CN114510650B - 一种异构社交网络风控处理方法及系统 - Google Patents

Abstract

本公开涉及一种异构社交网络风控处理方法及系统，其中该方法包括：获取多个用户数据，所述多个用户数据包括不同社交网络的用户数据；基于预设聚合指标对多个所述用户数据进行聚类处理，得到多个数据集；其中每个所述数据集包括多个所述用户数据中的部分用户数据，且每个所述数据集中的用户数据互不重合；基于多个所述数据集中的用户数据分别构建对应的多个用户关系子网络，基于多个所述用户关系子网络构建用户关系网络；基于所述用户关系网络构建风控模型，以基于所述风控模型处理用户金融交易数据。

Description

一种异构社交网络风控处理方法及系统

技术领域

本公开实施例涉及计算机技术领域，尤其涉及一种异构社交网络风控处理方法及系统。

背景技术

目前金融行业如银行业竞争变得非常激烈，如何实现客户数量的持续增长是银行业关注的重要问题之一。随着互联网金融的快速发展，其对传统银行造成可很大冲击，因此如何识别优质客户从而进行信贷风险控制是提升银行利润的关键。

传统的银行信贷风险控制，主要依靠客户在办理银行卡时所填写的申请内容例如公司信息、职业信息、学历信息等。互联网金融领域这种传统方式进行客户的信贷风险控制准确性低，使得信贷风险增加。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种异构社交网络风控处理方法及系统。

第一方面，本公开实施例提供了一种异构社交网络风控处理方法，该方法包括：

获取多个用户数据，所述多个用户数据包括不同社交网络的用户数据；

基于预设聚合指标对多个所述用户数据进行聚类处理，得到多个数据集；其中每个所述数据集包括多个所述用户数据中的部分用户数据，且每个所述数据集中的用户数据互不重合；

基于多个所述数据集中的用户数据分别构建对应的多个用户关系子网络，基于多个所述用户关系子网络串联构建用户关系网络；

基于所述用户关系网络构建风控模型，以基于所述风控模型处理用户金融交易数据。

可选的，在一个实施方案中，所述获取多个用户数据，包括：

提取不同社交网络的用户交互数据；其中所述用户交互数据包括同一社交网络内不同用户之间的交互数据和/或不同社交网络之间的用户交互数据；

所述基于预设聚合指标对多个所述用户数据进行聚类处理，得到多个数据集，包括：

基于预设聚合指标对所述同一社交网络内不同用户之间的交互数据和/或所述不同社交网络之间的用户交互数据进行聚类处理以得到多个所述数据集。

可选的，在一个实施方案中，每个所述用户关系子网络表征同类型的一组用户之间的多种关系，不同所述用户关系子网络表征的用户类型不同。

可选的，在一个实施方案中，每个所述用户关系子网络包括目标节点以及与所述目标节点具有直接交互关系的节点和/或与所述目标节点具有间接交互关系的节点，其中各个相邻节点之间的边具有相应的权重，且每个边的权重基于对应的相邻节点之间的双向交互数据确定。

可选的，在一个实施方案中，所述基于所述用户关系网络构建风控模型，以基于所述风控模型处理用户金融交易数据，包括：

基于所述用户关系网络挖掘出用户社会关系，基于所述用户社会关系获取用户金融交易数据，基于所述用户金融交易数据训练得到风控模型；

将目标用户金融交易数据输入所述风控模型，以得到该目标用户的金融交易风险预测值，在所述金融交易风险预测值大于预设值时禁止该目标用户的金融交易行为。

可选的，在一个实施方案中，该方法还包括：

获取针对所述风控模型的多个测试金融交易数据输出的测试结果，对所述测试结果进行统计得到至少一个预设指标参数值；

若所述至少一个预设指标参数值满足预设条件，则将所述风控模型确定为可用的风控模型；

若所述至少一个预设指标参数值不满足所述预设条件，则对所述风控模型进行优化处理，并返回所述获取针对所述风控模型的多个测试金融交易数据输出的测试结果的步骤，直至将优化的风控模型确定为可用的风控模型结束。

可选的，在一个实施方案中，该方法还包括：

获取不同社交网络的用户特征数据，基于所述不同社交网络的用户特征数据确定对应的用户画像片段数据；

将所述不同社交网络对应的用户画像片段数据关联融合形成用户画像数据；

基于所述用户画像数据以及所述风控模型处理用户金融交易数据。

第二方面，本公开实施例提供一种异构社交网络风控处理系统，包括：

获取模块，用于获取多个用户数据，所述多个用户数据包括不同社交网络的用户数据；

聚类模块，用于基于预设聚合指标对多个所述用户数据进行聚类处理，得到多个数据集；其中每个所述数据集包括多个所述用户数据中的部分用户数据，且每个所述数据集中的用户数据互不重合；

构建模块，用于基于多个所述数据集中的用户数据分别构建对应的多个用户关系子网络，基于多个所述用户关系子网络构建用户关系网络；

处理模块，用于基于所述用户关系网络构建风控模型，以基于所述风控模型处理用户金融交易数据。

第三方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例所述异构社交网络风控处理方法。

第四方面，本公开实施例提供一种电子设备，包括：

处理器；以及

存储器，用于存储计算机程序；

其中，所述处理器配置为经由执行所述计算机程序来执行上述任一实施例所述异构社交网络风控处理方法。

本公开实施例提供的技术方案与现有技术相比具有如下优点：

本公开实施例提供的异构社交网络风控处理方法及系统，获取多个用户数据，所述多个用户数据包括不同社交网络的用户数据；基于预设聚合指标对多个所述用户数据进行聚类处理，得到多个数据集，每个所述数据集包括多个所述用户数据中的部分用户数据，且每个所述数据集中的用户数据互不重合；基于多个所述数据集中的用户数据分别构建对应的多个用户关系子网络，基于多个所述用户关系子网络串联构建用户关系网络；基于所述用户关系网络构建风控模型，以基于所述风控模型处理用户金融交易数据。这样，本实施例通过获取不同社交网络的大量用户数据并进行聚类处理，基于聚类处理结果数据集构建多个不同的用户关系子网络，然后再基于多个不同的用户关系子网络串联构建最终的用户关系网络并据此建立风控模型，如此可以准确地发现多关系社交网络中的不同社团结构即不同的用户关系子网络表征的一组用户关系，考虑了不同社交网络中多种用户关系的相互作用以及异构网络的节点即用户间的相互影响，这些因素综合使得最终建立的用户关系网络更全面准确，从而使得建立的风控模型更加精确，由此使得在互联网金融领域进行客户的信贷风险控制准确性提高，信贷风险降低。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本公开实施例异构社交网络风控处理方法流程图；

图2为本公开另一实施例异构社交网络风控处理方法流程图；

图3为本公开又一实施例异构社交网络风控处理方法流程图；

图4为本公开实施例异构社交网络风控处理系统的示意图；

图5为本公开实施例的电子设备的示意图。

具体实施方式

为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。

应当理解，在下文中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

图1为本公开实施例的一种异构社交网络风控处理方法流程图，该方法可包括以下步骤：

步骤S101：获取多个用户数据，所述多个用户数据包括不同社交网络的用户数据。

示例性的，不同社交网络可以包括论坛、即时通讯社交网络、新闻社交网络等，例如微博、微信、B站等社交网络。本实施例中可以从这些不同的社交网络中获取用户数据如用户身份数据如身份介绍信息数据、不同用户之间的交互数据例如评论、转发、点赞等交互数据以及交易数据如购物支付数据、转账数据等，但也不限于此。

步骤S102：基于预设聚合指标对多个所述用户数据进行聚类处理，得到多个数据集；其中每个所述数据集包括多个所述用户数据中的部分用户数据，且每个所述数据集中的用户数据互不重合。

示例性的，预设聚合指标可以根据互联网金融领域的风控场景下的风险类型的不同需求设置，对此不作限制。不同风险类型对应的预设聚合指标可以不同。针对不同的风险类型，可构建不同的风控模型例如可以是反欺诈模型、反盗用模型、反作弊模型等。具体例如采用k-means聚类算法，通过k-means算法把获取的零散的用户数据聚合，根据设定的聚合指标即聚合目标把从不同社交网络获取的大量用户数据聚类到相应的目标之下。通过k-means算法，首先得到一种以用户即银行客户为维度的结果数据集，每个数据集里面包括同类的一组用户数据，例如企业普通员工这一类的一组用户数据，企业高管这一类的一组用户数据等。

步骤S103：基于多个所述数据集中的用户数据分别构建对应的多个用户关系子网络，基于多个所述用户关系子网络串联构建用户关系网络。

在一个实施例中，每个所述用户关系子网络表征同类型的一组用户之间的多种关系，不同所述用户关系子网络表征的用户类型不同。

示例性的，得到同类的一组用户数据之后，根据同类的用户数据构建一个用户关系子网络，即有了同类的一组用户数据之后，构建用户关系子网络来描述复杂系统中同类的多个个体间的多种关系。再基于构建的不同的用户关系子网络串联构建最终的用户关系网络，该用户关系网络可以准确描述复杂系统中不同类个体间的多种关系。由于异构的不同社交网络的节点之间存在着多种复杂关系，这些关系共同决定了网络中节点的社团结构划分，为了准确地发现多关系社交网络中的社团结构即用户关系子网络，本实施例中基于获取的在多关系不同社交网络的传播过程中的大量用户数据采用聚类算法处理完成多关系社交网络中的社团结构划分。具体的，例如聚类处理得到同类A的一组用户数据1、同类B的一组用户数据2、同类C（与A、B均不同）的一组用户数据3，那么可以对应构建3个用户关系子网络，再基于这3个用户关系子网络串联构建最终的用户关系网络。

在一个实施例中，每个所述用户关系子网络可包括目标节点以及与所述目标节点具有直接交互关系的节点和/或与所述目标节点具有间接交互关系的节点，其中各个相邻节点之间的边具有相应的权重，且每个边的权重基于对应的相邻节点之间的双向交互数据确定。例如目标节点与节点A1、A2、A3、A4、A5具有直接的交互关系，因此节点A1、A2、A3、A4、A5是目标节点的一度节点；节点B1、B2、B3与目标节点没有直接的交互关系而是通过A1、A2、A3与目标节点有间接的交互关系，因此节点B1、B2、B3是目标节点的二度节点；同理节点C1、C2是目标节点的三度节点，依次类推还可以有四度节点、五度节点等。相邻节点之间通过边连接，每个边具有相应的权重，权重越大表征相邻节点的用户之间的关系类型相似度越大，即最可能为同类型的用户。

示例性的，例如可以使用但不限于一个四元组G=(V,E,R,F) 模型来表示用户关系子网络：

1）V ={v1,v2,…,vm} ，表示节点的集合，m = |V | 是集合中元素的个数即节点数。

2）E ={ vh,vl |vh,vl ∈ V,1 ≤ h,l ≤ m}⊆V × V ，表示节点间边的集合。

3）R = R1 × R2 × … × Ri × … × Rn ={(r1,r2,…,ri,…,rn)|ri ∈Ri,1 ≤ i≤ n} ，Ri 表示节点间一种相互作用关系的集合，ri 表示节点间的一种相互作用关系，n 是节点间相互作用关系的总数。

其中，若 | R| ≥ 2 则表示社交网络为多关系网络。

4）映射 F: E→φ R 是边的集合 E 经过 φ 函数投影在 F中找到唯一对应的映射，表示边具有的关系类型，例如边可具有属性信息，属性信息不同则关系类型不同。

上述用户关系子网络的模型可以准确地描述多关系社交网络中的社团结构，使得建立的用户关系子网络即社团结构的划分更准确，之后将多个用户关系子网络即社团结构串联到一起构建最终的用户关系网络，使得最终建立的用户关系网络更全面准确。

步骤S104：基于所述用户关系网络构建风控模型，以基于所述风控模型处理用户金融交易数据。

示例性的，确定了用户关系网络之后，即可以基于用户关系网络构建风控模型例如信贷风险控制模型等。本实施例中基于现有大量的用户数据，借助聚类、关系网络算法构建出最终的客户关系网络，进而形成一个客户关系链风控模型，用于分析客户经济能力、负债能力、风险承受能力等。

本实施例通过获取不同社交网络的大量用户数据并进行聚类处理，基于聚类处理结果数据集构建多个不同的用户关系子网络，然后再基于多个不同的用户关系子网络串联构建最终的用户关系网络并据此建立风控模型，如此可以准确地发现多关系社交网络中的不同社团结构即不同的用户关系子网络表征的一组用户关系，其考虑了不同社交网络中多种用户关系的相互作用以及异构网络的节点即用户间的相互影响，这些因素综合使得最终建立的用户关系网络更全面准确，从而使得建立的风控模型更加精确，由此使得在互联网金融领域进行客户的信贷风险控制准确性提高，信贷风险降低。

在一个实施例中，步骤S101中获取多个用户数据，包括：提取不同社交网络的用户交互数据；其中所述用户交互数据包括同一社交网络内不同用户之间的交互数据和/或不同社交网络之间的用户交互数据。相应的，步骤S102中基于预设聚合指标对多个所述用户数据进行聚类处理，得到多个数据集，包括：基于预设聚合指标对所述同一社交网络内不同用户之间的交互数据和/或所述不同社交网络之间的用户交互数据进行聚类处理以得到多个所述数据集。本实施例的上述方案可获取同一社交网络内不同用户之间的交互数据和不同社交网络之间的用户交互数据，据此进行聚类处理以得到多个数据集，然后继续执行步骤S103-S104的步骤。这样考虑了不同社交网络之间的多种用户关系的相互作用以及同一网络内的不同用户间的相互影响，使得最终建立的用户关系网络更全面准确，从而使得建立的风控模型更加精确，由此使得在互联网金融领域进行客户的信贷风险控制准确性进一步提高，信贷风险进一步降低。

在一个实施例中，结合参考图2中所示，步骤S104中基于所述用户关系网络构建风控模型，以基于所述风控模型处理用户金融交易数据，具体可以包括以下步骤：

步骤S201：基于所述用户关系网络挖掘出用户社会关系，基于所述用户社会关系获取用户金融交易数据，基于所述用户金融交易数据训练得到风控模型。

传统的用户社会关系挖掘方式发现的社会关系如同事关系、家庭关系以及朋友关系等不够全面。本实施例中的上述方式即聚类处理构建的用户关系子网络即社团结构的划分更准确，之后将多个用户关系子网络即社团结构串联到一起构建最终的用户关系网络，使得最终建立的用户关系网络更全面准确，因此其实际可以挖掘出多关系社交网络中的隐藏信息，从而使基于上述建立的更全面准确的用户关系网络挖掘出的用户社会关系更全面。

挖掘出用户社会关系之后，获取该用户社会关系中用户之间的用户金融交易数据如转账、支付交易数据等，基于所述用户金融交易数据即样本数据对卷积神经网络进行训练得到风控模型。具体的训练过程可以参考现有技术理解。训练得到的风控模型，其输入是某个用户的用户金融交易数据，输出是该某个用户的金融交易风险预测值例如风险百分比。

步骤S202：将目标用户金融交易数据输入所述风控模型，以得到该目标用户的金融交易风险预测值，在所述金融交易风险预测值大于预设值时禁止该目标用户的金融交易行为。

示例性的，训练结束后，在一个示例实际应用场景下，将目标用户X的金融交易数据输入所述风控模型以得到该目标用户X的金融交易风险预测值如90%，在该金融交易风险预测值如90%大于预设值如75%时，禁止该目标用户X的金融交易行为。以互联网金融放贷为例，当预测的金融交易风险预测值超过预设值时，拒绝其授信申请。

本实施例中基于用户关系网络挖掘出用户社会关系，再基于所述用户社会关系获取用户金融交易数据，然后基于所述用户金融交易数据训练得到风控模型，由于建立的用户关系网络更全面准确，因此其实际可以挖掘出多关系社交网络中的隐藏信息，从而使基于上述建立的更全面准确的用户关系网络挖掘出的用户社会关系更全面，因此最终建立的风控模型的精确度进一步提高，由此使得在互联网金融领域进行客户的信贷风险控制准确性进一步提高，信贷风险进一步降低。

在上述任一实施例的基础上，于一个实施例中，该方法还可以包括以下步骤：

步骤i）：获取针对所述风控模型的多个测试金融交易数据输出的测试结果，对所述测试结果进行统计得到至少一个预设指标参数值。

示例性的，预设指标参数值用于评价风控模型的性能指标，例如可以包括预测覆盖率、预测命中率等，统计得到的这些指标参数值是否表现足够好，则是决定是否要对风控模型进行优化的重要依据。

步骤ii）：若所述至少一个预设指标参数值满足预设条件，则将所述风控模型确定为可用的风控模型。

示例性的，所有指标参数值例如预测覆盖率、预测命中率均满足预设条件如预测覆盖率大于预设值，预测命中率也大于预设值，则风控模型确定为可用的风控模型，结束训练。

步骤iii）：若所述至少一个预设指标参数值不满足所述预设条件，则对所述风控模型进行优化处理，并返回所述获取针对所述风控模型的多个测试金融交易数据输出的测试结果的步骤，直至将优化的风控模型确定为可用的风控模型结束。

示例性的，所有指标参数值例如预测覆盖率、预测命中率有任一个不满足预设条件如预测覆盖率不大于预设值，或者预测命中率不大于预设值，则对风控模型进行优化处理。具体的，例如不改变模型的输入特征，仅对模型的特征参数进行调整即优化处理，但也不限于此。通过迭代优化处理，直至所有指标参数值均满足预设条件则结束，将优化的风控模型确定为最终的可用的风控模型。

本实施例中的上述方案可进一步对风控模型进行迭代优化处理，使得最终建立的风控模型的精确度更进一步提高，由此使得在互联网金融领域进行客户的信贷风险控制准确性更进一步提高，信贷风险更进一步降低。

在上述任一实施例的基础上，于一个实施例中，参考图3中所示，该方法还可包括以下步骤：

步骤S301：获取不同社交网络的用户特征数据，基于所述不同社交网络的用户特征数据确定对应的用户画像片段数据。

示例性的，用户特征数据可以包括但不限于行为特征数据（如加班、团购行为等）、消费能力特征数据、心理特征数据（如价格敏感、品牌偏好）等。例如从社交网络1获取一个用户的用户特征数据1，从社交网络2获取该一个用户的用户特征数据2，从社交网络3获取该一个用户的用户特征数据3，基于用户特征数据1确定该一个用户的用户画像片段数据1，基于用户特征数据2确定该一个用户的用户画像片段数据2，基于用户特征数据3确定该一个用户的用户画像片段数据3。

步骤S302：将所述不同社交网络对应的用户画像片段数据关联融合形成用户画像数据。

示例性的，将上述同一个用户的用户画像片段数据1、用户画像片段数据2和用户画像片段数据3关联并融合形成该一个用户最终的用户画像数据P。对于其他用户，也是相同的处理过程，如此可以得到不同的用户的用户画像数据。传统的用户画像处理方式仅是在一个网络内获取用户数据画像，没有考虑甚至没有意识到异构的不同社交网络的用户画像融合，其得到的用户画像数据不够全面准确。本实施了中从不同的社交网络提取一个用户特征数据，据此得到用户的画像片段数据，再进行融合得到用户最终的画面数据，不同的社交网络通常有不同的用户群体特征，因此本实施的方案可以综合不同社交网络的用户特征信息画像，得到的用户画像数据相对更加全面准确。

步骤S303：基于所述用户画像数据以及所述风控模型处理用户金融交易数据。

示例性的，在确定了不同用户的用户画像数据如用户偏好，购买习惯等信息之后，基于不同用户的用户画像数据以及上述风控模型处理用户金融交易数据，可以在上述各实施例的基础上，进一步结合用户画像数据进行金融交易的风控管理，使得在互联网金融领域进行客户的例如信贷风险控制准确性更进一步提高，信贷风险更进一步降低。

可选的，在一个示例中，该方法还可以包括以下步骤：

a)：获取多个用户画像数据以及用户画像数据对应的标签信息。

b)：基于所述多个用户画像数据以及对应的标签信息，对第一预测模型和第二预测模型进行训练，获得所述第一预测模型输出的第一预测值和所述第二预测模型输出的第二预测值；其中所述第一预测模型和第二预测模型用于用户画像风险识别且具有不同的模型性能同时具有关联性。

c)：根据所述用户画像数据对应的标签信息、第一预测值以及第二预测值，对所述第一预测模型和第二预测模型的模型参数进行更新，获得所述第一预测模型对应的第一模型参数以及所述第二预测模型对应的第二模型参数。

d)：基于所述第一模型参数以及第二模型参数对所述第一预测模型和第二预测模型同时进行训练。

e)：训练结束后，基于训练得到的第一预测模型和第二预测模型对目标用户的用户画像数据分别进行处理，得到目标用户的第一预测值和第二预测值，在所述第一预测值和第二预测值均大于预设预测值时，基于所述风控模型处理目标用户的用户金融交易数据。

可以理解的是，预设预测值可以自定义设置，对此不作限制。基于所述风控模型处理目标用户的用户金融交易数据的具体过程具体参考前述实施例中的描述，此处不再赘述。

本实施例中，为了提高用户画像风险识别的识别准确性，从而提高互联网金融交易的风控管理准确性，基于对来自异构网络的用户特征数据画像融合处理得到的大量用户画像数据，对用户画像风险识别模型进行训练，第一预测模型和第二预测模型具有不同的模型性能如一个具有较好的拟合性能而另一个具有较强的鲁棒性，同时具有关联性；两个模型同时训练，且训练过程中的数据如第一预测值和第二预测值同时输入第一预测模型和第二预测模型进行模型参数调整，也即互相关联训练，这样整体上使得训练得到的第一预测模型和第二预测模型对用户画像风险识别的识别准确性大大提高，进而可以进一步提高互联网金融交易的风控管理准确性。

在一个示例性场景中，通过上述客户关系网络构建风控模型，夯实了反欺诈数据基础，降低互联网金融信贷风险。一个示例应用中，全年共审批贷款658.58万笔，审批金额1770.42亿元，其中通过授信428.67万笔，通过授信额度1353.00亿元，平均审批通过率65.09%；有效拒绝了授信申请229.91万笔，拒绝额度417.42亿元。

需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。另外，也易于理解的是，这些步骤可以是例如在多个模块/进程/线程中同步或异步执行。

如图4所示，本公开实施例提供一种异构社交网络风控处理系统，该异构社交网络风控处理系统包括：

获取模块401，用于获取多个用户数据，所述多个用户数据包括不同社交网络的用户数据；

聚类模块402，用于基于预设聚合指标对多个所述用户数据进行聚类处理，得到多个数据集；其中每个所述数据集包括多个所述用户数据中的部分用户数据，且每个所述数据集中的用户数据互不重合；

构建模块403，用于基于多个所述数据集中的用户数据分别构建对应的多个用户关系子网络，基于多个所述用户关系子网络构建用户关系网络；

处理模块404，用于基于所述用户关系网络构建风控模型，以基于所述风控模型处理用户金融交易数据。

本实施例通过获取不同社交网络的大量用户数据并进行聚类处理，基于聚类处理结果数据集构建多个不同的用户关系子网络，然后再基于多个不同的用户关系子网络串联构建最终的用户关系网络并据此建立风控模型，如此可以准确地发现多关系社交网络中的不同社团结构即不同的用户关系子网络表征的一组用户关系，考虑了不同社交网络中多种用户关系的相互作用以及异构网络的节点即用户间的相互影响，这些因素综合使得最终建立的用户关系网络更全面准确，从而使得建立的风控模型更加精确，由此使得在互联网金融领域进行客户的信贷风险控制准确性提高，信贷风险降低。

在一个实施例中，所述获取模块，具体用于：提取不同社交网络的用户交互数据；其中所述用户交互数据包括同一社交网络内不同用户之间的交互数据和/或不同社交网络之间的用户交互数据。相应的，所述聚类模块，用于基于预设聚合指标对所述同一社交网络内不同用户之间的交互数据和/或所述不同社交网络之间的用户交互数据进行聚类处理以得到多个所述数据集。

在一个实施例中，每个所述用户关系子网络表征同类型的一组用户之间的多种关系，不同所述用户关系子网络表征的用户类型不同。

在一个实施例中，每个所述用户关系子网络包括目标节点以及与所述目标节点具有直接交互关系的节点和/或与所述目标节点具有间接交互关系的节点，其中各个相邻节点之间的边具有相应的权重，且每个边的权重基于对应的相邻节点之间的双向交互数据确定。

在一个实施例中，所述处理模块基于所述用户关系网络构建风控模型，以基于所述风控模型处理用户金融交易数据，包括：基于所述用户关系网络挖掘出用户社会关系，基于所述用户社会关系获取用户金融交易数据，基于所述用户金融交易数据训练得到风控模型；将目标用户金融交易数据输入所述风控模型，以得到该目标用户的金融交易风险预测值，在所述金融交易风险预测值大于预设值时禁止该目标用户的金融交易行为。

在一个实施例中，该系统还可包括优化模块，用于：获取针对所述风控模型的多个测试金融交易数据输出的测试结果，对所述测试结果进行统计得到至少一个预设指标参数值；若所述至少一个预设指标参数值满足预设条件，则将所述风控模型确定为可用的风控模型；若所述至少一个预设指标参数值不满足所述预设条件，则对所述风控模型进行优化处理，并返回所述获取针对所述风控模型的多个测试金融交易数据输出的测试结果的步骤，直至将优化的风控模型确定为可用的风控模型结束。

在一个实施例中，该系统还可包括画像模块，用于获取不同社交网络的用户特征数据，基于所述不同社交网络的用户特征数据确定对应的用户画像片段数据；将所述不同社交网络对应的用户画像片段数据关联融合形成用户画像数据；相应的，所述处理模块还用于基于所述用户画像数据以及所述风控模型处理用户金融交易数据。

可选的，在一个示例中，该系统还可以包括训练模块，用于：获取多个用户画像数据以及用户画像数据对应的标签信息；基于所述多个用户画像数据以及对应的标签信息，对第一预测模型和第二预测模型进行训练，获得所述第一预测模型输出的第一预测值和所述第二预测模型输出的第二预测值；其中所述第一预测模型和第二预测模型用于用户画像风险识别且具有不同的模型性能同时具有关联性；根据所述用户画像数据对应的标签信息、第一预测值以及第二预测值，对所述第一预测模型和第二预测模型的模型参数进行更新，获得所述第一预测模型对应的第一模型参数以及所述第二预测模型对应的第二模型参数；基于所述第一模型参数以及第二模型参数对所述第一预测模型和第二预测模型同时进行训练。所述处理模块还用于在训练模块训练结束后，基于训练得到的第一预测模型和第二预测模型对目标用户的用户画像数据分别进行处理，得到目标用户的第一预测值和第二预测值，在所述第一预测值和第二预测值均大于预设预测值时，基于所述风控模型处理目标用户的用户金融交易数据。

关于上述实施例中的系统，其中各个模块执行操作的具体方式以及带来的相应技术效果已经在有关该方法的实施例中进行了对应的详细描述，此处将不做详细阐述说明。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。作为模块或单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现木公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项实施例所述异构社交网络风控处理方法。

示例性的，该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。

本公开实施例还提供一种电子设备，包括处理器以及存储器，存储器用于存储计算机程序。其中，所述处理器配置为经由执行所述计算机程序来执行上述任一项实施例中异构社交网络风控处理方法。

下面参照图5来描述根据本发明的这种实施方式的电子设备600。图5显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件（包括存储单元620和处理单元610）的总线630、显示单元640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610执行，使得所述处理单元610执行本说明书上述方法实施例部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示方法的步骤。

所述存储单元620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）6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元（ROM）6203。

所述存储单元620还可以包括具有一组（至少一个）程序模块6205的程序/实用工具6204，这样的程序模块6205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630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600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600交互的设备通信，和/或与使得该电子设备600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650进行。并且，电子设备600还可以通过网络适配器660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660可以通过总线630与电子设备600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600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，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各实施例的异构社交网络风控处理方法步骤。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种异构社交网络风控处理方法，其特征在于，该方法包括：

获取多个用户数据，所述多个用户数据包括不同社交网络的用户数据；

基于预设聚合指标对多个所述用户数据进行聚类处理，得到多个数据集；其中每个所述数据集包括多个所述用户数据中的部分用户数据，且每个所述数据集中的用户数据互不重合；

基于多个所述数据集中的用户数据分别构建对应的多个用户关系子网络，基于多个所述用户关系子网络串联构建用户关系网络，基于所述用户关系网络构建风控模型；

获取不同社交网络的用户特征数据，基于所述不同社交网络的用户特征数据确定对应的用户画像片段数据；将所述不同社交网络对应的用户画像片段数据关联融合形成用户画像数据；

基于所述用户画像数据以及所述风控模型处理用户金融交易数据，具体包括：

基于训练得到的第一预测模型和第二预测模型对目标用户的用户画像数据分别进行处理，得到目标用户的第一预测值和第二预测值，在所述第一预测值和第二预测值均大于预设预测值时，基于所述风控模型处理目标用户的用户金融交易数据；其中，所述第一预测模型和第二预测模型的训练过程如下：

获取多个用户画像数据以及用户画像数据对应的标签信息；

基于所述多个用户画像数据以及对应的标签信息，对第一预测模型和第二预测模型进行训练，获得所述第一预测模型输出的第一预测值和所述第二预测模型输出的第二预测值；其中所述第一预测模型和第二预测模型用于用户画像风险识别且具有不同的模型性能同时具有关联性；

根据所述用户画像数据对应的标签信息、第一预测值以及第二预测值，对所述第一预测模型和第二预测模型的模型参数进行更新，获得所述第一预测模型对应的第一模型参数以及所述第二预测模型对应的第二模型参数；

基于所述第一模型参数以及第二模型参数对所述第一预测模型和第二预测模型同时进行训练。

2.根据权利要求1所述的方法，其特征在于，所述获取多个用户数据，包括：

提取不同社交网络的用户交互数据；其中所述用户交互数据包括同一社交网络内不同用户之间的交互数据和/或不同社交网络之间的用户交互数据；

所述基于预设聚合指标对多个所述用户数据进行聚类处理，得到多个数据集，包括：

基于预设聚合指标对所述同一社交网络内不同用户之间的交互数据和/或所述不同社交网络之间的用户交互数据进行聚类处理以得到多个所述数据集。

3.根据权利要求1或2所述的方法，其特征在于，每个所述用户关系子网络表征同类型的一组用户之间的多种关系，不同所述用户关系子网络表征的用户类型不同。

4.根据权利要求3所述的方法，其特征在于，每个所述用户关系子网络包括目标节点以及与所述目标节点具有直接交互关系的节点和/或与所述目标节点具有间接交互关系的节点，其中各个相邻节点之间的边具有相应的权重，且每个边的权重基于对应的相邻节点之间的双向交互数据确定。

5.根据权利要求4所述的方法，其特征在于，所述基于所述用户关系网络构建风控模型，包括：

基于所述用户关系网络挖掘出用户社会关系，基于所述用户社会关系获取用户金融交易数据，基于所述用户金融交易数据训练得到风控模型；

所述基于所述风控模型处理目标用户的用户金融交易数据，包括：

将目标用户的用户金融交易数据输入所述风控模型，以得到该目标用户的金融交易风险预测值，在所述金融交易风险预测值大于预设值时禁止该目标用户的金融交易行为。

6.根据权利要求5所述的方法，其特征在于，该方法还包括：

获取针对所述风控模型的多个测试金融交易数据输出的测试结果，对所述测试结果进行统计得到至少一个预设指标参数值；

若所述至少一个预设指标参数值满足预设条件，则将所述风控模型确定为可用的风控模型；

若所述至少一个预设指标参数值不满足所述预设条件，则对所述风控模型进行优化处理，并返回所述获取针对所述风控模型的多个测试金融交易数据输出的测试结果的步骤，直至将优化的风控模型确定为可用的风控模型结束。

7.一种异构社交网络风控处理系统，其特征在于，包括：

获取模块，用于获取多个用户数据，所述多个用户数据包括不同社交网络的用户数据；

聚类模块，用于基于预设聚合指标对多个所述用户数据进行聚类处理，得到多个数据集；其中每个所述数据集包括多个所述用户数据中的部分用户数据，且每个所述数据集中的用户数据互不重合；

构建模块，用于基于多个所述数据集中的用户数据分别构建对应的多个用户关系子网络，基于多个所述用户关系子网络构建用户关系网络，基于所述用户关系网络构建风控模型；

画像模块，用于获取不同社交网络的用户特征数据，基于所述不同社交网络的用户特征数据确定对应的用户画像片段数据；将所述不同社交网络对应的用户画像片段数据关联融合形成用户画像数据；

处理模块，用于基于所述用户画像数据以及所述风控模型处理用户金融交易数据，具体包括：

基于训练得到的第一预测模型和第二预测模型对目标用户的用户画像数据分别进行处理，得到目标用户的第一预测值和第二预测值，在所述第一预测值和第二预测值均大于预设预测值时，基于所述风控模型处理目标用户的用户金融交易数据；其中，所述第一预测模型和第二预测模型的训练过程如下：

获取多个用户画像数据以及用户画像数据对应的标签信息；

基于所述多个用户画像数据以及对应的标签信息，对第一预测模型和第二预测模型进行训练，获得所述第一预测模型输出的第一预测值和所述第二预测模型输出的第二预测值；其中所述第一预测模型和第二预测模型用于用户画像风险识别且具有不同的模型性能同时具有关联性；

根据所述用户画像数据对应的标签信息、第一预测值以及第二预测值，对所述第一预测模型和第二预测模型的模型参数进行更新，获得所述第一预测模型对应的第一模型参数以及所述第二预测模型对应的第二模型参数；

基于所述第一模型参数以及第二模型参数对所述第一预测模型和第二预测模型同时进行训练。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1~6任一项所述异构社交网络风控处理方法。

9.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储计算机程序；

其中，所述处理器配置为经由执行所述计算机程序来执行权利要求1~6任一项所述异构社交网络风控处理方法。

Images