CN116012161A - 一种用户群体的风险分析方法、装置及设备 - Google Patents

Abstract

本说明书实施例公开了一种用户群体的风险分析方法、装置及设备，该方法包括：获取目标用户群体对应的风险群体关系图，其中的节点表示目标用户群体中的用户，其中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接；确定每个节点在拉力、推力和向心引力的合力的作用下的移动距离，基于每个节点的初始位置和移动距离，确定每个节点的当前位置；确定每个节点的当前位置对应的位置偏差，并基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置，进而对风险群体关系图中的节点进行密度聚类处理，得到聚类簇，从而确定目标用户群体对应的风险群体分析结果。

Description

一种用户群体的风险分析方法、装置及设备

技术领域

本文件涉及计算机技术领域，尤其涉及一种用户群体的风险分析方法、装置及设备。

背景技术

风险群体分析是可疑交易智能审理中一个重要环节，可以有效地发现交易过程中的风险。因此如何快速分析出可疑率更高的风险群体，是当前急需解决的问题。

现有的风险群体分析方式一般是通过社区发现算法得到多个社区，在确定社区的过程中会存在风险群体连接紧密性的问题，例如一个大的社区可能由几个小风险群体(或小的社区)组成，或者大的社区中存在很多的链状结构，从而使得风险群体分析的准确度差，然而要想产生更加优秀的社区切分效果，就需要迭代足够多的次数，使社区中的每个成员都收敛到一个稳定位置。通常可以通过设置固定的迭代次数来使社区中的每个成员收敛，但是，如果迭代次数过大，将会运行更多的时间，在数据量较大的情况下将增加数据产出时间，而如果迭代次数过少，则可能社区中的很多成员还未收敛，便进行后续的社区切分处理，从而使得切分效果差，为此，需要提供一种每次进行风险群体分析时总能迭代合适的次数，从而使得布局算法的时间复杂度与布局的准确度上均有较大的提升的技术方案。

发明内容

本说明书实施例的目的是提供一种每次进行风险群体分析时总能迭代合适的次数，从而使得布局算法的时间复杂度与布局的准确度上均有较大的提升的技术方案。

为了实现上述技术方案，本说明书实施例是这样实现的：

本说明书实施例提供的一种用户群体的风险分析方法，所述方法包括：获取目标用户群体对应的风险群体关系图，所述风险群体关系图中的节点表示所述目标用户群体中的用户，所述风险群体关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接。基于每个节点的拉力、推力和向心引力，确定每个节点在所述拉力、所述推力和所述向心引力的作用下的合力的作用下的移动距离，基于每个节点的初始位置和所述移动距离，确定每个节点的当前位置。基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，并基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置。基于每个节点的最终位置，对所述风险群体关系图中的节点进行基于密度的聚类处理，得到至少一个聚类簇，并基于所述聚类簇，确定所述目标用户群体对应的风险群体分析结果。

本说明书实施例提供的一种用户群体的风险分析装置，所述装置包括：图获取模块，获取目标用户群体对应的风险群体关系图，所述风险群体关系图中的节点表示所述目标用户群体中的用户，所述风险群体关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接。位置确定模块，基于每个节点的拉力、推力和向心引力，确定每个节点在所述拉力、所述推力和所述向心引力的作用下的合力的作用下的移动距离，基于每个节点的初始位置和所述移动距离，确定每个节点的当前位置。迭代模块，基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，并基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置。聚类模块，基于每个节点的最终位置，对所述风险群体关系图中的节点进行基于密度的聚类处理，得到至少一个聚类簇，并基于所述聚类簇，确定所述目标用户群体对应的风险群体分析结果。

本说明书实施例提供的一种用户群体的风险分析设备，所述用户群体的风险分析设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取目标用户群体对应的风险群体关系图，所述风险群体关系图中的节点表示所述目标用户群体中的用户，所述风险群体关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接。基于每个节点的拉力、推力和向心引力，确定每个节点在所述拉力、所述推力和所述向心引力的作用下的合力的作用下的移动距离，基于每个节点的初始位置和所述移动距离，确定每个节点的当前位置。基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，并基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置。基于每个节点的最终位置，对所述风险群体关系图中的节点进行基于密度的聚类处理，得到至少一个聚类簇，并基于所述聚类簇，确定所述目标用户群体对应的风险群体分析结果。

本说明书实施例还提供了一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：获取目标用户群体对应的风险群体关系图，所述风险群体关系图中的节点表示所述目标用户群体中的用户，所述风险群体关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接。基于每个节点的拉力、推力和向心引力，确定每个节点在所述拉力、所述推力和所述向心引力的作用下的合力的作用下的移动距离，基于每个节点的初始位置和所述移动距离，确定每个节点的当前位置。基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，并基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置。基于每个节点的最终位置，对所述风险群体关系图中的节点进行基于密度的聚类处理，得到至少一个聚类簇，并基于所述聚类簇，确定所述目标用户群体对应的风险群体分析结果。

附图说明

为了更清楚地说明本说明书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，下面描述中的附图仅仅是本说明书中记载的一些实施例，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为本说明书一种用户群体的风险分析方法实施例；

图2为本说明书另一种用户群体的风险分析方法实施例；

图3为本说明书一种风险群体关系图的示意图；

图4为本说明书一种力导向布局算法中可反馈算法过程的示意图；

图5A为本说明书一种数量为4人的风险群体进行每一次迭代位置方差的示意图；

图5B为本说明书一种数量为10人的风险群体进行每一次迭代位置方差的示意图；

图5C为本说明书一种数量为20人的风险群体进行每一次迭代位置方差的示意图；

图6为本说明书一种用户群体的风险分析装置实施例；

图7为本说明书一种用户群体的风险分析设备实施例。

具体实施方式

本说明书实施例提供一种用户群体的风险分析方法、装置及设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

实施例一

如图1所示，本说明书实施例提供一种用户群体的风险分析方法，该方法的执行主体可以为终端设备或服务器，其中，该终端设备可以如手机、平板电脑等一定终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为IoT设备(具体如智能手表、车载设备等)等。该服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。本实施例中以服务器为例进行详细说明，对于终端设备的执行过程可以参见下述相关内容，在此不再赘述。该方法具体可以包括以下步骤：

在步骤S102中，获取目标用户群体对应的风险群体关系图，该风险群体关系图中的节点表示目标用户群体中的用户，该风险群体关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接。

其中，目标用户群体可以是可疑用户构成的群体，可疑用户的群体可以是实施了可疑行为或者不合规定行为的用户形成的群体，例如，目标用户群体可以由存在指定风险(具体如欺诈风险等)的用户构成的群体，或者，目标用户群体可以由存在指定风险(具体如欺诈风险等)的用户和不存在上述指定风险的用户(或可能存在上述指定风险的用户)构成的群体等，具体可以根据实际情况设定，本说明书实施例对此不做限定。风险群体关系图可以是图结构的数据，具体可以是图Graph，也可以是知识图谱等，风险群体关系图可以由节点和边构成，节点可以表示与目标用户群体中的用户相关的信息，该与目标用户群体中的用户相关的信息可以是能够表征该用户的信息，例如，具体可以是用户的账户信息、用户的昵称或用户的编码等，具体可以根据实际情况设定，本说明书实施例对此不做限定。预设关联逻辑可以包括多种，例如，好友关系、业务联系、地理区域联系、工作联系、转账关系或信息交互关系(具体如文字聊天、语音聊天或视频聊天关系等)，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在实施中，风险群体分析是可疑交易智能审理中一个重要环节，可以有效地发现交易过程中的风险。因此如何快速分析出可疑率更高的风险群体，是当前急需解决的问题。现有的风险群体分析方式一般是通过社区发现算法得到多个社区，在确定社区的过程中会存在风险群体连接紧密性的问题，例如一个大的社区可能由几个小风险群体(或小的社区)组成，或者大的社区中存在很多的链状结构，从而使得风险群体分析的准确度差，然而要想产生更加优秀的社区切分效果，就需要迭代足够多的次数，使社区中的每个成员都收敛到一个稳定位置。通常可以通过设置固定的迭代次数来使社区中的每个成员收敛，但是，如果迭代次数过大，将会运行更多的时间，在数据量较大的情况下将增加数据产出时间，而如果迭代次数过少，则可能社区中的很多成员还未收敛，便进行后续的社区切分处理，从而使得切分效果差，为此，需要提供一种每次进行风险群体分析时总能迭代合适的次数，从而使得布局算法的时间复杂度与布局的准确度上均有较大的提升的技术方案。本说明书实施例提供一种可实现的处理方式，具体可以包括以下内容：

当需要对某用户群体(即目标用户群体)进行风险群体分析时，可以确定用户群体所对应的业务，然后，可以从确定的业务中获取相应的业务数据，可以对该业务数据进行分析，可以将用户群体中的用户作为节点，并可以确定其中包含的能够表征节点的信息(具体如账户、用户标识等)和不同节点之间的关联关系等，具体如，用户A存在欺诈风险，用户B与用户A之间存在频繁的信息交互关系，则用户A和用户B分别是两个不同的节点，此外，基于上述两个节点之间存在的信息交互关系，还可以包括用户A与用户B之间的边(可以表示为“信息交互”)，由于用户A存在欺诈风险，而用户B与用户A之间存在较好的联系，因此，用户B也很可能存在欺诈风险，用户A与用户B很可能属于同一个风险群体，通过上述方式，可以分析目标用户群体中每个用户的信息和不同用户之间的关联信息，进而构建相应的风险群体关系图。

或者，目标用户群体对应的风险群体关系图已通过指定的方式构建完成，并被存储在指定的存储区域，此时，可以获取风险群体关系图的存储区域，可以从该存储区域获取风险群体关系图，此外，还可以通过多种不同的方式获取目标用户群体对应的风险群体关系图，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在步骤S104中，基于每个节点的拉力、推力和向心引力，确定每个节点在拉力、推力和向心引力的作用下的合力的作用下的移动距离，基于每个节点的初始位置和该移动距离，确定每个节点的当前位置。

其中，拉力可以通过多种不同的方式确定，例如，可以通过应力公式、力矩公式或胡克定律公式确定节点的拉力，此外，其中的拉力可以设置于风险群体关系图中的每个节点，也可以设置于风险群体关系图中的部分节点，也即是风险群体关系图中的每个节点均可以通过上述公式计算得到相应的拉力，或者，风险群体关系图中的部分节点可以通过上述公式计算得到相应的拉力，剩余部分的节点的拉力可以为0，具体可以根据实际情况设定，本说明书实施例对此不做限定。推力也可以通过多种不同的方式确定，例如，推力可以是与节点之间的距离的平方正相关，或者，推力可以通过库伦定律公式确定，此外，其中的推力可以设置于风险群体关系图中的每个节点，也可以设置于风险群体关系图中的部分节点，也即是风险群体关系图中的每个节点均可以通过上述公式计算得到相应的推力，或者，风险群体关系图中的部分节点可以通过上述公式计算得到相应的推力，剩余部分的节点的推力可以为0，具体可以根据实际情况设定，本说明书实施例对此不做限定。向心引力可以通过多种不同的方式确定，例如，可以通过万有引力公式、向心力公式等确定节点的向心引力，此外，其中的向心引力可以设置于风险群体关系图中的每个节点，也可以设置于风险群体关系图中的部分节点，也即是风险群体关系图中的每个节点均可以通过上述公式计算得到相应的向心引力，或者，风险群体关系图中的部分节点可以通过上述公式计算得到相应的向心引力，剩余部分的节点的向心引力可以为0，具体可以根据实际情况设定，本说明书实施例对此不做限定。初始位置可以是通过平面直接坐标系确定的二维坐标的位置，也可以是通过三维坐标系确定的三维坐标的位置等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在实施中，可以通过指定的方式分别获取每个节点的拉力、推力和向心引力，针对每个节点的拉力、推力和向心引力，计算每个节点所受到的合力(即拉力、推力和向心引力三者的作用下产生的合力)。每个节点在相应的合力的作用下会进行移动，并在到达指定的时间点时，每个节点会移动一定的距离(即移动距离)。此外，可以根据实际情况预先设定每个节点的初始位置，然后，可以从每个节点的初始位置开始，移动相应的节点达到相应的移动距离，到达新的位置，即每个节点的当前位置。

在步骤S106中，基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，并基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置。

其中，位置偏差可以通过多种不同的方式确定，例如，可以通过迭代过程中的反馈量确定相应的位置偏差，或者，也可以通过不同时刻的位置的差值作为相应的位置偏差，或者，还可以通过不同时刻的位置的方差确定相应的位置偏差，具体可以根据实际情况设定，本说明书实施例对此不做限定。参考位置偏差可以是预先设定，也可以是根据指定的方式计算得到，具体可以根据实际情况设定。

在实施中，通过上述方式可以得到每个节点的当前位置，然后，可以获取当前位置对应的时刻之前的一个或多个不同的时刻，并确定在获取的每个时刻每个节点所在的位置，可以计算当前位置与确定的位置之间的差值，可以基于计算得到的差值确定每个节点的当前位置对应的位置偏差。可以将每个节点的当前位置对应的位置偏差与相应的该节点对应的参考位置偏差进行比较，如果两者匹配，则可以确定需要迭代更新每个节点的当前位置，如果两者不匹配，则可以确定停止迭代更新每个节点的当前位置，通过上述不断迭代计算，可以得到每个节点的最终位置。

需要说明的是，上述处理方式仅是其中的一种可实现的处理方式，在实际应用中，除了可以通过上述方式实现外，还可以通过多种不同的方式实现，如可以通过迭代过程中的反馈量确定相应的位置偏差，或者，也可以通过不同时刻的位置的方差确定相应的位置偏差等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在步骤S108中，基于每个节点的最终位置，对上述风险群体关系图中的节点进行基于密度的聚类处理，得到至少一个聚类簇，并基于该聚类簇，确定目标用户群体对应的风险群体分析结果。

在实施中，可以根据实际情况预先设定聚类算法，具体如力导向算法、K均值聚类算法、密度聚类算法和密度峰值聚类算法中的一项或多项。通过上述方式得到每个节点的最终位置后，可以采用上述设定的聚类算法对上述风险群体关系图中的节点进行基于密度的聚类处理，经过聚类处理可以将目标用户群体划分为至少一个聚类簇(即相对较小的用户群体)，可以将得到的聚类簇作为一个类别，从而可以得到至少一个类别的聚类簇的风险群体分析结果，即目标用户群体对应的风险群体分析结果。

本说明书实施例提供一种用户群体的风险分析方法，通过获取目标用户群体对应的风险群体关系图，风险群体关系图中的节点表示目标用户群体中的用户，风险群体关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接，然后，可以确定每个节点在拉力、推力和向心引力的作用下的合力的作用下的移动距离，并基于每个节点的初始位置和移动距离，确定每个节点的当前位置，可以基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，并基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置，最终，可以基于每个节点的最终位置，对风险群体关系图中的节点进行基于密度的聚类处理，得到至少一个聚类簇，并基于该聚类簇，确定目标用户群体对应的风险群体分析结果，这样，提出了一种基于位置偏差的计算复杂度与布局准确度的优化方式，从而可以使得每次进行位置迭代时总能迭代合适的次数，进而使得布局算法的时间复杂度与布局的准确度上有较大的提升，可以有效提高风险群体的成团率与准确率。

实施例二

如图2所示，本说明书实施例提供一种用户群体的风险分析方法，该方法的执行主体可以为终端设备或服务器，其中，该终端设备可以如手机、平板电脑等一定终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为IoT设备(具体如智能手表、车载设备等)等。该服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。本实施例中以服务器为例进行详细说明，对于终端设备的执行过程可以参见下述相关内容，在此不再赘述。该方法具体可以包括以下步骤：

在步骤S202中，获取用户的用户信息和业务信息。

其中，用户信息可以是用户的个人信息，具体如用户的姓名、能够证明其身份的证件号码、位置、手机号码等，具体可以根据实际情况设定，此外，针对不同的业务，所需要的用户信息可以不同，例如在进行身份认证业务时，所需要的用户信息包括用户的面部图像，而在信息推荐业务中，所需要的用户信息可以不包括用户的面部图像等。业务信息可以包括业务类型(如资金周转业务、商品交易业务等)、是否涉及交易、交易金额、交易类型(如餐饮交易、教育交易、理财交易等)、交易双方的性质(如个人、公司)等信息。

在实施中，本实施例中的风险群体分析可以是针对指定的业务，例如支付业务、转账业务等金融类业务，也可以是针对即时通讯类业务等，具体可以根据实际情况设定。上述指定的业务可以对应有业务平台，可以从该业务平台中获取用户信息和业务信息，其中，用户在业务平台办理指定的业务之前，能够接收到业务平台发送的信息授权申请，该信息授权申请用于提示用户，该用户在该业务平台的用户信息和业务信息将会被授权给风险群体分析方。在用户确认信息授权申请，即用户同意将其在该业务平台的用户信息和业务信息授权给风险群体分析方之后，该用户可以在该业务平台办理指定的业务。

在步骤S204中，基于上述用户信息和上述业务信息，构建全量网络关系图，全量网络关系图中的节点表示用户，全量网络关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接。

其中，预设关联逻辑可以是任何类型的关联，具体如用户之间的交易联系、业务联系、地理区域联系、工作联系等。

在实施中，可以对获取的用户信息进行分析，确定能够表征用户的信息，例如可以使用某一项用户信息表征该用户，或者，可以根据预设算法对多项不同的用户信息进行融合计算，得到的结果表征该用户等，具体可以根据实际情况设定。然后，可以基于确定的用户信息构建全量网络关系图中的节点。可以通过用户信息和业务信息构建全量网络关系图中两个节点之间的边。

在步骤S206中，筛选全量网络关系图中符合预设筛选条件的目标节点，得到目标用户群体。

在实施中，筛选全量网络关系图中符合预设筛选条件的目标节点，可以通过多种不同的方式实现，例如，首先，可以确定全量网络关系图中的指定节点，具体地，可以通过用户的用户信息和业务信息判定该用户是否为可疑用户，可以将判定的可疑用户作为指定节点。比如，在金融业务场景下，用户的用户信息中包括该用户的用户ID和该用户所处地理位置信息，业务信息包括多笔交易金额、交易类型均为理财交易、收款方的性质为个人，由于理财交易的收款方一般为公司或机构，因此基于该用户的用户信息和业务信息可判定该用户的多次交易比较可疑，即该用户为可疑用户(可以作为指定节点)。然后，可以按照预设搜索深度，搜索全量网络关系图中与指定节点连接的第一节点，具体地，搜索深度可以根据实际的业务场景设定，例如设定搜索深度为1度、2度、3度等，如果搜索深度为1度，则说明需要搜索全量网络关系图中直接与指定节点连接的节点，并将其作为第一节点，如果搜索深度为2度，则说明需要搜索全量网络关系图中直接与指定节点连接的中间节点，以及搜索全量网络关系图中直接与中间节点连接的节点，并将中间节点和直接与中间节点连接的节点作为第一节点，依此类推。最后，可以将搜索得到的第一节点确定为目标节点，具体地，通过搜索全量网络关系图中与预先确定出的指定节点之间存在n度(n为大于或等于1的正整数)连接的节点，作为第一节点，如果指定节点为可疑用户，则搜索得到的所有第一节点均是与可疑用户之间存在关联的用户，上述用户在一定程度上也有可能是可疑用户，从而可以准确且高效地筛选出与指定节点性质一致(比如都是可疑用户)的用户群体。

再例如，首先，可以将全量网络关系图中的节点输入预先训练的目标模型中，以使目标模型对节点进行打分，并输出节点对应的分数，具体地，在训练目标模型的过程中，可以将某用户的相关信息(可以为用户信息和业务信息)作为样本数据，并将该样本数据作为输入数据，样本数据对应的分数作为输出数据，其中，样本数据的标签信息可以分数，可以通过计算样本数据的标签信息的分数和输出数据之间的损失函数，训练目标模型的模型参数，直至损失函数收敛。可选地，样本数据可以包括正样本数据(如可疑用户的相关信息)和负样本数据(如正常用户的相关信息)。然后，在节点对应的分数大于或等于预设阈值的情况下，确定该节点为目标节点。通过上述方式，由于模型处理得到的结果准确度较高，因此通过预先训练的目标模型对全量网络关系图中的用户进行打分，能够较为准确地确定出定性的用户群体(如可疑用户的群体)。

需要说明的是，通过上述方式实现筛选全量网络关系图中符合预设筛选条件的目标节点之后，可以通过去热点和/或排白操作，去除目标节点中明显不同于其它节点的节点。其中，去热点可以是将目标节点中出入度非常大的用户去除，例如，商场、超市、银行的用户，由于其涉及的用户和交易均较多，因此容易被筛选为目标节点，同理，排白操作可以是将已知结论的不可疑的用户去除。

上述仅提供了两种可实现的方式，在实际应用中，还可以包括多种不同的实现方式，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在步骤S208中，基于目标用户群体，确定目标网络关系图。

在实施中，通过上述方式确定出目标用户群体后，可以对目标用户群体进行分析，可以基于分析结果确定出目标网络关系图，具体可以以目标用户群体中的用户为目标网络关系图的节点，并根据两个用户之间的关联关系确定目标网络关系图中各节点之间的边，最终可以形成包含节点和边的目标网络关系图。

在步骤S210中，基于社区发现算法对目标网络关系图进行聚类处理，得到风险群体关系图，风险群体关系图中的节点表示目标用户群体中的用户，风险群体关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接。

其中，目标网络关系图是目标用户群体所对应的图，各用户之间的连接并不紧密，因此，通过聚类处理后，得到的风险群体关系图的个数可以大于目标网络关系图的个数，例如，1个目标网络关系图通过聚类处理后，可以得到3个风险群体关系等。社区发现算法具体可以是louvain社区发现算法等。

在实施中，对于一个包括n个节点的目标网络关系图，可以描述为如下所示的点边二元组，即：

其中，G为目标网络关系图，N为目标网络关系图中的节点集合，node_i为目标网络关系图中的第i个节点，E为目标网络关系图中的边集合，edge_jknode_jk表示如果目标网络关系图中第j个节点和第k个节点相连接，则edge_jk表示第j个节点和第k个节点之间的边。此外，目标网络关系图中的边可以描述为左节点、右节点、连接权重三元组，即：

edge_jk＝[node_jode_kcore]。

其中，连接权重score可以根据实际情况设定，例如，在金融业务场景下，可以使用用户在最近的30天交易的自然对数结果作为连接权重等。

基于上述处理，可以首先将目标网络关系图中的每一节点分别作为一个社区。然后，针对目标网络关系图中的每一节点，可以尝试把该节点依次分配到每一相邻节点所在社区，并计算分配前与分配后的模块度(可以用于确定两个节点处于同一社区)变化值，确定出最大模块度变化值，如果最大模块度变化值大于0，则将该节点分配到最大模块度变化值对应的社区。最后，可以将每一社区所有节点压缩为一个新节点，将社区内各节点的权重转化为新节点的环的权重，将社区间的边的权重转化为对应的新节点间的边的权重，具体地，可以通过将用户信息和业务信息构建相应的图，由于图能够清楚地反映用户之间的关联，因此有利于后续通过图计算的方式高效地确定出风险群体。通过从构建的全量网络关系图中，筛选出目标用户群体对应的目标网络关系图，为后续分析目标用户群体中所潜在的各个风险群体提供了数据基础，同时能够有效减少分析目标用户群体时的计算量，节约了计算资源。通过使用社区发现算法等聚类算法对目标网络关系图进行聚类处理，能够实现对目标用户群体的初步划分效果，使得得到的风险群体关系图中的各用户之间的连接紧密度相较于目标网络关系图更优。

需要说明的是，上述是通过社区发现算法对目标网络关系图进行聚类处理，在实际应用中，还可以通过其它聚类算法对目标网络关系图进行聚类处理，例如，可以通过基于标签传播的局部社区发现算法、连通子图算法等聚类算法对目标网络关系图进行聚类处理，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在实际应用中，可以初始化风险群体关系图中节点的初始位置，其中的初始化的方式可以为随机初始化，针对每个节点，初始化位置可以为(,y)。此外，对个风险群体关系图中节点，可以做如下假设：1)任意两节点之间存在排斥力(即推力)；2)存在边的两个节点之间存在吸引力(即拉力)；3)任意一个节点都受到向心引力的作用，基于上述假设，可以分别确定每个节点的推力、拉力和向心引力。如图3所示，风险群体关系图可描述为如下所示点边二元组g＝[n,e]，即：

其中，g为风险群体关系图，n为风险群体关系图中的节点集合，node₁至node₅为风险群体关系图中的第1个节点至第5个节点，e为风险群体关系图中的边集合，edge₁₂为第1个节点和第2个节点之间的边，edge₂₃为第2个节点和第3个节点之间的边，edge₁₄为第1个节点和第4个节点之间的边，edge₃₅为第3个节点和第5个节点之间的边，edge₄₅为第4个节点和第5个节点之间的边。在风险群体关系图中以虚线表征节点之间的推力，以双向箭头表征节点之间的拉力，以单向箭头表征节点的向心引力，具体可以通过下述步骤S212～步骤S216的处理，确定每个节点的推力、拉力和向心引力。

在步骤S212中，基于库伦定律，确定风险群体关系图中的任意两个节点之间的排斥力，并基于任意两个节点之间的排斥力，确定每个节点的推力。

在实施中，可以通过库伦定律确定任意两节点之间存在的排斥力(即推力)，即可以通过下述公式

计算得到任意两节点之间的排斥力，进而得到每个节点的推力。其中，f_push表示推力，k₁表示库仑常数，d_ij表示风险群体关系图中的第i个节点和第j个节点之间的距离。

在步骤S214中，基于胡克定律和风险群体关系图中的边，确定每条边的两个节点之间的吸引力，并基于每条边的两个节点之间的吸引力，确定每个节点的拉力。

在实施中，可以获取风险群体关系图中的边，并确定每条边的两个节点，然后，可以通过胡克定律确定每条边的两个节点之间的吸引力(即拉力)，即可以通过下述公式

计算得到每条边的两个节点之间的吸引力，进而得到每个节点的拉力。其中，f_pull表示拉力，k₂为常数，且在第i个节点和第j个节点之间的边_ij存在时，

否则，f_pull＝0。

在步骤S216中，基于万有引力定律和风险群体关系图中的节点，确定每个节点的向心引力。

在实施中，可以通过万有引力定律确定每个节点的向心引力，即可以通过下述公式

计算得到每个节点的向心引力。其中，f_attract表示向心引力，k₃表示万有引力常量，d_{i_center}表示第i个节点与中心节点之间的距离。中心节点

width为风险群体关系图的宽度，hh为风险群体关系图的高度。

在步骤S218中，基于每个节点的拉力、推力和向心引力，确定每个节点在拉力、推力和向心引力的作用下的合力的作用下的移动距离，基于每个节点的初始位置和上述移动距离，确定每个节点的当前位置。

在实施中，基于上述方式确定的每个节点的拉力、推力和向心引力，通过牛顿第二定律，每个节点会朝向合力的方向运动，进而可以计算每个节点在合力的作用下的移动距离(_x,_y)。然后，可以根据每个节点的初始位置和移动距离，确定每个节点的当前位置，进而更新节点的位置到达当前位置，即得到的每个节点的当前位置可以是(-d_x,-d_y)。

在步骤S220中，基于每个节点的当前位置，确定每个节点的当前位置对应的时刻的位置汇总量，并基于每个节点的当前位置对应的时刻的位置汇总量，确定每个节点的当前位置对应的位置偏差。

在实施中，可以使用力导向布局算法获得每一个节点迭代后的最终位置，对于使用了大的固定迭代次数(例如200次)以及风险群体中的用户数量正比关系迭代次数的方式，其中，根据体感经验，大量的数据测量将耗费巨大的调试时间。基于力导向布局算法的流程，通过人工观察的方式确定一个最佳(力导向布局算法的计算结果再继续迭代已经不影响最终的基于密度的聚类处理结果)的迭代次数，基于力导向布局算法的流程，统计了人数为4人的风险群体、人数为5人的风险群体、人数为6人的风险群体……人数为20人的风险群体进行计算(均是在位置进行随机初始化下的情况)，具体结果如下表1所示。

表1

从上述表1可以看出，节点的数目与迭代次数基本正相关，但是由于位置的随机初始化与风险群体拓扑结构的影响，不是完全成正比，因此找到一个合适迭代次数仅考虑风险群体中的成员数量是不合理的，但是位置的随机初始化与风险群体的拓扑结构如何衡量给迭代次数带来的影响是难以量化的，因此需要一个更加合理的方式。此外，用户群体切分与提纯的方式中，力导向布局算法即使在最佳迭代次数的情况下占据了整个流程的绝大部份时间，基本力导向布局算法计算时间/密度聚类与用户群体分割计算时间＝10，因此优化力导向布局算法对于整体风险群体分析的效果非常重要。

可以借鉴自动控制的思想，即若想控制一个目标合理收敛，就增加该目标值相应的反馈量，在力导向布局算法中可反馈算法如图4所示，在力导向布局算法中，输入数据为当前时刻的位置Pt，输出数据为下一时刻迭代后的位置Pt+1，反馈环节将Pt+1进行转换并反馈给到程序迭代控制器，保证整体有一个合适的迭代次数，从而保证力导向布局算法的效果。

基于上述反馈思想，可以将t+1时刻位置的汇总量∑P_t+1，具体如下

可以将每个节点的当前位置对应的时刻的位置汇总量确定为每个节点的当前位置对应的位置偏差。后续，可以将t+1时刻位置的汇总量∑P_t+1与基于t时刻位置汇总量∑P_t进行比对，若两者差值非常小，则可以认为力导向布局算法已经收敛。

上述步骤S220的具体处理可以多种多样，以下再提供一种可选的处理方式，具体可以包括以下内容：基于每个节点的当前位置对应的时刻的位置汇总量和每个节点的当前位置，确定每个节点的当前位置对应的位置方差，并将确定的每个节点的当前位置对应的位置方差作为上述位置偏差。

在实施中，在实际应用中，经过一段时间的位置迭代之后，整个图的位置存在整体随

机偏移的情况，而此时的位置已经不影响后续的基于密度的聚类处理的结果，整体位置偏移在坐标系上的提现就是图的所有节点均有一个[dx,dy]的变化量，基于此点考虑，将t+1时刻的位置方差引入迭代控制，决定下一次是否继续进行迭代，具体位置方差定义如下

后续对不同人数的风险群体进行每一次迭代位置方差的统计，分别对风险群体的人数大小为4、10、20的三种情况进行统计，其中，横坐标为迭代次数，纵坐标为位置方差，具体如图5A、图5B和图5C所示，可以看出随着迭代的进行，位置偏差会有一个收敛结果。

在步骤S222中，针对任意节点，将该节点的当前位置对应的位置偏差分别与该节点在当前位置对应的时刻之外的其它一个或多个时刻对应的位置偏差进行比较，并基于得到的相应的比较结果确定是否迭代更新该节点的当前位置。

在实施中，考虑到最终的一个收敛判断的稳定性，在做反馈判断时，对于过去的状态值构建一个长度大小为k的滑动窗口，即迭代控制在考虑是否继续迭代的情况下，会将当前的位置方差

与t-k+1～t时刻(即当前位置对应的时刻之外的其它一个或多个时刻)间的位置方差

进行比较，并基于得到的相应的比较结果确定是否迭代更新该节点的当前位置，即

与

之间的差别较大，则迭代更新该节点的当前位置，否则，停止迭代更新该节点的当前位置。

上述步骤S222的具体处理可以多种多样，以下再提供一种可选的处理方式，具体可以包括以下步骤A2和步骤A4的处理。

在步骤A2中，针对任意节点，从该节点的当前位置对应的位置偏差和该节点在当前位置对应的时刻之外的其它一个或多个时刻对应的位置偏差中获取最大的位置偏差和最小的位置偏差。

在实施中，基于上述内容，可以从

中获取最大的位置偏差和最小的位置偏差，其中，最大的位置偏差可以用

表示，最小的位置偏差可以用

表示。

在步骤A4中，如果最大的位置偏差与最小的位置偏差之间的差值小于预设阈值，则停止迭代更新该节点的当前位置，如果最大的位置偏差与最小的位置偏差之间的差值不小于预设阈值，则迭代更新该节点的当前位置。

在步骤S224中，如果是，则迭代更新该节点的当前位置，并继续判断是否迭代更新该节点的位置，直到停止迭代更新该节点的当前位置，得到该节点的最终位置。

通过上述处理可以得到任意一个节点的最终位置，通过相同的方式，可以得到每个节点的最终位置。

在步骤S226中，基于每个节点的最终位置，对风险群体关系图中的节点进行基于密度的聚类处理，得到至少一个聚类簇，并基于该聚类簇，确定目标用户群体对应的风险群体分析结果。

本说明书实施例提供一种用户群体的风险分析方法，通过获取目标用户群体对应的风险群体关系图，风险群体关系图中的节点表示目标用户群体中的用户，风险群体关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接，然后，可以确定每个节点在拉力、推力和向心引力的作用下的合力的作用下的移动距离，并基于每个节点的初始位置和移动距离，确定每个节点的当前位置，可以基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，并基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置，最终，可以基于每个节点的最终位置，对风险群体关系图中的节点进行基于密度的聚类处理，得到至少一个聚类簇，并基于该聚类簇，确定目标用户群体对应的风险群体分析结果，这样，提出了一种基于位置偏差的计算复杂度与布局准确度的优化方式，从而可以使得每次进行位置迭代时总能迭代合适的次数，进而使得布局算法的时间复杂度与布局的准确度上有较大的提升，可以有效提高风险群体的成团率与准确率。

实施例三

以上为本说明书实施例提供的用户群体的风险分析方法，基于同样的思路，本说明书实施例还提供一种用户群体的风险分析装置，如图6所示。

该用户群体的风险分析装置包括：图获取模块601、位置确定模块602、迭代模块603和聚类模块603，其中：

图获取模块601，获取目标用户群体对应的风险群体关系图，所述风险群体关系图中的节点表示所述目标用户群体中的用户，所述风险群体关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接；

位置确定模块602，基于每个节点的拉力、推力和向心引力，确定每个节点在所述拉力、所述推力和所述向心引力的作用下的合力的作用下的移动距离，基于每个节点的初始位置和所述移动距离，确定每个节点的当前位置；

迭代模块603，基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，并基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置；

聚类模块604，基于每个节点的最终位置，对所述风险群体关系图中的节点进行基于密度的聚类处理，得到至少一个聚类簇，并基于所述聚类簇，确定所述目标用户群体对应的风险群体分析结果。

本说明书实施例中，所述迭代模块603，基于每个节点的当前位置，确定每个节点的当前位置对应的时刻的位置汇总量，并基于所述每个节点的当前位置对应的时刻的位置汇总量，确定每个节点的当前位置对应的位置偏差。

本说明书实施例中，所述迭代模块603，基于所述每个节点的当前位置对应的时刻的位置汇总量和所述每个节点的当前位置，确定每个节点的当前位置对应的位置方差，并将确定的每个节点的当前位置对应的位置方差作为所述位置偏差。

本说明书实施例中，所述迭代模块603，包括：

位置更新单元，针对任意节点，将所述节点的当前位置对应的位置偏差分别与所述节点在所述当前位置对应的时刻之外的其它一个或多个时刻对应的位置偏差进行比较，并基于得到的相应的比较结果确定是否迭代更新所述节点的当前位置；

迭代单元，如果是，则迭代更新所述节点的当前位置，并继续判断是否迭代更新所述节点的位置，直到停止迭代更新所述节点的当前位置，得到所述节点的最终位置。

本说明书实施例中，所述位置更新单元，针对任意节点，从所述节点的当前位置对应的位置偏差和所述节点在所述当前位置对应的时刻之外的其它一个或多个时刻对应的位置偏差中获取最大的位置偏差和最小的位置偏差；如果所述最大的位置偏差与所述最小的位置偏差之间的差值小于预设阈值，则停止迭代更新所述节点的当前位置，如果所述最大的位置偏差与所述最小的位置偏差之间的差值不小于预设阈值，则迭代更新所述节点的当前位置。

本说明书实施例中，所述图获取模块601，包括：

信息获取单元，获取用户的用户信息和业务信息；

全量图构建单元，基于所述用户信息和所述业务信息，构建全量网络关系图，所述全量网络关系图中的节点表示所述用户，所述全量网络关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接；

筛选单元，筛选所述全量网络关系图中符合预设筛选条件的目标节点，得到所述目标用户群体；

网络关系确定单元，基于所述目标用户群体，确定目标网络关系图；

图确定单元，基于社区发现算法对所述目标网络关系图进行聚类处理，得到所述风险群体关系图。

本说明书实施例中，所述装置还包括：

推力确定模块，基于库伦定律，确定所述风险群体关系图中的任意两个节点之间的排斥力，并基于任意两个节点之间的排斥力，确定每个节点的推力；

拉力确定模块，基于胡克定律和所述风险群体关系图中的边，确定每条边的两个节点之间的吸引力，并基于每条边的两个节点之间的吸引力，确定每个节点的拉力；

引力确定模块，基于万有引力定律和所述风险群体关系图中的节点，确定每个节点的向心引力。

本说明书实施例提供一种用户群体的风险分析装置，通过获取目标用户群体对应的风险群体关系图，风险群体关系图中的节点表示目标用户群体中的用户，风险群体关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接，然后，可以确定每个节点在拉力、推力和向心引力的作用下的合力的作用下的移动距离，并基于每个节点的初始位置和移动距离，确定每个节点的当前位置，可以基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，并基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置，最终，可以基于每个节点的最终位置，对风险群体关系图中的节点进行基于密度的聚类处理，得到至少一个聚类簇，并基于该聚类簇，确定目标用户群体对应的风险群体分析结果，这样，提出了一种基于位置偏差的计算复杂度与布局准确度的优化方式，从而可以使得每次进行位置迭代时总能迭代合适的次数，进而使得布局算法的时间复杂度与布局的准确度上有较大的提升，可以有效提高风险群体的成团率与准确率。

实施例四

以上为本说明书实施例提供的用户群体的风险分析装置，基于同样的思路，本说明书实施例还提供一种用户群体的风险分析设备，如图7所示。

所述用户群体的风险分析设备可以为上述实施例提供终端设备或服务器等。

用户群体的风险分析设备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的处理器701和存储器702，存储器702中可以存储有一个或一个以上存储应用程序或数据。其中，存储器702可以是短暂存储或持久存储。存储在存储器702的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对用户群体的风险分析设备中的一系列计算机可执行指令。更进一步地，处理器701可以设置为与存储器702通信，在用户群体的风险分析设备上执行存储器702中的一系列计算机可执行指令。用户群体的风险分析设备还可以包括一个或一个以上电源703，一个或一个以上有线或无线网络接口704，一个或一个以上输入输出接口705，一个或一个以上键盘706。

具体在本实施例中，用户群体的风险分析设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对用户群体的风险分析设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取目标用户群体对应的风险群体关系图，所述风险群体关系图中的节点表示所述目标用户群体中的用户，所述风险群体关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接；

基于每个节点的拉力、推力和向心引力，确定每个节点在所述拉力、所述推力和所述向心引力的作用下的合力的作用下的移动距离，基于每个节点的初始位置和所述移动距离，确定每个节点的当前位置；

基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，并基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置；

基于每个节点的最终位置，对所述风险群体关系图中的节点进行基于密度的聚类处理，得到至少一个聚类簇，并基于所述聚类簇，确定所述目标用户群体对应的风险群体分析结果。

本说明书实施例中，所述基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，包括：

基于每个节点的当前位置，确定每个节点的当前位置对应的时刻的位置汇总量，并基于所述每个节点的当前位置对应的时刻的位置汇总量，确定每个节点的当前位置对应的位置偏差。

本说明书实施例中，所述基于所述每个节点的当前位置对应的时刻的位置汇总量，确定每个节点的当前位置对应的位置偏差，包括：

基于所述每个节点的当前位置对应的时刻的位置汇总量和所述每个节点的当前位置，确定每个节点的当前位置对应的位置方差，并将确定的每个节点的当前位置对应的位置方差作为所述位置偏差。

本说明书实施例中，所述基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置，包括：

针对任意节点，将所述节点的当前位置对应的位置偏差分别与所述节点在所述当前位置对应的时刻之外的其它一个或多个时刻对应的位置偏差进行比较，并基于得到的相应的比较结果确定是否迭代更新所述节点的当前位置；

如果是，则迭代更新所述节点的当前位置，并继续判断是否迭代更新所述节点的位置，直到停止迭代更新所述节点的当前位置，得到所述节点的最终位置。

本说明书实施例中，所述针对任意节点，将所述节点的当前位置对应的位置偏差分别与所述节点在所述当前位置对应的时刻之外的其它一个或多个时刻对应的位置偏差进行比较，并基于得到的相应的比较结果确定是否迭代更新所述节点的当前位置，包括：

针对任意节点，从所述节点的当前位置对应的位置偏差和所述节点在所述当前位置对应的时刻之外的其它一个或多个时刻对应的位置偏差中获取最大的位置偏差和最小的位置偏差；

如果所述最大的位置偏差与所述最小的位置偏差之间的差值小于预设阈值，则停止迭代更新所述节点的当前位置，如果所述最大的位置偏差与所述最小的位置偏差之间的差值不小于预设阈值，则迭代更新所述节点的当前位置。

本说明书实施例中，所述获取目标用户群体对应的风险群体关系图，包括：

获取用户的用户信息和业务信息；

基于所述用户信息和所述业务信息，构建全量网络关系图，所述全量网络关系图中的节点表示所述用户，所述全量网络关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接；

筛选所述全量网络关系图中符合预设筛选条件的目标节点，得到所述目标用户群体；

基于所述目标用户群体，确定目标网络关系图；

基于社区发现算法对所述目标网络关系图进行聚类处理，得到所述风险群体关系图。

本说明书实施例中，还包括：

基于库伦定律，确定所述风险群体关系图中的任意两个节点之间的排斥力，并基于任意两个节点之间的排斥力，确定每个节点的推力；

基于胡克定律和所述风险群体关系图中的边，确定每条边的两个节点之间的吸引力，并基于每条边的两个节点之间的吸引力，确定每个节点的拉力；

基于万有引力定律和所述风险群体关系图中的节点，确定每个节点的向心引力。

本说明书实施例提供一种用户群体的风险分析设备，通过获取目标用户群体对应的风险群体关系图，风险群体关系图中的节点表示目标用户群体中的用户，风险群体关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接，然后，可以确定每个节点在拉力、推力和向心引力的作用下的合力的作用下的移动距离，并基于每个节点的初始位置和移动距离，确定每个节点的当前位置，可以基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，并基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置，最终，可以基于每个节点的最终位置，对风险群体关系图中的节点进行基于密度的聚类处理，得到至少一个聚类簇，并基于该聚类簇，确定目标用户群体对应的风险群体分析结果，这样，提出了一种基于位置偏差的计算复杂度与布局准确度的优化方式，从而可以使得每次进行位置迭代时总能迭代合适的次数，进而使得布局算法的时间复杂度与布局的准确度上有较大的提升，可以有效提高风险群体的成团率与准确率。

实施例五

进一步地，基于上述图1到图5C所示的方法，本说明书一个或多个实施例还提供了一种存储介质，用于存储计算机可执行指令信息，一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：

获取目标用户群体对应的风险群体关系图，所述风险群体关系图中的节点表示所述目标用户群体中的用户，所述风险群体关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接；

基于每个节点的拉力、推力和向心引力，确定每个节点在所述拉力、所述推力和所述向心引力的作用下的合力的作用下的移动距离，基于每个节点的初始位置和所述移动距离，确定每个节点的当前位置；

基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，并基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置；

基于每个节点的最终位置，对所述风险群体关系图中的节点进行基于密度的聚类处理，得到至少一个聚类簇，并基于所述聚类簇，确定所述目标用户群体对应的风险群体分析结果。

本说明书实施例中，所述基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，包括：

基于每个节点的当前位置，确定每个节点的当前位置对应的时刻的位置汇总量，并基于所述每个节点的当前位置对应的时刻的位置汇总量，确定每个节点的当前位置对应的位置偏差。

本说明书实施例中，所述基于所述每个节点的当前位置对应的时刻的位置汇总量，确定每个节点的当前位置对应的位置偏差，包括：

基于所述每个节点的当前位置对应的时刻的位置汇总量和所述每个节点的当前位置，确定每个节点的当前位置对应的位置方差，并将确定的每个节点的当前位置对应的位置方差作为所述位置偏差。

本说明书实施例中，所述基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置，包括：

针对任意节点，将所述节点的当前位置对应的位置偏差分别与所述节点在所述当前位置对应的时刻之外的其它一个或多个时刻对应的位置偏差进行比较，并基于得到的相应的比较结果确定是否迭代更新所述节点的当前位置；

如果是，则迭代更新所述节点的当前位置，并继续判断是否迭代更新所述节点的位置，直到停止迭代更新所述节点的当前位置，得到所述节点的最终位置。

本说明书实施例中，所述针对任意节点，将所述节点的当前位置对应的位置偏差分别与所述节点在所述当前位置对应的时刻之外的其它一个或多个时刻对应的位置偏差进行比较，并基于得到的相应的比较结果确定是否迭代更新所述节点的当前位置，包括：

针对任意节点，从所述节点的当前位置对应的位置偏差和所述节点在所述当前位置对应的时刻之外的其它一个或多个时刻对应的位置偏差中获取最大的位置偏差和最小的位置偏差；

如果所述最大的位置偏差与所述最小的位置偏差之间的差值小于预设阈值，则停止迭代更新所述节点的当前位置，如果所述最大的位置偏差与所述最小的位置偏差之间的差值不小于预设阈值，则迭代更新所述节点的当前位置。

本说明书实施例中，所述获取目标用户群体对应的风险群体关系图，包括：

获取用户的用户信息和业务信息；

基于所述用户信息和所述业务信息，构建全量网络关系图，所述全量网络关系图中的节点表示所述用户，所述全量网络关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接；

筛选所述全量网络关系图中符合预设筛选条件的目标节点，得到所述目标用户群体；

基于所述目标用户群体，确定目标网络关系图；

基于社区发现算法对所述目标网络关系图进行聚类处理，得到所述风险群体关系图。

本说明书实施例中，还包括：

基于库伦定律，确定所述风险群体关系图中的任意两个节点之间的排斥力，并基于任意两个节点之间的排斥力，确定每个节点的推力；

基于胡克定律和所述风险群体关系图中的边，确定每条边的两个节点之间的吸引力，并基于每条边的两个节点之间的吸引力，确定每个节点的拉力；

基于万有引力定律和所述风险群体关系图中的节点，确定每个节点的向心引力。

本说明书实施例提供一种存储介质，通过获取目标用户群体对应的风险群体关系图，风险群体关系图中的节点表示目标用户群体中的用户，风险群体关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接，然后，可以确定每个节点在拉力、推力和向心引力的作用下的合力的作用下的移动距离，并基于每个节点的初始位置和移动距离，确定每个节点的当前位置，可以基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，并基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置，最终，可以基于每个节点的最终位置，对风险群体关系图中的节点进行基于密度的聚类处理，得到至少一个聚类簇，并基于该聚类簇，确定目标用户群体对应的风险群体分析结果，这样，提出了一种基于位置偏差的计算复杂度与布局准确度的优化方式，从而可以使得每次进行位置迭代时总能迭代合适的次数，进而使得布局算法的时间复杂度与布局的准确度上有较大的提升，可以有效提高风险群体的成团率与准确率。

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。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。

本说明书的实施例是参照根据本说明书实施例的方法、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欺诈案例的串并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欺诈案例的串并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欺诈案例的串并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欺诈案例的串并设备上，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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

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，对于系统实施例而言，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。

以上所述仅为本说明书的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种用户群体的风险分析方法，所述方法包括：

获取目标用户群体对应的风险群体关系图，所述风险群体关系图中的节点表示所述目标用户群体中的用户，所述风险群体关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接；

基于每个节点的拉力、推力和向心引力，确定每个节点在所述拉力、所述推力和所述向心引力的作用下的合力的作用下的移动距离，基于每个节点的初始位置和所述移动距离，确定每个节点的当前位置；

基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，并基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置；

基于每个节点的最终位置，对所述风险群体关系图中的节点进行基于密度的聚类处理，得到至少一个聚类簇，并基于所述聚类簇，确定所述目标用户群体对应的风险群体分析结果。

2.根据权利要求1所述的方法，所述基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，包括：

基于每个节点的当前位置，确定每个节点的当前位置对应的时刻的位置汇总量，并基于所述每个节点的当前位置对应的时刻的位置汇总量，确定每个节点的当前位置对应的位置偏差。

3.根据权利要求2所述的方法，所述基于所述每个节点的当前位置对应的时刻的位置汇总量，确定每个节点的当前位置对应的位置偏差，包括：

基于所述每个节点的当前位置对应的时刻的位置汇总量和所述每个节点的当前位置，确定每个节点的当前位置对应的位置方差，并将确定的每个节点的当前位置对应的位置方差作为所述位置偏差。

4.根据权利要求3所述的方法，所述基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置，包括：

针对任意节点，将所述节点的当前位置对应的位置偏差分别与所述节点在所述当前位置对应的时刻之外的其它一个或多个时刻对应的位置偏差进行比较，并基于得到的相应的比较结果确定是否迭代更新所述节点的当前位置；

如果是，则迭代更新所述节点的当前位置，并继续判断是否迭代更新所述节点的位置，直到停止迭代更新所述节点的当前位置，得到所述节点的最终位置。

5.根据权利要求4述的方法，所述针对任意节点，将所述节点的当前位置对应的位置偏差分别与所述节点在所述当前位置对应的时刻之外的其它一个或多个时刻对应的位置偏差进行比较，并基于得到的相应的比较结果确定是否迭代更新所述节点的当前位置，包括：

针对任意节点，从所述节点的当前位置对应的位置偏差和所述节点在所述当前位置对应的时刻之外的其它一个或多个时刻对应的位置偏差中获取最大的位置偏差和最小的位置偏差；

如果所述最大的位置偏差与所述最小的位置偏差之间的差值小于预设阈值，则停止迭代更新所述节点的当前位置，如果所述最大的位置偏差与所述最小的位置偏差之间的差值不小于预设阈值，则迭代更新所述节点的当前位置。

6.根据权利要求1所述的方法，所述获取目标用户群体对应的风险群体关系图，包括：

获取用户的用户信息和业务信息；

基于所述用户信息和所述业务信息，构建全量网络关系图，所述全量网络关系图中的节点表示所述用户，所述全量网络关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接；

筛选所述全量网络关系图中符合预设筛选条件的目标节点，得到所述目标用户群体；

基于所述目标用户群体，确定目标网络关系图；

基于社区发现算法对所述目标网络关系图进行聚类处理，得到所述风险群体关系图。

7.根据权利要求1-6中任一项所述的方法，所述方法还包括：

基于库伦定律，确定所述风险群体关系图中的任意两个节点之间的排斥力，并基于任意两个节点之间的排斥力，确定每个节点的推力；

基于胡克定律和所述风险群体关系图中的边，确定每条边的两个节点之间的吸引力，并基于每条边的两个节点之间的吸引力，确定每个节点的拉力；

基于万有引力定律和所述风险群体关系图中的节点，确定每个节点的向心引力。

8.一种用户群体的风险分析装置，所述装置包括：

图获取模块，获取目标用户群体对应的风险群体关系图，所述风险群体关系图中的节点表示所述目标用户群体中的用户，所述风险群体关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接；

位置确定模块，基于每个节点的拉力、推力和向心引力，确定每个节点在所述拉力、所述推力和所述向心引力的作用下的合力的作用下的移动距离，基于每个节点的初始位置和所述移动距离，确定每个节点的当前位置；

迭代模块，基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，并基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置；

聚类模块，基于每个节点的最终位置，对所述风险群体关系图中的节点进行基于密度的聚类处理，得到至少一个聚类簇，并基于所述聚类簇，确定所述目标用户群体对应的风险群体分析结果。

9.一种用户群体的风险分析设备，所述用户群体的风险分析设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

获取目标用户群体对应的风险群体关系图，所述风险群体关系图中的节点表示所述目标用户群体中的用户，所述风险群体关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接；

基于每个节点的拉力、推力和向心引力，确定每个节点在所述拉力、所述推力和所述向心引力的作用下的合力的作用下的移动距离，基于每个节点的初始位置和所述移动距离，确定每个节点的当前位置；

基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，并基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置；

基于每个节点的最终位置，对所述风险群体关系图中的节点进行基于密度的聚类处理，得到至少一个聚类簇，并基于所述聚类簇，确定所述目标用户群体对应的风险群体分析结果。

10.一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：

获取目标用户群体对应的风险群体关系图，所述风险群体关系图中的节点表示所述目标用户群体中的用户，所述风险群体关系图中两个节点之间的边表示对应两个用户在预设关联逻辑下所建立的连接；

基于每个节点的拉力、推力和向心引力，确定每个节点在所述拉力、所述推力和所述向心引力的作用下的合力的作用下的移动距离，基于每个节点的初始位置和所述移动距离，确定每个节点的当前位置；

基于每个节点的当前位置，确定每个节点的当前位置对应的位置偏差，并基于每个节点的当前位置对应的位置偏差和每个节点对应的参考位置偏差，迭代更新每个节点的当前位置，得到每个节点的最终位置；

基于每个节点的最终位置，对所述风险群体关系图中的节点进行基于密度的聚类处理，得到至少一个聚类簇，并基于所述聚类簇，确定所述目标用户群体对应的风险群体分析结果。

Images