的风险识别指标数据。

在一个具体的实施例中，上述邻接矩阵生成模块1020可以包括：

节点映射文件生成单元，用于生成节点标识信息与目标序号的节点映射文件；

邻接表生成单元，用于基于上述节点映射文件和上述邻接信息，生成上述异构关系网络图的邻接表；

邻接矩阵生成单元，用于对上述邻接表进行特征提取，生成上述邻接矩阵。

在一个具体的实施例中，上述节点交易属性特征矩阵生成模块1030可以包括：

特征参数单元，用于根据上述每个节点对应的交易统计信息，确定多个交易属性特征下每个节点对应的特征参数；

目标交易属性特征单元，用于根据决策树和上述多个交易属性特征的影响因子，对上述多个交易属性特征进行筛选，得到目标交易属性特征；

交易属性特征向量单元，用于根据上述目标交易属性特征下每个节点对应的特征参数，生成上述每个节点的交易属性特征向量；

节点交易属性特征矩阵单元，用于对上述每个节点的交易属性特征向量进行拼接处理，得到上述节点交易属性特征矩阵。

在本说明书实施例中，上述节点特征提取模块1040可以包括：

采样邻居节点单元，用于将上述邻接矩阵输入上述采样层进行上述目标商户节点的多阶邻居采样，确定上述目标商户节点的采样邻居节点；

特征聚合处理单元，用于将上述节点交易属性特征矩阵中上述采样邻居节点的交易属性特征向量输入上述卷积层进行特征聚合处理，生成上述目标特征信息。

在一个具体的实施例中，上述特征聚合处理单元可以包括：

第一特征聚合处理单元，用于将上述二阶邻居节点的交易属性特征向量输入上述第一卷积层进行特征平均聚合处理，得到上述一阶邻居节点的特征嵌入向量；

第二特征聚合处理单元，用于将上述一阶邻居节点的交易属性特征向量输入上述第一卷积层进行特征平均聚合处理，得到上述目标商户节点的特征嵌入向量；

第三特征聚合处理单元，用于将上述一阶邻居节点的特征嵌入向量和上述目标商户节点的特征嵌入向量输入上述第二卷积层进行特征平均聚合处理，得到上述目标特征信息。

在本说明书实施例中，上述装置还可以包括：

样本异构关系网络图获取单元，用于获取样本异构关系网络图和上述样本异构关系网络图中样本商户节点对应的风险类别标签；

样本矩阵生成单元，用于生成上述样本异构关系网络图的样本邻接矩阵和样本节点交易属性特征矩阵；

初始目标特征信息单元，用于将上述样本邻接矩阵和上述样本节点交易属性特征矩阵输入初始图神经网络进行节点特征提取，得到上述样本商户节点的初始目标特征信息；

损失函数单元，用于基于上述初始目标特征信息对应的风险识别类别和上述风险类别标签的交叉熵，确定损失函数；

下降梯度单元，用于基于上述损失函数，确定下降梯度；

网络参数更新单元，用于基于上述下降梯度和预设学习率更新上述初始图神经网络的网络参数，得到更新后的初始图神经网络；

第一图神经网络单元，用于将上述更新后的初始图神经网络作为上述图神经网络。

在一个可选的实施例中，上述装置还可以包括：

样本异构关系网络图更新单元，用于更新上述样本异构关系网络图；

样本矩阵更新单元，用于基于更新后的样本异构关系网络图，更新上述样本邻接矩阵、上述样本节点交易属性特征矩阵以及上述样本商户节点对应的风险类别标签；

训练单元，用于基于更新后的样本邻接矩阵、更新后的样本节点交易属性特征矩阵、更新后的样本商户节点对应的风险类别标签以及上述更新后的初始图神经网络，重新执行上述将上述样本邻接矩阵和上述样本节点交易属性特征矩阵输入上述初始图神经网络进行节点特征提取，得到上述样本商户节点的初始目标特征信息至上述基于上述下降梯度和预设学习率更新对上述初始图神经网络的网络参数，得到更新后的初始图神经网络的训练过程，直至上述交叉熵满足预设损失条件；

第二图神经网络单元，用于将上述交叉熵满足上述预设损失条件时的初始图神经网络作为上述图神经网络。

本申请实施例提供了一种商户风险识别设备，该商户风险识别设备包括处理器和存储器，该存储器中存储有至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的商户风险识别方法。

存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据上述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。

本申请实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行，即上述计算机设备可以包括移动终端、计算机终端、服务器或者类似的运算装置。以运行在服务器上为例，图11是本申请实施例提供的一种商户风险识别方法的服务器的硬件结构框图。如图11所示，该服务器1100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器（Central Processing Units，CPU）1110（处理器1110可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）、用于存储数据的存储器1130，一个或一个以上存储应用程序1123或数据1122的存储介质1120（例如一个或一个以上海量存储设备）。其中，存储器1130和存储介质1120可以是短暂存储或持久存储。存储在存储介质1120的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1110可以设置为与存储介质1120通信，在服务器1100上执行存储介质1120中的一系列指令操作。服务器1100还可以包括一个或一个以上电源1160，一个或一个以上有线或无线网络接口1150，一个或一个以上输入输出接口1140，和/或，一个或一个以上操作系统1121，例如Windows ServerTM，Mac OS XTM，UnixTM, LinuxTM，FreeBSDTM等等。

输入输出接口1140可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器1100的通信供应商提供的无线网络。在一个实例中，输入输出接口1140包括一个网络适配器（Network Interface Controller，NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，输入输出接口1140可以为射频（RadioFrequency，RF）模块，其用于通过无线方式与互联网进行通讯。

本邻域普通技术人员可以理解，图11所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器1100还可包括比图11中所示更多或者更少的组件，或者具有与图11所示不同的配置。

本申请实施例还提供了一种存储介质，上述存储介质可设置于服务器之中以保存用于实现方法实施例中一种的商户风险识别方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的商户风险识别方法。

可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

由上述本申请提供商户风险识别方法、装置、设备或存储介质的实施例可见，利用本说明书实施例提供的技术方案，通过目标商户的异构关系网络图生成对应的邻接矩阵和节点交易属性特征矩阵；并将邻接矩阵和节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成目标商户节点的目标特征信息，从而提取出目标商户节点的邻接特征和交易属性特征；并将目标特征信息输入分类模型进行商户风险识别，得到目标商户的风险识别指标数据，即利用目标商户节点的邻接特征和交易属性特征的双重特征作为商户风险识别的依据；一方面，在考虑商户节点的交易行为的同时也考虑了商户节点的结构关系，能够学习得到商户的聚集性风险，从而提高了商户风险识别的准确性和效率；另一方面，通过小批量梯度下降法提升图神经网络的训练效率和泛化能力，从而进一步提升商户风险识别的准确度；另一方面，通过关系网络嵌入技术提升了对商户与用户之间的大规模交互关系数据的处理效率。

需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且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、设备和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。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指示相关的硬件完成，上述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种商户风险识别方法，其特征在于，所述方法包括：

获取目标商户的异构关系网络图，所述异构关系网络图的节点用于表征所述目标商户对应的交易对象的交易数据中的商户和用户，所述异构关系网络图的边用于表征所述节点之间的交易关系；

基于所述异构关系网络图中每个节点的邻接信息，生成所述异构关系网络图的邻接矩阵；

基于所述每个节点对应的交易统计信息，生成所述异构关系网络图的节点交易属性特征矩阵；

将所述邻接矩阵和所述节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成所述目标商户对应的目标商户节点的目标特征信息，所述目标特征信息用于表征对应节点的邻接特征和交易属性特征；

将所述目标特征信息输入分类模型进行商户风险识别，得到所述目标商户的风险识别指标数据。

2.根据权利要求1所述的方法，其特征在于，所述图神经网络包括采样层和卷积层，所述将所述邻接矩阵和所述节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成所述目标商户对应的目标商户节点的目标特征信息包括：

将所述邻接矩阵输入所述采样层进行所述目标商户节点的多阶邻居采样，确定所述目标商户节点的采样邻居节点；

将所述节点交易属性特征矩阵中所述采样邻居节点的交易属性特征向量输入所述卷积层进行特征聚合处理，生成所述目标特征信息。

3.根据权利要求2所述的方法，其特征在于，所述采样邻居节点包括一阶邻居节点和二阶邻居节点，所述卷积层包括第一卷积层和第二卷积层，所述将所述节点交易属性特征矩阵中所述采样邻居节点的交易属性特征向量输入所述卷积层进行特征聚合处理，生成所述目标特征信息包括：

将所述二阶邻居节点的交易属性特征向量输入所述第一卷积层进行特征平均聚合处理，得到所述一阶邻居节点的特征嵌入向量；

将所述一阶邻居节点的交易属性特征向量输入所述第一卷积层进行特征平均聚合处理，得到所述目标商户节点的特征嵌入向量；

将所述一阶邻居节点的特征嵌入向量和所述目标商户节点的特征嵌入向量输入所述第二卷积层进行特征平均聚合处理，得到所述目标特征信息。

4.根据权利要求1所述的方法，其特征在于，所述基于所述异构关系网络图中每个节点的邻接信息，生成所述异构关系网络图的邻接矩阵包括：

生成节点标识信息与目标序号的节点映射文件；

基于所述节点映射文件和所述邻接信息，生成所述异构关系网络图的邻接表；

对所述邻接表进行特征提取，生成所述邻接矩阵。

5.根据权利要求1所述的方法，其特征在于，所述基于所述每个节点对应的交易统计信息，生成所述异构关系网络图的节点交易属性特征矩阵包括：

根据所述每个节点对应的交易统计信息，确定多个交易属性特征下所述每个节点对应的特征参数；

根据决策树和所述多个交易属性特征的影响因子，对所述多个交易属性特征进行筛选，得到目标交易属性特征；

根据所述目标交易属性特征下所述每个节点对应的特征参数，生成所述每个节点的交易属性特征向量；

对所述每个节点的交易属性特征向量进行拼接处理，得到所述节点交易属性特征矩阵。

6.根据权利要求1至5任一所述的方法，其特征在于，所述方法还包括：

获取样本异构关系网络图和所述样本异构关系网络图中样本商户节点对应的风险类别标签；

生成所述样本异构关系网络图的样本邻接矩阵和样本节点交易属性特征矩阵；

将所述样本邻接矩阵和所述样本节点交易属性特征矩阵输入初始图神经网络进行节点特征提取，得到所述样本商户节点的初始目标特征信息；

基于所述初始目标特征信息对应的风险识别类别和所述风险类别标签的交叉熵，确定损失函数；

基于所述损失函数，确定下降梯度；

基于所述下降梯度和预设学习率更新所述初始图神经网络的网络参数，得到更新后的初始图神经网络；

将所述更新后的初始图神经网络作为所述图神经网络。

7.根据权利要求6所述的方法，其特征在于，在所述基于所述下降梯度和预设学习率更新所述初始图神经网络的网络参数，得到更新后的初始图神经网络之后，所述方法还包括：

更新所述样本异构关系网络图；

基于更新后的样本异构关系网络图，更新所述样本邻接矩阵、所述样本节点交易属性特征矩阵以及所述样本商户节点对应的风险类别标签；

基于更新后的样本邻接矩阵、更新后的样本节点交易属性特征矩阵、更新后的样本商户节点对应的风险类别标签以及所述更新后的初始图神经网络，重新执行所述将所述样本邻接矩阵和所述样本节点交易属性特征矩阵输入所述初始图神经网络进行节点特征提取，得到所述样本商户节点的初始目标特征信息至所述基于所述下降梯度和预设学习率更新对所述初始图神经网络的网络参数，得到更新后的初始图神经网络的训练过程，直至所述交叉熵满足预设损失条件；

将所述交叉熵满足所述预设损失条件时的初始图神经网络作为所述图神经网络。

8.一种商户风险识别装置，特征在于，所述装置包括：

异构关系网络图获取模块，用于获取目标商户的异构关系网络图，所述异构关系网络图的节点用于表征所述目标商户对应的交易对象的交易数据中的商户和用户，所述异构关系网络图的边用于表征所述节点之间的交易关系；

邻接矩阵生成模块，用于基于所述异构关系网络图中每个节点的邻接信息，生成所述异构关系网络图的邻接矩阵；

节点交易属性特征矩阵生成模块，用于基于所述每个节点对应的交易统计信息，生成所述异构关系网络图的节点交易属性特征矩阵；

节点特征提取模块，用于将所述邻接矩阵和所述节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成所述目标商户对应的目标商户节点的目标特征信息，所述目标特征信息用于表征对应节点的邻接特征和交易属性特征；

商户风险识别模块，用于将所述目标特征信息输入分类模型进行商户风险识别，得到所述目标商户的风险识别指标数据。

9.一种商户风险识别设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1至7任一所述的商户风险识别方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1至7任一所述的商户风险识别方法。

Images