CN113689285B - 一种检测用户特征的方法、装置、设备及存储介质 - Google Patents
一种检测用户特征的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113689285B CN113689285B CN202110951089.XA CN202110951089A CN113689285B CN 113689285 B CN113689285 B CN 113689285B CN 202110951089 A CN202110951089 A CN 202110951089A CN 113689285 B CN113689285 B CN 113689285B
- Authority
- CN
- China
- Prior art keywords
- node
- value
- probability
- relation
- credit
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000010586 diagram Methods 0.000 claims abstract description 73
- 239000011159 matrix material Substances 0.000 claims description 91
- 230000007704 transition Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 210000003462 vein Anatomy 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
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
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了一种检测用户特征的方法、装置、设备及存储介质，涉及金融科技(Fintech)技术领域，该方法包括：基于多个待评估用户之间的关联关系，构建关系网络图。然后针对关系网络图中任意两个节点，从至少一条可达路径中确定可靠最短路径，以及在可靠最短路径下第一节点与第二节点之间的目标关系值。再基于获得的目标关系值以及关系网络图中至少一个节点对应的预设信用概率，预测关系网络图中其他节点分别对应的目标信用概率。相较于根据每个用户本身的属性信息，预测用户的信用概率来说，本申请充分考虑到用户之间的关联关系，以及用户之间的关联关系对用户信用特征的影响，从而提高了检测用户信用特征的准确性。
Description
技术领域
本申请实施例涉及金融科技(Fintech)技术领域，尤其涉及一种检测用户特征的方法、装置、设备及存储介质。
背景技术
随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变，但由于金融行业的安全性、实时性要求，也对技术提出的更高的要求。
当用户向贷款部门递交贷款申请时，贷款部门需要根据每个用户的信用特征，确定是否给用户发放贷款以及发放的贷款金额。相关技术采用逻辑回归模型，基于每个用户的属性信息，如年龄、职业、性别、工资、银行卡个数等，获得每个用户的信用特征。然而，上述方法中的模型仅仅考虑了用户本身的属性，导致模型准确率较低，进而导致检测用户信用特征的准确性较低。
发明内容
本申请实施例提供了一种检测用户特征的方法、装置、设备及存储介质，用于提高检测用户信用特征的准确性。
一方面，本申请实施例提供了一种检测用户特征的方法，该方法包括：
基于多个待评估用户之间的关联关系，构建关系网络图，所述关系网络图中的每个节点用于表征一个待评估用户，每个连接边的属性值用于表征相应的待评估用户之间的关系值；
针对任意两个节点，基于第一节点与第二节点之间的至少一条可达路径分别对应的连接边的属性值，从所述至少一条可达路径中确定可靠最短路径，以及在所述可靠最短路径下所述第一节点与所述第二节点之间的目标关系值；
基于获得的目标关系值以及所述关系网络图中至少一个节点对应的预设信用概率，预测所述关系网络图中其他节点分别对应的目标信用概率。
一方面，本申请实施例提供了一种检测用户特征的装置，该装置包括：
网络图构建模块，用于基于多个待评估用户之间的关联关系，构建关系网络图，所述关系网络图中的每个节点用于表征一个待评估用户，每个连接边的属性值用于表征相应的待评估用户之间的关系值；
处理模块，用于针对任意两个节点，基于第一节点与第二节点之间的至少一条可达路径分别对应的连接边的属性值，从所述至少一条可达路径中确定可靠最短路径，以及在所述可靠最短路径下所述第一节点与所述第二节点之间的目标关系值；
预测模块，用于基于获得的目标关系值以及所述关系网络图中至少一个节点对应的预设信用概率，预测所述关系网络图中其他节点分别对应的目标信用概率。
可选地，所述处理模块具体用于：
以所述第一节点为起点，以所述第二节点为终点对所述关系网络图进行遍历，获得所述第一节与所述第二节点之间的至少一条可达路径；
基于每条可达路径中的连接边的属性值，确定每条可达路径的候选关系值；
将所述至少一条可达路径中，最小候选关系值对应的可达路径作为可靠最短路径，并将所述最小候选关系值作为所述可靠最短路径下所述第一节点与所述第二节点之间的目标关系值。
可选地，所述处理模块具体用于：
采用以下公式(1)，确定每条可达路径的候选关系值，所述公式(1)为：
其中，表示每条可达路径的候选关系值，α为预设的概率值，α∈[0,1]，Zα为α置信水平下标准正态分布的逆累积分布函数，r表示第一节点，s表示第二节点，i和j表示每条可达路径中任意两个节点，aij为连接节点i与节点j之间的连接边，A为关系网络图中的连接边集合，tij为所有aij的平均属性值,σij为所有aij的属性值标准差，/>
可选地，所述预测模块具体用于：
基于获得的目标关系值，确定所述关系网络图中任意两个节点之间的传播概率；
基于获得的传播概率构建概率转移矩阵，所述概率转移矩阵中的每个元素表示相应的两个节点之间的传播概率；
采用所述至少一个节点对应的预设信用概率以及所述其他节点分别对应的初始概率值，构建信用概率矩阵；
采用所述概率转移矩阵迭代调整所述信用概率矩阵，直到所述信用概率矩阵满足预设条件，输出所述其他节点分别对应的目标信用概率。
可选地，所述关系网络图包括N个节点；
所述预测模块具体用于：
基于获得的目标关系值，构建N*N的关系值矩阵，其中，所述关系值矩阵中的每个元素表示相应的两个节点之间的目标关系值；
针对所述关系值矩阵中的第x行第y列，将第x行中N个目标关系值求和，获得第x行的总关系值，其中，1≤x≤N，1≤y≤N；
将所述关系值矩阵中第x行第y列对应的目标关系值与所述总关系值的比值，作为所述第x行第y列对应的两个节点之间的传播概率。
可选地，所述预测模块具体用于：
在每次迭代调整过程中，执行以下操作：
将所述概率转移矩阵与信用概率矩阵相乘，获得更新后的信用概率矩阵；
将所述更新后的信用概率矩阵中所述至少一个节点对应的信用概率，调整为所述至少一个节点对应的预设信用概率，获得参与下次迭代调整过程的信用概率矩阵。
可选地，预测模块还用于：
针对所述其他节点中的每个节点，分别执行以下步骤：
基于一个节点对应的目标信用概率以及所述一个节点对应的权重，确定所述一个节点对应的待评估用户的信用分值。
一方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述工作流生成方法的步骤。
一方面，本申请实施例提供了一种计算机可读存储介质，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行上述工作流生成方法的步骤。
本申请实施例中，基于多个待评估用户之间的关联关系，构建关系网络图。然后针对关系网络图中任意两个节点，基于第一节点与第二节点之间的至少一条可达路径分别对应的连接边的属性值，从至少一条可达路径中确定可靠最短路径，以及在可靠最短路径下第一节点与第二节点之间的目标关系值。再基于获得的目标关系值以及关系网络图中至少一个节点对应的预设信用概率，预测关系网络图中其他节点分别对应的目标信用概率。相较于根据每个用户本身的属性信息，预测用户的信用概率来说，本申请充分考虑到用户之间的关联关系，以及用户之间的关联关系对用户信用特征的影响，从而提高了检测用户信用特征的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本申请实施例提供的一种系统架构示意图；
图2为本申请实施例提供的一种检测用户特征的方法的流程示意图；
图3为本申请实施例提供的一种关系网络图；
图4为本申请实施例提供的一种第一初始网络图；
图5为本申请实施例提供的一种关系网络图；
图6为本申请实施例提供的一种检测用户特征的方法的流程示意图；
图7为本申请实施例提供的一种检测用户特征的装置的结构示意图；
图8为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了方便理解，下面对本发明实施例中涉及的名词进行解释。
关系网络图：一种复杂的空间网络图。
可达路径：从某顶点出发，沿图的边到达另一顶点的一条路径。
最短路径：从某顶点出发，沿图的边到达另一顶点所经过的路径中，各边上权值之和最小的一条路径叫做最短路径。
可靠最短路径：指在空间网络图中，各个边的权值不确定的场景下，不同节点之间的最短路径。
半监督学习：依据数据分布上的模型假设，利用少数样本已标记的数据进行指导并预测未标记数据的标记，然后合并到标记数据集中方法。
标签传播算法：是空间网络图的一种半监督学习算法，根据已标记节点的标签数据信息来预测未标记节点的标签数据信息，利用样本间的关系，建立完整网络图的算法。
参考图1，其为本申请实施例适用的一种系统架构图，该系统架构图至少包括终端设备101和用户特征检测系统102。
终端设备101安装有具备用户信用评估功能的目标应用，该应用可以是预先安装的客户端、网页版应用或嵌入在其他应用中的小程序等。终端设备101可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。
用户特征检测系统102为目标应用的后台服务器，为目标应用提供服务。用户特征检测系统102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网路(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备101与用户特征检测系统102可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
终端设备101响应于用户信用评估操作，发送用户信用评估请求至用户特征检测系统102，用户信用评估请求中携带多个待评估用户之间的关联特征，如用户之间的人脉关系、用户之间的互动程度等。用户信用评估系统102采用预设规则，基于各个待评估用户之间的关联特征，计算每个关联特征对应的关联特征值，再将每两个待评估用户之间的多个关联特征值进行加权计算，得到每两个待评估用户之间的关系值。各个待评估用户以及各个待评估用户之间的关系值组成了待评估用户之间的关联关系。
用户特征检测系统102基于多个待评估用户之间的关联关系，构建关系网络图，其中，每个节点用于表征一个待评估用户，每个连接边的属性值用于表征相应的待评估用户之间的关系值。然后针对任意两个节点，基于第一节点与第二节点之间的至少一条可达路径分别对应的连接边的属性值，从至少一条可达路径中确定可靠最短路径，以及在可靠最短路径下第一节点与第二节点之间的目标关系值。再基于获得的目标关系值以及关系网络图中至少一个节点对应的预设信用概率，预测关系网络图中其他节点分别对应的目标信用概率。
基于图1所述的系统架构图，本申请实施例提供了一种检测用户特征的方法的流程，如图2所示，该方法的流程由计算机设备执行，该计算机设备可以是图1所示的用户特征检测系统102，包括以下步骤：
步骤S201，基于多个待评估用户之间的关联关系，构建关系网络图，关系网络图中的每个节点用于表征一个待评估用户，每个连接边的属性值用于表征相应的待评估用户之间的关系值。
具体地，属性值包括平均属性值和/或属性值标准差，待评估用户之间的关联关系是根据待评估用户之间的人脉关系、互动程度等关联特征确定的。人脉关系包括亲人关系、同学关系、同事关系、校友关系等。不同的人脉关系对应不同的关联特征值，关联特征值越大对应的人脉关系越亲密。如亲人关系对应的关联特征值为5、同学关系对应的关联特征值为3、同事关系对应的关联特征值为3、校友关系对应的关联特征值为1。
互动程度包括每个月的转账次数、通话次数等。不同的互动程度对应不同的关联特征值，关联特征值越大对应的互动程度越频繁。
以通话次数举例，可以将通话次数分为四种情况，当通话次数大于等于第一预设阈值时，通话次数对应的关联特征值为3；当通话次数大于等于第二预设阈值同时小于第一预设阈值时，通话次数对应的关联特征值为2；当通话次数小于第二预设阈值同时大于0时，通话次数对应的关联特征值为1；当通话次数等于0时，通话次数对应的关联特征值为0。
设定转账次数对应关联特征值的过程与设定通话次数对应关联特征值的过程相同，此处不再赘述。
针对任意两个待评估用户，将获取的两个待评估用户之间的各个关联特征值进行加权计算，得到两个待评估用户之间的关系值。各个待评估用户以及待评估用户之间的关系值组成了待评估用户之间的关联关系。
举例来说，待评估用户a和待评估用户b之间为同学关系，对应的关联特征值为3。待评估用户a和待评估用户b在1月份的通话次数为12次，对应的关联特征值为3。
设定同学关系对应的权重为0.5，通话次数对应的权重为0.5，则将同学关系对应的关联特征值和通话次数对应的关联特征值进行加权求和，待评估用户a和待评估用户b之间的关系值为3。
采用上述同样的方法，获得待评估用户a和待评估用户c之间的关系值为2，待评估用户c和待评估用户d之间的关系值为3,待评估用户a和待评估用户d之间的关系值为3。根据多个待评估用户之间的关联关系，构建关系网络图，如图3所示。
节点A表示待评估用户a，节点B表示待评估用户b，节点C表示待评估用户c，节点D表示待评估用户d。节点A与节点B之间的连接边的属性值为3，节点A与节点C之间的连接边的属性值为2，节点C与节点D之间的连接边的属性值为3，节点A与节点D之间的连接边的属性值为3。
步骤S202，针对任意两个节点，基于第一节点与第二节点之间的至少一条可达路径分别对应的连接边的属性值，从至少一条可达路径中确定可靠最短路径，以及在可靠最短路径下第一节点与第二节点之间的目标关系值。
具体地，可达路径可以是直接相连的两个节点之间的一条连接边，也可以是间接相连的两个节点之间的多条连接边。
举例来说，在图3中，节点A为第一节点，节点D为第二节点，节点A与节点D之间存在两条可达路径，第一条可达路径为A->D，第二条可达路径为A->C->D。从这两条可达路径中确定出可靠最短路径，以及该可靠最短路径下节点A与节点D之间的目标关系值。
步骤S203，基于获得的目标关系值以及关系网络图中至少一个节点对应的预设信用概率，预测关系网络图中其他节点分别对应的目标信用概率。
具体地，根据获得的关系网络图中任意两个节点之间的目标关系值，确定关系网络图中任意两个节点之间的传播概率。根据关系网络图中任意两个节点之间的传播概率，以及部分节点对应的预设信用概率，预测其他节点分别对应的目标信用概率。
两点之间的传播概率表示其中一点的信用概率对另一点的信用概率的影响程度。两点之间的目标关系值越大，表示相互之间影响的程度越大。
本申请实施例中，基于多个待评估用户之间的关联关系，构建关系网络图。然后针对关系网络图中任意两个节点，基于第一节点与第二节点之间的至少一条可达路径分别对应的连接边的属性值，从至少一条可达路径中确定可靠最短路径，以及在可靠最短路径下第一节点与第二节点之间的目标关系值。再基于获得的目标关系值以及关系网络图中至少一个节点对应的预设信用概率，预测关系网络图中其他节点分别对应的目标信用概率。相较于根据每个用户本身的属性信息，预测用户的信用概率来说，本申请充分考虑到用户之间的关联关系，以及用户之间的关联关系对用户信用特征的影响，从而提高了检测用户信用特征的准确性。
可选地，在上述步骤S201之前，本申请实施例采用以下方法对多个待评估用户之间的关联特征进行预处理，该方法包括以下步骤：
步骤S301，基于多个周期内待评估用户之间的关联特征，获取待评估用户之间的关联关系。
具体地，由于待评估用户之间的关联关系是动态变化的，因此，需要统计每个周期内待评估用户之间的关联特征，根据关联特征确定出每两个待评估用户之间的关系值。
举例来说，设定周期为一个月，分别获取两个周期内待评估用户之间的关联关系，其中，2021.01.01-2021.01.31为第一周期，2021.02.01-2021.02.28为第二周期。
在第一周期内，待评估用户a和待评估用户b为夫妻关系，对应的关联特征值为7。待评估用户a和待评估用户b在第一周期内通话次数为12次，通话次数大于第一预设阈值，则待评估用户a和待评估用户b通话次数对应的关联特征值为3。
在第二周期内，待评估用户a和待评估用户b为夫妻关系，对应的关联特征值为7，待评估用户a和待评估用户b在第二周期内的通话次数为3次，通话次数小于第二预设阈值同时大于0，则待评估用户a和待评估用户b通话次数对应的关联特征值为1。
设定夫妻关系对应的权重为0.5，通话次数对应的权重为0.5，将夫妻关系对应的关联特征值和通话次数对应的关联特征值进行加权求和，获得待评估用户a和待评估用户b在第一周期内的关系值为5，待评估用户a和待评估用户b在第二周期内的关系值为4。
步骤S302，按照预设表结构，分别将多个周期内待评估用户之间的关联关系映射为多张数据表。
具体地，预设表结构如表1所示。
表1.
| 字段名 | 含义 | 类型 | 描述 |
| Origin(O) | 起始节点 | string | 待评估用户 |
| Destination(D) | 结束节点 | string | 待评估用户 |
| Relate_Value | 连接边的属性值 | int | 属性值越大，关系越亲近 |
举例来说，将第一周期内获取的待评估用户之间的关联关系，按照预设表结构映射为第一数据表，第一数据表如表2所示。
表2.
| Origin(O) | Destination(D) | Relate_Value |
| A | B | 10 |
| A | C | 2 |
| C | F | 2 |
| B | D | 4 |
| B | E | 7 |
| E | F | 5 |
| P | Q | 3 |
| P | M | 5 |
| M | K | 5 |
其中，在表2中，节点A表示待评估用户a，节点B表示待评估用户b，节点C表示待评估用户c，节点D表示待评估用户d，节点E表示待评估用户e，节点F表示待评估用户f，节点K表示待评估用户k，节点M表示待评估用户m,节点P表示待评估用户p,节点Q表示待评估用户q。
将第二周期内获取的待评估用户之间的关联关系，按照预设表结构映射为第二数据表，第二数据表如表3所示。
表3.
| Origin(O) | Destination(D) | Relate_Value |
| A | B | 7 |
| A | C | 2 |
| C | F | 3 |
| B | D | 4 |
| P | Q | 3 |
| P | M | 9 |
| M | K | 5 |
从表2和表3可以看出，在第一周期内,待评估用户a和待评估用户b之间的关系值为10，而在第二周期内，待评估用户a和待评估用户b之间的关系值为7，即待评估用户a与待评估用户b在不同的周期对应的关系值是不同的。其他待评估用户之间的关系值也是如此，此处不再赘述。
步骤S303，对数据表进行数据清洗。
具体地，对数据表进行数据清洗包括以下步骤：
步骤S401，删除数据表中的无关数据。
具体地，基于每张数据表，构建相应的初始网络图，其中，每个节点用于表征数据表中的一个待评估用户，每个连接边的属性值用于表征相应的待评估用户之间的关系值。
设定初始网络图中存在至少一个节点是已知节点，其余为未知节点。判断任一已知节点到其他未知节点是否是可达的，若不可达，则该未知节点为候选节点，将该未知节点保存至候选节点集。具体可以采用深度优先搜索、广度优先搜索或Dijkstra算法中的任意一种算法，判断任一已知节点到其他未知节点是否是可达的。
对每张数据表进行判断，若数据表中的Origin(O)字段或者Destination(D)字段中含有候选节点集中的任一节点，则将含有该候选节点的记录从数据表中删除。
举例来说，基于表2所示第一数据表，构建第一初始网络图，如图4所示，其中，第一初始网络图中，节点A和节点B是已知节点，其余节点是未知节点。采用深度优先搜索算法，获得图4中的不可达节点为节点P、Q、M和K，即候选节点集为{P，Q，M，K}。
第一数据表中最后三条记录中包含了候选节点P、Q、M和K，所以对应的删除第一数据表中最后三条记录。删除后的第一数据表如表4所示。
表4.
| Origin(O) | Destination(D) | Relate_Value |
| A | B | 10 |
| A | C | 2 |
| C | F | 2 |
| B | D | 4 |
| B | E | 7 |
| E | F | 5 |
第二数据表中删除无关数据的过程，和第一数据表中删除无关数据的过程相同，此处不再赘述。删除后的第二数据表如表5所示。
表5.
步骤S402，删除数据表中的重复数据。
如果存在至少两条记录，记录中的Origin(O)字段值和Destination(D)字段值完全相同，则将以上记录从数据表中删除。
步骤S403，处理数据表中的异常值。
将数据表中出现异常值的记录从数据表中删除。如Relate_Value字段值不是整数而是字符串类型的变量等。
步骤S404，从多张数据表中选择一个数据表作为基本数据表，根据基本数据表调整其他数据表中的关联关系。
具体地，针对基本数据表中任意一条记录中的Origin(O)字段值和Destination(D)字段值，判断其他数据表中是否包含该条记录中的Origin(O)字段值和Destination(D)字段值，若不包含，则将该条记录中的Origin(O)字段值和Destination(D)字段值记录在其他数据表中，同时对应的Relate_Value字段值默认为空。
针对一个其他数据表中任意一条记录中的Origin(O)字段值和Destination(D)字段值，判断基本数据表中是否包含该条记录中的Origin(O)字段值和Destination(D)字段值，若不包含，则从该其他数据表中删除该记录。
举例来说，选择第一数据表为基本数据表，基本数据表如表4所示，共有6条记录，每条记录对应的Origin(O)字段值和Destination(D)字段值分别为AB、AC、CF、BD、BE、EF。
第二数据表如表5所示，共有4条记录。确定出第二数据表中每条记录对应的Origin(O)字段值和Destination(D)字段值分别为AB、AC、CF、BD。由于第二数据表中并不存在BE和EF，因此，将Origin(O)字段值和Destination(D)字段值分别为B、E，对应的Relate_Value字段值为空的记录，以及Origin(O)字段值和Destination(D)字段值分别为E、F，对应的Relate_Value字段值为空的记录，添加至第二数据表中，形成新的第二数据表如表6所示。
表6.
| Origin(O) | Destination(D) | Relate_Value |
| A | B | 7 |
| A | C | 2 |
| C | F | 3 |
| B | D | 4 |
| B | E | |
| E | F |
步骤S405，填补数据表中的缺失值。
将数据表中为空的Relate_Value字段值，随机初始化一个0-1之间的数字进行填补。
举例来说，对表6所示第二数据表填补缺失值，获得新的第二数据表，如表7所示。
表7.
| Origin(O) | Destination(D) | Relate_Value |
| A | B | 7 |
| A | C | 2 |
| C | F | 3 |
| B | D | 4 |
| B | E | 0.1 |
| E | F | 0.5 |
对数据表进行数据清洗之后，每张数据表中保存的Origin(O)字段值和Destination(D)字段值都是相同的，只有Relate_Value字段值存在差异。
本申请实施例中，通过对多个待评估用户之间的关联关系进行预处理操作，删除了无效的、错误的数据，有效地提高了数据的质量。
可选地，在上述步骤S201中，对多个待评估用户之间的关联关系，进行预处理后，获取多张数据表，然后将多张数据表合并为一张目标数据表。再基于目标数据表，获得关系网络图。
具体地，针对每个Origin(O)字段值和Destination(D)字段值，从多张数据表中获取Origin(O)字段值和Destination(D)字段值相同的多条记录，对多条记录中的属性值求平均值和/或标准差，获得一条记录对应的平均属性值和/或属性值标准差。相应地，关系网络图中的每个节点用于表征一个待评估用户，关系网络图中的每条边对应一个平均属性值和/或一个属性值标准差，其中，平均属性值用于表征待评估用户之间的平均关系值，属性值标准差用于表征待评估用户之间的关系值标准差。
举例来说，采用上述方式将表4和表7合并为表8，表8对应的关系网络图如图5所示。
表8.
可选地，在上述步骤S202中，以第一节点为起点，以第二节点为终点对所述关系网络图进行遍历，获得第一节与第二节点之间的至少一条可达路径。再基于每条可达路径中的连接边的属性值，确定每条可达路径的候选关系值。将至少一条可达路径中，最小候选关系值对应的可达路径作为可靠最短路径，并将最小候选关系值作为可靠最短路径下第一节点与第二节点之间的目标关系值。
基于每条路径中的连接边的属性值，确定每条可达路径的候选关系值满足以下公式(1)：
其中，表示每条可达路径的候选关系值，α为预设的概率值，α∈[0,1]，Zα为α置信水平下标准正态分布的逆累积分布函数，r表示第一节点，s表示第二节点，i和j表示每条可达路径中任意两个节点，aij为连接节点i与节点j之间的连接边，A为关系网络图中的连接边集合，tij为所有连接边aij的平均属性值，σij为所有连接边aij的属性值标准差，
具体实施中，获得第一节点和第二节点之间的可靠最短路径，以及在可靠最短路径下第一节点与第二节点之间的目标关系值的方法包括以下步骤：
步骤S501，初始化。
(1)从第一节点r到它本身创造一条可达路径prr并设定可达路径集合为
(2)设置集合并集合/>
步骤S502，节点选择。
(1)如果程序停止；否则，继续。/>
(2)在SE的顶部选择Pri，设置
(3)如果i为第二节点，程序停止；否则，继续。
步骤S503，路径扩展。
对每个后续节点j
(1)调用程序进行更新
(2)如果并且/>计算候选关系值/>并且设置
(3)如果Pri∈SE，计算候选关系值如果/>减小，更新在SE中的Prj顺序。
(4)如果Prj∈Q并且调用程序进行扩展/>
回到步骤S502。
举例来说，以A点作为第一节点，节点B、节点C、节点D、节点E、节点F分别作为第二节点，采用上述方法获得第一节点与第二节点之间的目标关系值，如表9所示。
表9.
| 第一节点 | 第二节点 | 目标关系值 |
| A | B | 10.52 |
| A | C | 2.21 |
| A | D | 13.89 |
| A | E | 16.28 |
| A | F | 4.12 |
采用相同方式可以获得以关系网络图中节点B、节点C、节点D、节点E、节点F分别作为第一节点，其余节点作为第二节点时，第一节点与第二节点之间的目标关系值，此处不再赘述。
本申请实施例中，通过计算第一节点与第二节点之间的可靠最短路径代替简单路径的叠加，可以有效地解决不同周期内待评估用户之间关系值的变化所带来的问题，更加真实、有效地确定了待评估用户之间的关联关系，进而有利于提高检测待评估用户信用特征的准确性。
可选地，在上述步骤S203中，基于获得的目标关系值，确定关系网络图中任意两个节点之间的传播概率，然后基于获得的传播概率构建概率转移矩阵，概率转移矩阵中的每个元素表示相应的两个节点之间的传播概率。
具体地，基于获得的目标关系值，确定关系网络图中任意两个节点之间的传播概率，包括以下步骤：
步骤S601，基于获得的目标关系值，构建N*N的关系值矩阵，其中关系值矩阵中的每个元素表示相应的两个节点之间的目标关系值。
步骤S602，针对关系值矩阵中的第x行第y列，将第x行中N个目标关系值求和，获得第x行的总关系值，其中，1≤x≤N，1≤y≤N。
步骤S603，将关系值矩阵中第x行第y列对应的目标关系值与总关系值的比值，作为第x行第y列对应的两个节点之间的传播概率。
举例来说，设定关系网络图中有6个节点，则关系值矩阵的大小是6*6。基于获得的目标关系值，构建6*6的关系值矩阵，矩阵中的每个元素表示相应的两个节点之间的目标关系值。关系值矩阵每一行的排列顺序和每一列的排列顺序，都为节点A、B、C、D、E、F的顺序。
关系值矩阵中第一行第一列的元素为节点A与节点A之间的目标关系值0，关系值矩阵中第一行第二列的元素为节点A与节点B之间的目标关系值10.52，关系值矩阵中第一行第三列的元素为节点A与节点C之间的目标关系值2.21，依次类推。关系值矩阵中第二行第一列的元素为节点B与节点A之间的目标关系值10.52，关系值矩阵中第二行第二列的元素为节点B与节点B之间的目标关系值0，关系值矩阵中第二行第三列的元素为节点B与节点C之间的目标关系值13.2，依次类推。关系值矩阵如下所示：
对第1行中的6个目标关系值求和，获得第1行的总关系值47.02。然后计算第1行第1列对应的目标关系值0与总关系值47.02的比值，获得第1行第1列对应的两个节点之间的传播概率0。
计算第1行第2列对应的目标关系值10.52与总关系值47.02的比值，获得第1行第2列对应的两个节点之间的传播概率依次类推，在此不做赘述。
根据获得的传播概率构建概率转移矩阵P，如下所示：
可选地，在上述步骤S203中，采用至少一个节点对应的预设信用概率以及其他节点分别对应的初始概率值，构建信用概率矩阵。
具体地，信用概率矩阵大小是N*1，已知至少一个节点对应的预设信用概率，其他节点对应的初始概率值为随机初始化一个0-0.1之间的数值。
举例来说，已知节点A和节点B的预设信用概率分别为1和0.2，对节点C、D、E、F的信用概率随机初始化，构建的信用概率矩阵如下：
可选地，在上述步骤S203中，采用概率转移矩阵迭代调整信用概率矩阵，直到信用概率矩阵满足预设条件，输出其他节点分别对应的目标信用概率。
具体地，每次迭代调整过程，执行以下操作：
步骤S701，将概率转移矩阵与信用概率矩阵相乘，获得更新后的信用概率矩阵。
步骤S702，将更新后的信用概率矩阵中至少一个节点对应的信用概率，调整为至少一个节点对应的预设信用概率，获得参与下次迭代调整过程的信用概率矩阵。
举例来说，将概率转移矩阵P和信用概率矩阵F相乘，得到新的信用概率矩阵F′如下所示：
对信用概率矩阵F′中节点A和节点B分别对应的概率0.0643和0.2427调整为1和0.2，获得信用概率矩阵如下：
将获取的新的信用概率矩阵，进行下一轮迭代，直至满足预设条件，其中预设条件可以是满足一定的迭代次数，或前后两次迭代获取的信用概率矩阵F的差值小于预设值。
在本申请实施例中，通过已知的部分待评估用户的预设信用概率，估计其他待评估用户的信用概率，避免了现有技术中需要大量的已标注预设信用概率的数据，有效解决了样本数据标注问题。
基于获得的目标关系值以及关系网络图中至少一个节点对应的预设信用概率，预测关系网络图中其他节点分别对应的目标信用概率之后，针对其他节点中的每个节点，分别执行以下步骤：
基于一个节点对应的目标信用概率以及一个节点对应的权重，确定一个节点对应的待评估用户的信用分值。
一种可能的实施方式中，将一个节点对应的目标信用概率和该节点对应的权重进行相乘，得到该节点对应的待评估用户的信用分值，权重可以根据实际应用场景，进行权重大小的调整。
举例来说，最终获取的信用概率矩阵如下所示：
设定权重值为100，则最终得到待评估用户a、待评估用户b、待评估用户c、待评估用户d、待评估用户e、待评估用户f的信用值分别为100、20、91.12、73.44、65.22、85.66。
为了更好地解释本申请实施例，下面以具体实施场景为例，介绍本申请实施例提供的一种检测用户特征的方法的流程，如图6所示：
步骤S801，获取多个周期内待评估用户之间的关联特征。
步骤S802，对多个周期内待评估用户之间的关联特征进行预处理。
基于多个周期内待评估用户之间的关联特征，获取待评估用户之间的关联关系。将多个周期内待评估用户之间的关联关系映射为多张数据表。再对数据表进行数据清洗，包括：删除数据表中无关数据、删除数据表中的重复数据、处理数据表中的异常值、数据表关联关系的调整、填补数据表中的缺失值。
步骤S803，构建关系网络图。
将多张数据表合并为一张目标数据表，基于目标数据表，获得关系网络图。
步骤S804，确定关系网络图中任意两个节点之间的可靠最短路径和可靠最短路径下的目标关系值。
步骤S805，将目标关系值和关系网络图中至少一个节点对应的预设信用概率值作为输入，利用标签传播算法，估计关系网络图中其他节点对应的目标信用概率。
步骤S806，针对其他节点中每个节点对应的目标信用概率以及对应的权重，计算其他节点中每个节点对应的信用分值。
本申请实施例中，通过基于多个待评估用户之间的关联关系，构建关系网络图。再确定关系网络图中任意两个节点之间的可靠最短路径，以及在该可靠最短路径下上述两节点之间的目标关系值。然后基于获得的目标关系值以及所述关系网络图中至少一个节点对应的预设信用概率，预测所述关系网络图中其他节点分别对应的目标信用概率，最终获得其他节点分别对应的信用分数。在计算待评估用户的目标信用概率时，充分考虑了待评估用户之间的关联关系，以及用户之间的关联关系对用户信用特征的影响，从而提高了检测用户信用特征的准确性。同时采用标签传播算法，有效解决了样本数据标注问题。
基于相同的技术构思，本申请实施例提供了一种检测用户特征的装置，如图7所示，该装置900包括：
网络图构建模块901，用于基于多个待评估用户之间的关联关系，构建关系网络图，其中，每个节点用于表征一个待评估用户，每个连接边的属性值用于表征相应的待评估用户之间的关系值；
处理模块902，用于针对任意两个节点，基于第一节点与第二节点之间的至少一条可达路径分别对应的连接边的属性值，从所述至少一条可达路径中确定可靠最短路径，以及在所述可靠最短路径下所述第一节点与所述第二节点之间的目标关系值；
预测模块903，用于基于获得的目标关系值以及所述关系网络图中至少一个节点对应的预设信用概率，预测所述关系网络图中其他节点分别对应的目标信用概率。
可选地，所述处理模块902具体用于：
以所述第一节点为起点，以所述第二节点为终点对所述关系网络图进行遍历，获得所述第一节与所述第二节点之间的至少一条可达路径；
基于每条可达路径中的连接边的属性值，确定每条可达路径的候选关系值；
将所述至少一条可达路径中，最小候选关系值对应的可达路径作为可靠最短路径，并将所述最小候选关系值作为所述可靠最短路径下所述第一节点与所述第二节点之间的目标关系值。
可选地，所述处理模块902具体用于：
采用以下公式(1)，确定每条可达路径的候选关系值，所述公式(1)为：
其中，表示每条可达路径的候选关系值，α为预设的概率值，α∈[0,1]，Zα为α置信水平下标准正态分布的逆累积分布函数，r表示第一节点，s表示第二节点，i和j表示每条可达路径中任意两个节点，aij为连接节点i与节点j之间的连接边，A为关系网络图中的连接边集合，tij为所有aij的平均属性值,σij为所有aij的属性值标准差，/>
可选地，所述预测模块903具体用于：
基于获得的目标关系值，确定所述关系网络图中任意两个节点之间的传播概率；
基于获得的传播概率构建概率转移矩阵，所述概率转移矩阵中的每个元素表示相应的两个节点之间的传播概率；
采用所述至少一个节点对应的预设信用概率以及所述其他节点分别对应的初始概率值，构建信用概率矩阵；
采用所述概率转移矩阵迭代调整所述信用概率矩阵，直到所述信用概率矩阵满足预设条件，输出所述其他节点分别对应的目标信用概率。
可选地，所述关系网络图包括N个节点；
所述预测模块903具体用于：
基于获得的目标关系值，构建N*N的关系值矩阵，其中，所述关系值矩阵中的每个元素表示相应的两个节点之间的目标关系值；
针对所述关系值矩阵中的第x行第y列，将第x行中N个目标关系值求和，获得第x行的总关系值，其中，1≤x≤N，1≤y≤N；
将所述关系值矩阵中第x行第y列对应的目标关系值与所述总关系值的比值，作为所述第x行第y列对应的两个节点之间的传播概率。
可选地，所述预测模块903具体用于：
在每次迭代调整过程中，执行以下操作：
将所述概率转移矩阵与信用概率矩阵相乘，获得更新后的信用概率矩阵；
将所述更新后的信用概率矩阵中所述至少一个节点对应的信用概率，调整为所述至少一个节点对应的预设信用概率，获得参与下次迭代调整过程的信用概率矩阵。
可选地，预测模块903还用于：
针对所述其他节点中的每个节点，分别执行以下步骤：
基于一个节点对应的目标信用概率以及所述一个节点对应的权重，确定所述一个节点对应的待评估用户的信用分值。
基于相同的技术构思，本申请实施例提供了一种计算机设备，计算机设备可以是终端或服务器，如图8所示，包括至少一个处理器1001，以及与至少一个处理器连接的存储器1002，本申请实施例中不限定处理器1001与存储器1002之间的具体连接介质，图8中处理器1001和存储器1002之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中，存储器1002存储有可被至少一个处理器1001执行的指令，至少一个处理器1001通过执行存储器1002存储的指令，可以执行上述检测用户特征方法中所包括的步骤。
其中，处理器1001是计算机设备的控制中心，可以利用各种接口和线路连接计算机设备的各个部分，通过运行或执行存储在存储器1002内的指令以及调用存储在存储器1002内的数据，从而进行检测用户特征。可选的，处理器1001可包括一个或多个处理单元，处理器1001可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1001中。在一些实施例中，处理器1001和存储器1002可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
处理器1001可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器1002作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器1002可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器1002是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器1002还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
基于同一发明构思，本申请实施例提供了一种计算机可读存储介质，其存储有可由计算机设备执行的计算机程序，当程序在计算机设备上运行时，使得计算机设备执行上述检测用户特征方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请的方法、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。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种检测用户特征的方法，其特征在于，包括：
基于多个待评估用户之间的关联关系，构建关系网络图，所述关系网络图中的每个节点用于表征一个待评估用户，每个连接边的属性值用于表征相应的待评估用户之间的关系值；
针对任意两个节点，基于第一节点与第二节点之间的至少一条可达路径分别对应的连接边的属性值，从所述至少一条可达路径中确定可靠最短路径，以及在所述可靠最短路径下所述第一节点与所述第二节点之间的目标关系值；
基于获得的目标关系值，确定所述关系网络图中任意两个节点之间的传播概率；
基于获得的传播概率构建概率转移矩阵，所述概率转移矩阵中的每个元素表示相应的两个节点之间的传播概率；
采用所述至少一个节点对应的预设信用概率以及所述其他节点分别对应的初始概率值，构建信用概率矩阵；
采用所述概率转移矩阵迭代调整所述信用概率矩阵，直到所述信用概率矩阵满足预设条件，输出所述其他节点分别对应的目标信用概率；
针对所述其他节点中的每个节点，分别执行以下步骤：
基于一个节点对应的目标信用概率以及所述一个节点对应的权重，确定所述一个节点对应的待评估用户的信用分值。
2.如权利要求1所述的方法，其特征在于，所述基于所述第一节点与所述第二节点之间的至少一条可达路径分别对应的连接边的属性值，从所述至少一条可达路径中确定可靠最短路径，以及在所述可靠最短路径下所述第一节点与所述第二节点之间的目标关系值，包括：
以所述第一节点为起点，以所述第二节点为终点对所述关系网络图进行遍历，获得所述第一节与所述第二节点之间的至少一条可达路径；
基于每条可达路径中的连接边的属性值，确定每条可达路径的候选关系值；
将所述至少一条可达路径中，最小候选关系值对应的可达路径作为可靠最短路径，并将所述最小候选关系值作为所述可靠最短路径下所述第一节点与所述第二节点之间的目标关系值。
3.如权利要求2所述的方法，其特征在于，所述基于每条路径中的连接边的属性值，确定每条可达路径的候选关系值满足以下公式(1)：
其中，表示每条可达路径的候选关系值，α为预设的概率值，
α∈[0,1]，Zα为α置信水平下标准正态分布的逆累积分布函数，r表示第一节点，s表示第二节点，i和j表示每条可达路径中任意两个节点，aij为节点i与节点j之间的连接边，A为关系网络图中的连接边集合，tij为所有aij的平均属性值,σij为所有aij的属性值标准差，
4.如权利要求1所述的方法，其特征在于，所述关系网络图包括N个节点；
所述基于获得的目标关系值，确定所述关系网络图中任意两个节点之间的传播概率，包括：
基于获得的目标关系值，构建N*N的关系值矩阵，其中，所述关系值矩阵中的每个元素表示相应的两个节点之间的目标关系值；
针对所述关系值矩阵中的第x行第y列，将第x行中N个目标关系值求和，获得第x行的总关系值，其中，1≤x≤N，1≤y≤N；
将所述关系值矩阵中第x行第y列对应的目标关系值与所述总关系值的比值，作为所述第x行第y列对应的两个节点之间的传播概率。
5.如权利要求1所述的方法，其特征在于，所述采用所述概率转移矩阵迭代调整所述信用概率矩阵，包括：
在每次迭代调整过程中，执行以下操作：
将所述概率转移矩阵与信用概率矩阵相乘，获得更新后的信用概率矩阵；
将所述更新后的信用概率矩阵中所述至少一个节点对应的信用概率，调整为所述至少一个节点对应的预设信用概率，获得参与下次迭代调整过程的信用概率矩阵。
6.一种检测用户特征的装置，其特征在于，包括：
网络图构建模块，用于基于多个待评估用户之间的关联关系，构建关系网络图，所述关系网络图中的每个节点用于表征一个待评估用户，每个连接边的属性值用于表征相应的待评估用户之间的关系值；
处理模块，用于针对任意两个节点，基于第一节点与第二节点之间的至少一条可达路径分别对应的连接边的属性值，从所述至少一条可达路径中确定可靠最短路径，以及在所述可靠最短路径下所述第一节点与所述第二节点之间的目标关系值；
预测模块，用于基于获得的目标关系值，确定所述关系网络图中任意两个节点之间的传播概率；
基于获得的传播概率构建概率转移矩阵，所述概率转移矩阵中的每个元素表示相应的两个节点之间的传播概率；
采用所述至少一个节点对应的预设信用概率以及所述其他节点分别对应的初始概率值，构建信用概率矩阵；
采用所述概率转移矩阵迭代调整所述信用概率矩阵，直到所述信用概率矩阵满足预设条件，输出所述其他节点分别对应的目标信用概率；
针对所述其他节点中的每个节点，分别执行以下步骤：
基于一个节点对应的目标信用概率以及所述一个节点对应的权重，确定所述一个节点对应的待评估用户的信用分值。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1～5任一权利要求所述方法的步骤。
8.一种计算机可读存储介质，其特征在于，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行权利要求1～5任一所述方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110951089.XA CN113689285B (zh) | 2021-08-18 | 2021-08-18 | 一种检测用户特征的方法、装置、设备及存储介质 |
| PCT/CN2022/100549 WO2023020113A1 (zh) | 2021-08-18 | 2022-06-22 | 一种检测用户特征的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110951089.XA CN113689285B (zh) | 2021-08-18 | 2021-08-18 | 一种检测用户特征的方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113689285A CN113689285A (zh) | 2021-11-23 |
| CN113689285B true CN113689285B (zh) | 2024-04-26 |
Family
ID=78580558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110951089.XA Active CN113689285B (zh) | 2021-08-18 | 2021-08-18 | 一种检测用户特征的方法、装置、设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113689285B (zh) |
| WO (1) | WO2023020113A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113689285B (zh) * | 2021-08-18 | 2024-04-26 | 深圳前海微众银行股份有限公司 | 一种检测用户特征的方法、装置、设备及存储介质 |
| CN117574177B (zh) * | 2024-01-15 | 2024-04-19 | 每日互动股份有限公司 | 一种用于用户扩线的数据处理方法、装置、介质及设备 |
| CN117575783A (zh) * | 2024-01-16 | 2024-02-20 | 中国电信股份有限公司深圳分公司 | 多维度用户信用评估方法、装置、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103678669A (zh) * | 2013-12-25 | 2014-03-26 | 福州大学 | 一种社交网络中的社区影响力评估系统及方法 |
| 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 |
| CN108694667A (zh) * | 2018-05-24 | 2018-10-23 | 中国建设银行股份有限公司 | 一种用户属性值计算方法及装置 |
| WO2019114412A1 (zh) * | 2017-12-15 | 2019-06-20 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的信用风险控制方法、装置以及设备 |
| CN110689423A (zh) * | 2019-08-22 | 2020-01-14 | 平安科技（深圳）有限公司 | 一种信用评估的方法及装置 |
| CN111199474A (zh) * | 2019-12-16 | 2020-05-26 | 北京淇瑀信息科技有限公司 | 一种基于双方网络图数据的风险预测方法、装置和电子设备 |
| CN112446777A (zh) * | 2019-09-03 | 2021-03-05 | 腾讯科技（深圳）有限公司 | 一种信用评估方法、装置、设备及存储介质 |
| CN112598496A (zh) * | 2020-12-15 | 2021-04-02 | 深圳前海微众银行股份有限公司 | 风控黑名单设置方法、装置、终端设备及可读存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2685758A1 (en) * | 2009-11-10 | 2011-05-10 | Neobanx Technologies Inc. | System and method for assessing credit risk in an on-line lending environment |
| US20140129420A1 (en) * | 2012-11-08 | 2014-05-08 | Mastercard International Incorporated | Telecom social network analysis driven fraud prediction and credit scoring |
| CN109345158A (zh) * | 2018-12-19 | 2019-02-15 | 重庆百行智能数据科技研究院有限公司 | 企业风险识别方法、装置和计算机可读存储介质 |
| CN112017024A (zh) * | 2020-07-23 | 2020-12-01 | 北京瓴岳信息技术有限公司 | 信贷风险评估方法、系统、计算机设备及存储介质 |
| CN113689285B (zh) * | 2021-08-18 | 2024-04-26 | 深圳前海微众银行股份有限公司 | 一种检测用户特征的方法、装置、设备及存储介质 |
-
2021
- 2021-08-18 CN CN202110951089.XA patent/CN113689285B/zh active Active
-
2022
- 2022-06-22 WO PCT/CN2022/100549 patent/WO2023020113A1/zh unknown
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103678669A (zh) * | 2013-12-25 | 2014-03-26 | 福州大学 | 一种社交网络中的社区影响力评估系统及方法 |
| 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 |
| WO2019114412A1 (zh) * | 2017-12-15 | 2019-06-20 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的信用风险控制方法、装置以及设备 |
| CN108694667A (zh) * | 2018-05-24 | 2018-10-23 | 中国建设银行股份有限公司 | 一种用户属性值计算方法及装置 |
| CN110689423A (zh) * | 2019-08-22 | 2020-01-14 | 平安科技（深圳）有限公司 | 一种信用评估的方法及装置 |
| CN112446777A (zh) * | 2019-09-03 | 2021-03-05 | 腾讯科技（深圳）有限公司 | 一种信用评估方法、装置、设备及存储介质 |
| CN111199474A (zh) * | 2019-12-16 | 2020-05-26 | 北京淇瑀信息科技有限公司 | 一种基于双方网络图数据的风险预测方法、装置和电子设备 |
| CN112598496A (zh) * | 2020-12-15 | 2021-04-02 | 深圳前海微众银行股份有限公司 | 风控黑名单设置方法、装置、终端设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113689285A (zh) | 2021-11-23 |
| WO2023020113A1 (zh) | 2023-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113689285B (zh) | 一种检测用户特征的方法、装置、设备及存储介质 | |
| WO2022037337A1 (zh) | 机器学习模型的分布式训练方法、装置以及计算机设备 | |
| US11694109B2 (en) | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure | |
| CN110009486B (zh) | 一种欺诈检测的方法、系统、设备及计算机可读存储介质 | |
| CN108182633B (zh) | 贷款数据处理方法、装置、计算机设备和存储介质 | |
| CN110888911A (zh) | 样本数据处理方法、装置、计算机设备及存储介质 | |
| CN110162692B (zh) | 用户标签确定方法、装置、计算机设备和存储介质 | |
| CN112989182B (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
| CN116737373A (zh) | 负载均衡方法、装置、计算机设备、存储介质 | |
| CN111028092A (zh) | 基于Louvain算法的社区发现方法、计算机设备及其可读存储介质 | |
| CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN113837878B (zh) | 一种数据比对方法、装置、设备及存储介质 | |
| CN114493674A (zh) | 一种广告点击率预测模型及方法 | |
| CN113779116A (zh) | 对象排序方法、相关设备及介质 | |
| CN111105144A (zh) | 数据处理方法、装置和目标对象风险监控方法 | |
| CN112200234B (zh) | 模型分类的过程中防止模型窃取的方法及装置 | |
| CN114579046B (zh) | 一种云存储相似数据检测方法和系统 | |
| CN115640336B (zh) | 业务大数据挖掘方法、系统及云平台 | |
| CN116777933A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
| CN117035997A (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
| CN115630973A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
| CN116756426A (zh) | 项目推荐方法、装置、计算机设备和存储介质 | |
| CN117009898A (zh) | 异常资源转移行为识别方法、装置和计算机设备 | |
| CN117917654A (zh) | 图计算方法、装置、计算机集群及计算机存储介质 | |
| CN117743674A (zh) | 资源召回方法、计算机设备及存储介质 |
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 |