CN116091208B - 基于图神经网络的信贷风险企业识别方法和装置 - Google Patents
基于图神经网络的信贷风险企业识别方法和装置 Download PDFInfo
- Publication number
- CN116091208B CN116091208B CN202310072663.3A CN202310072663A CN116091208B CN 116091208 B CN116091208 B CN 116091208B CN 202310072663 A CN202310072663 A CN 202310072663A CN 116091208 B CN116091208 B CN 116091208B
- Authority
- CN
- China
- Prior art keywords
- behavior
- node
- codes
- time
- nodes
- 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 58
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 230000006399 behavior Effects 0.000 claims abstract description 223
- 238000012512 characterization method Methods 0.000 claims abstract description 63
- 239000002356 single layer Substances 0.000 claims abstract description 14
- 239000010410 layer Substances 0.000 claims abstract description 9
- 230000003993 interaction Effects 0.000 claims description 67
- 238000003860 storage Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 33
- 230000002452 interceptive effect Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 206010000117 Abnormal behaviour Diseases 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000002355 dual-layer Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种基于图神经网络的信贷风险企业识别方法和装置。所述方法包括：以目标企业为中心节点，构建行为关系图；获取行为关系图的属性编码、行为编码和时间编码；将属性编码、行为编码和时间编码输入双层编码器，获得邻居表征；将邻居表征输入单层编码器，获得节点表征；将节点表征输入分类器，获得风险识别结果。根据本公开，可将目标企业在多个时间与其他对象发生的交互行为表达在一个行为关系图中，提升了图结构的表示效率，并可通过行为编码表示异构的行为，通过时间编码表示多个行为发生的时间，解决了难以表达时间信息和行为信息的问题。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种基于图神经网络的信贷风险企业识别方法和装置。
背景技术
风控是金融服务公司一项非常重要的核心技能，它无论是对用户还是对服务提供者都有着至关重要的意义。风控中的一个重要任务是对金融系统中的人或者企业进行异常检测，用于发现存在风险的人或者企业，进而避免资金的损失。现有的识别还贷风险企业的技术可以分为以下几类：
1.基于规则的方法
这类方法的基本假设是金融欺诈活动有着一些非常明确的行为模式，人们可以通过对这些行为模式来制定规则来做异常识别。例如：交易聚合作为欺诈检测策略，首先统计了存在欺诈用户的行为，并提取大量的统计特征，进而根据用户长期的交易行为判断是否为风险用户。
2.基于用户特征的方法
基于用户特征的方法通常是从历史数据中自动学习风险用户的模式。可从每个用户的行为和属性信息中提取出来统计学特征来代表每个用户，并使用不同的分类器如神经网络和决策树来对用户进行分类预测。
3.基于图的方法
这类方法旨在为每个节点学习一个矢量表示。图神经网络(GNN)它的许多变体，如GCN、GraphSAGE和GAT，可以从节点属性和图的拓扑结构中学习节点特征。
然而，以上方法均存在一定缺陷，基于规则的方法也成功应用了相当长的一段时间，然而这类方法强依赖于人类的先验知识，这也就决定了这类方法很难去处理复杂而又变化的情况，同时规则也易于被识破和攻击。为了弥补这类方法的缺陷，基于机器学习的风控方法应运而生，他们主要是对系统中的用户/企业个体提取特征来对用户的风险进行识别。然而这类方法很少考虑到用户之间、用户与其他实体之间的关联，然而这类关联事实上却对异常检测有着非常重要的作用。
基于图的方法虽然可以解决上述问题，但现有基于静态图的方法，将用户历史的所有行为汇聚到一个图结构中，忽视了金融平台中用户/企业行为是不断变化的需要结合时间和结构信息进行建模。
现有基于动态图的方法，虽然可以将时间信息融入进来，但是仍然存在如下问题，首先，由于历史行为较为稀疏的很容易造成单个节点(用户/企业)的历史行为的遗忘。其次，金融公司的行为通常是异构的(如，借贷，交易，法人变更等)，现有的动态图算法没有很好的解决这个问题。
发明内容
本公开提出了一种基于图神经网络的信贷风险企业识别方法和装置。
根据本公开的一方面，提供了一种基于图神经网络的信贷风险企业识别方法，包括：
以目标企业为中心节点，构建行为关系图，所述行为关系图用于表示在预设时间段内，所述目标企业与其他对象发生的交互行为，所述行为关系图中的节点表示所述目标企业或其他对象，节点之间的边表示节点之间存在交互行为；
获取所述行为关系图的节点的属性编码、行为编码和时间编码；
将所述属性编码、所述行为编码和所述时间编码输入双层编码器，获得邻居表征；
将所述邻居表征输入单层编码器，获得节点表征；
将所述节点表征输入分类器，获得所述目标企业的风险识别结果。
在本公开的一些实施例中，以目标企业为中心节点，构建行为关系图，包括：
确定预设时间段内直接或间接与所述目标企业发生交互行为的其他对象，并将所述其他对象确定为所述行为关系图中的节点；
根据所述其他对象与所述目标企业的交互行为，或其他对象之间的交互行为，确定所述节点之间的边；
根据所述交互行为的发生时间所属的时间段，确定所述边的时间戳；
根据所述节点、所述边和所述时间戳，构建所述行为关系图。
在本公开的一些实施例中，所述获取所述行为关系图的行为编码，包括：
根据所述交互行为的类型，确定行为标识；
根据所述行为标识，以及节点与所述中心节点的邻居关系，确定各节点与所述中心节点之间的行为编码。
在本公开的一些实施例中，根据所述行为标识，以及节点与所述中心节点的邻居关系，确定各节点与所述中心节点之间的行为编码，包括：
在所述节点与所述中心节点的邻居关系为一阶邻居关系的情况下，根据所述行为标识进行映射，获得所述行为编码。
在本公开的一些实施例中，根据所述行为标识，以及节点与所述中心节点的邻居关系，确定各节点与所述中心节点之间的行为编码，包括：
在所述节点与所述中心节点的邻居关系为多阶邻居关系的情况下，对所述节点至所述中心节点的路径上的多个边的行为标识进行映射，分别获得每个边的稠密表征；
求解所述稠密表征的平均值，获得所述行为编码。
在本公开的一些实施例中，获取所述行为关系图的时间编码，包括：
根据公式pk，2i＝sin(k/100002i/d)和pk，2i+1＝cos(k/100003i/d)，获得所述时间编码，其中，pk，2i为时间戳为偶数时的时间编码，pk，2i+1为时间戳为奇数时的时间编码，i为交互行为的时间戳与当前时间戳的距离，k为时间戳所处的时间段，d为总时长。
在本公开的一些实施例中，将所述邻居表征输入单层编码器，获得节点表征，包括：
确定与所述中心节点具有一阶邻居关系的一阶邻居表征；
根据所述一阶邻居表征，确定所述节点表征。
根据本公开的另一方面，提供了一种基于图神经网络的信贷风险企业识别装置，所述装置包括：
构建模块，用于以目标企业为中心节点，构建行为关系图，所述行为关系图用于表示在预设时间段内，所述目标企业与其他对象发生的交互行为，所述行为关系图中的节点表示所述目标企业或其他对象，节点之间的边表示节点之间存在交互行为；
编码模块，用于获取所述行为关系图的节点的属性编码、行为编码和时间编码；
子图信息提取模块，用于将所述属性编码、所述行为编码和所述时间编码输入双层编码器，获得邻居表征；
表征模块，用于将所述邻居表征输入单层编码器，获得节点表征；
分类模块，用于将所述节点表征输入分类器，获得所述目标企业的风险识别结果。
在本公开的一些实施例中，所述构建模块进一步用于：
确定预设时间段内直接或间接与所述目标企业发生交互行为的其他对象，并将所述其他对象确定为所述行为关系图中的节点；
根据所述其他对象与所述目标企业的交互行为，或其他对象之间的交互行为，确定所述节点之间的边；
根据所述交互行为的发生时间所属的时间段，确定所述边的时间戳；
根据所述节点、所述边和所述时间戳，构建所述行为关系图。
在本公开的一些实施例中，所述编码模块进一步用于：
根据所述交互行为的类型，确定行为标识；
根据所述行为标识，以及节点与所述中心节点的邻居关系，确定各节点与所述中心节点之间的行为编码。
在本公开的一些实施例中，所述编码模块进一步用于：
在所述节点与所述中心节点的邻居关系为一阶邻居关系的情况下，根据所述行为标识进行映射，获得所述行为编码。
在本公开的一些实施例中，所述编码模块进一步用于：
在所述节点与所述中心节点的邻居关系为多阶邻居关系的情况下，对所述节点至所述中心节点的路径上的多个边的行为标识进行映射，分别获得每个边的稠密表征；
求解所述稠密表征的平均值，获得所述行为编码。
在本公开的一些实施例中，所述编码模块进一步用于：
根据公式pk，2i＝sin(k/100002i/d)和pk，2i+1＝cos(k/100002i/d)，获得所述时间编码，其中，pk，2i为时间戳为偶数时的时间编码，pk，2i+1为时间戳为奇数时的时间编码，i为交互行为的时间戳与当前时间戳的距离，k为时间戳所处的时间段，d为总时长。
在本公开的一些实施例中，所述表征模块进一步用于：
确定与所述中心节点具有一阶邻居关系的一阶邻居表征；
根据所述一阶邻居表征，确定所述节点表征。
根据本公开的另一方面，提供了一种基于图神经网络的信贷风险企业识别设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的实施例的基于图神经网络的信贷风险企业识别方法，可将目标企业在多个时间与其他对象发生的交互行为表达在一个行为关系图中，提升了图结构的表示效率，并可通过行为编码表示异构的行为，并可通过时间编码表示多个行为发生的时间，解决了难以表达时间信息和行为信息的问题。利用行为关系图的全部属性编码、行为编码和时间编码识别风险，可避免对历史行为的遗忘，提升对异常行为的识别准确率。在单层编码器的运算过程中，可仅针对一阶邻居表征进行运算，不仅可携带多阶邻居节点的交互信息，还可节省运算量，提升运算效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将更清楚。
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，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的基于图神经网络的信贷风险企业识别方法的流程图；
图2示出根据本公开实施例的行为关系图的示意图；
图3示出根据本公开实施例的确定风险识别结果的示意图；
图4示出根据本公开实施例的双层编码器的示意图；
图5示出根据本公开实施例的基于图神经网络的信贷风险企业识别装置的示意图；
图6示出根据本公开实施例的一种基于图神经网络的信贷风险企业识别设备的框图；
图7示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种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：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的基于图神经网络的信贷风险企业识别方法的流程图，如图1所示，所述方法包括：
步骤S11，以目标企业为中心节点，构建行为关系图，所述行为关系图用于表示在预设时间段内，所述目标企业与其他对象发生的交互行为，所述行为关系图中的节点表示所述目标企业或其他对象，节点之间的边表示节点之间存在交互行为；
步骤S12，获取所述行为关系图的节点的属性编码、行为编码和时间编码；
步骤S13，将所述属性编码、所述行为编码和所述时间编码输入双层编码器，获得邻居表征；
步骤S14，将所述邻居表征输入单层编码器，获得节点表征；
步骤S15，将所述节点表征输入分类器，获得所述目标企业的风险识别结果。
根据本公开的实施例的基于图神经网络的信贷风险企业识别方法，可将目标企业在多个时间与其他对象发生的交互行为表达在一个行为关系图中，提升了图结构的表示效率，并可通过行为编码表示异构的行为，通过时间编码表示多个行为发生的时间，解决了难以表达时间信息和行为信息的问题。利用行为关系图的全部属性编码、行为编码和时间编码识别风险，可避免对历史行为的遗忘，提升对异常行为的识别准确率。
在本公开的一些实施例中，在步骤S11中，可首先以目标企业为中心节点，构建行为关系图。所述行为关系图中包括多个节点，每个节点可表示目标企业或与其直接或间接存在交互行为的其他对象，直接存在交互行为的两个节点可通过边连接，直接通过边连接的两个节点存在一阶邻接关系，间接连接(即，两个节点的连接路径之间存在一个或多个中间节点)的两个节点存在二阶或多阶邻居关系。
图2示出根据本公开实施例的行为关系图的示意图，如图2所示，图中可包括多个节点，并且其中一个为表示目标企业的中心节点，其他节点为在过去的预设时间段内与目标企业发生过交互行为(例如，租赁行为、借贷行为、还款行为、法人行为等)的其他对象，所述其他对象可以是企业，也可以是个人，本公开对其他对象的类型不做限制。
在本公开的一些实施例中，交互行为可通过边来表示，两个对象通过边直接相连，则可表示两个对象直接发生过交互行为，两个对象相连的路径上还存在其他节点，则表示两个对象间接发生过交互行为。边可表示交互行为的类型以及发生时间，如图2所示的行为信息和时间戳。在示例中，时间戳可通过时间标识来表示，例如，时间戳可表示交互行为发生的时间所属的时间段，例如，交互行为的发生时间在11月1日到10日之间，则将时间戳标记为1，交互行为的发生时间在11月11日到20日之间，则将时间戳标记为2……本公开对时间戳的具体形式不做限制。
在本公开的一些实施例中，步骤S11可包括：确定预设时间段内直接或间接与所述目标企业发生交互行为的其他对象，并将所述其他对象确定为所述行为关系图中的节点；根据所述其他对象与所述目标企业的交互行为，或其他对象之间的交互行为，确定所述节点之间的边；根据所述交互行为的发生时间所属的时间段，确定所述边的时间戳；根据所述节点、所述边和所述时间戳，构建所述行为关系图。
在本公开的一些实施例中，在构建所述行为关系图时，可根据交易记录查找预设时间段内与目标企业直接或间接发生过交互行为的其他对象，并将其他对象标记在行为关系图中作为节点。
在本公开的一些实施例中，可根据交互行为的类型以及时间，确定节点之间的边，例如，确定节点之间是否存在交互行为，来确定两个节点之间是否通过边来连接，并可记录边所对应的交互行为的类型。进一步地，还可确定交互行为发生的时间，并根据上述方式确定边的时间戳。在确定节点、边和时间戳后，即可获得完整的行为关系图。
在本公开的一些实施例中，在步骤S12中，可获取所述行为关系图的节点的属性编码、行为编码和时间编码。上述编码可作为编码器的输入信息，从而确定中心节点，即，目标企业是否存在风险。
在本公开的一些实施例中，节点的属性编码可表示每个节点的属性信息，所述属性编码可以是具有特定格式的向量，本公开对属性编码的具体形式不做限制。所述属性编码可用于描述节点的身份、企业类型、历史信用情况等多种属性，本公开对属性编码描述的信息不做限制。
在本公开的一些实施例中，所述获取所述行为关系图的行为编码，包括：根据所述交互行为的类型，确定行为标识；根据所述行为标识，以及节点与所述中心节点的邻居关系，确定各节点与所述中心节点之间的行为编码。
在本公开的一些实施例中，所述行为编码以中心节点为核心，以其他节点到中心节点的路径途径的边作为确定行为编码的根据。可将各个边对应的交互行为的类型转换为唯一的行为标识，并基于行为标识来确定行为编码。
在本公开的一些实施例中，根据所述行为标识，以及节点与所述中心节点的邻居关系，确定各节点与所述中心节点之间的行为编码，包括：在所述节点与所述中心节点的邻居关系为一阶邻居关系的情况下，根据所述行为标识进行映射，获得所述行为编码。在某节点与中心节点的邻居关系为一阶邻居关系的情况下，二者存在直接连接的边，可基于该边对应的行为标识进行映射，获得稠密表征，例如，高维度的向量，并将该稠密表征作为该节点与中心节点之间的行为编码。
在本公开的一些实施例中，根据所述行为标识，以及节点与所述中心节点的邻居关系，确定各节点与所述中心节点之间的行为编码，包括：在所述节点与所述中心节点的邻居关系为多阶邻居关系的情况下，对所述节点至所述中心节点的路径上的多个边的行为标识进行映射，分别获得每个边的稠密表征；求解所述稠密表征的平均值，获得所述行为编码。在某节点与中心节点的邻居关系为多阶邻居关系的情况下，二者不存在直接连接的边，而是通过多个边间接相连，可基于路径中每条边的表示进行映射，获得每条边的稠密表征，进而对稠密表征进行平均，获得该节点与中心节点之间的行为编码。
在本公开的一些实施例中，还可确定每个交互行为发生的时间的时间编码。获取所述行为关系图的时间编码，包括：
根据公式(1)和(2)，获得所述时间编码：
pk，2i＝sin(k/100002i/d) (1)
pk，2i+1＝cos(k/100002i/d) (2)
其中，pk，2i为时间戳为偶数时的时间编码，pk，2i+1为时间戳为奇数时的时间编码，i为交互行为的时间戳与当前时间戳的距离，k为时间戳所处的时间段，d为总时长。
在本公开的一些实施例中，通过以上方式，可获得节点的属性编码，各节点相对于中心节点的行为编码，以及各个交互行为发生的时间的时间编码，可在后续步骤中，对上述编码进行处理，获得风险识别结果。
图3示出根据本公开实施例的确定风险识别结果的示意图，如图3所示，可在步骤S13中，通过双层编码器，进行子图信息提取处理，获得邻居表征。并在步骤S14中通过单层编码器对邻居表征进行处理，获得节点表征，进而再步骤S15中，通过分类器对节点表征进行处理，获得风险识别结果。
图4示出根据本公开实施例的双层编码器的示意图，双层编码器可通过多头注意力机制和前馈神经网络对属性编码、行为编码和时间编码进行处理，获得邻居表征，该邻居表征可表示各个节点相对于中心节点的邻居表征，可用于表示各个节点与中心节点的交互行为的风险等信息。所述邻居表征可包括一阶邻居节点(即，与中心节点直接相连的节点)的一阶邻居表征，也可包括多阶邻居节点(即，与中心节点间接相连的节点)的多阶邻居表征。
在本公开的一些实施例中，在步骤S14中，单层编码器可对邻居表征进行处理，得到节点表征。在示例中，在之前的步骤中，不论一阶邻居节点还是多阶邻居节点与中心节点之间的交互信息均已被充分表示，并进行了编码运算，在后续步骤中，可仅针对一阶邻居表征进行运算，不仅可携带多阶邻居节点的交互信息，还可节省运算量。
在本公开的一些实施例中，步骤S14可包括：确定与所述中心节点具有一阶邻居关系的一阶邻居表征；根据所述一阶邻居表征，确定所述节点表征。单层编码器可仅计算中心节点与一阶邻居节点之间的注意力机制，即，仅使用一阶邻居表征进行编码运算，获得节点表征。所述节点表征可表示中心节点的风险信息。
在本公开的一些实施例中，在步骤S15中，可将节点表征输入分类器，例如，MLP(Multi-Layer Perceptron，多层感知)分类器，从而输出中心节点，即，目标企业的风险识别结果。在示例中，风险识别结果可以是概率形式的结果，例如，如果风险识别结果大于或等于0.5，则表示存在风险，反之，如果风险识别结果小于0.5，则表示不存在风险。本公开对风险识别结果的具体形式不做限制。
根据本公开的实施例的基于图神经网络的信贷风险企业识别方法，可将目标企业在多个时间与其他对象发生的交互行为表达在一个行为关系图中，提升了图结构的表示效率，并可通过行为编码表示异构的行为，通过时间编码表示多个行为发生的时间，解决了难以表达时间信息和行为信息的问题。利用行为关系图的全部属性编码、行为编码和时间编码识别风险，可避免对历史行为的遗忘，提升对异常行为的识别准确率。在单层编码器的运算过程中，可仅针对一阶邻居表征进行运算，不仅可携带多阶邻居节点的交互信息，还可节省运算量，提升运算效率。
图5示出根据本公开实施例的基于图神经网络的信贷风险企业识别装置的示意图，如图5所示，所述装置包括：
构建模块11，用于以目标企业为中心节点，构建行为关系图，所述行为关系图用于表示在预设时间段内，所述目标企业与其他对象发生的交互行为，所述行为关系图中的节点表示所述目标企业或其他对象，节点之间的边表示节点之间存在交互行为；
编码模块12，用于获取所述行为关系图的节点的属性编码、行为编码和时间编码；
子图信息提取模块13，用于将所述属性编码、所述行为编码和所述时间编码输入双层编码器，获得邻居表征；
表征模块14，用于将所述邻居表征输入单层编码器，获得节点表征；
分类模块15，用于将所述节点表征输入分类器，获得所述目标企业的风险识别结果。
在本公开的一些实施例中，所述构建模块进一步用于：
确定预设时间段内直接或间接与所述目标企业发生交互行为的其他对象，并将所述其他对象确定为所述行为关系图中的节点；
根据所述其他对象与所述目标企业的交互行为，或其他对象之间的交互行为，确定所述节点之间的边；
根据所述交互行为的发生时间所属的时间段，确定所述边的时间戳；
根据所述节点、所述边和所述时间戳，构建所述行为关系图。
在本公开的一些实施例中，所述编码模块进一步用于：
根据所述交互行为的类型，确定行为标识；
根据所述行为标识，以及节点与所述中心节点的邻居关系，确定各节点与所述中心节点之间的行为编码。
在本公开的一些实施例中，所述编码模块进一步用于：
在所述节点与所述中心节点的邻居关系为一阶邻居关系的情况下，根据所述行为标识进行映射，获得所述行为编码。
在本公开的一些实施例中，所述编码模块进一步用于：
在所述节点与所述中心节点的邻居关系为多阶邻居关系的情况下，对所述节点至所述中心节点的路径上的多个边的行为标识进行映射，分别获得每个边的稠密表征；
求解所述稠密表征的平均值，获得所述行为编码。
在本公开的一些实施例中，所述编码模块进一步用于：
根据公式pk，2i＝sin(k/100002i/d)和pk，2i+1＝cos(k/100002i/d)，获得所述时间编码，其中，pk，2i为时间戳为偶数时的时间编码，pk，2i+1为时间戳为奇数时的时间编码，i为交互行为的时间戳与当前时间戳的距离，k为时间戳所处的时间段，d为总时长。
在本公开的一些实施例中，所述表征模块进一步用于：
确定与所述中心节点具有一阶邻居关系的一阶邻居表征；
根据所述一阶邻居表征，确定所述节点表征。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的云应用管理方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的云应用管理方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种基于图神经网络的信贷风险企业识别设备800的框图。例如，设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图6，设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出接口812，传感器组件814，以及通信组件816。
处理组件802通常控制设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边缘，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
输入/输出接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为设备800的显示器和小键盘，传感器组件814还可以检测设备800或设备800中的组件的位置改变，用户与设备800接触的存在或不存在，设备800方位或加速/减速和设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于设备800和其他设备之间有线或无线方式的通信。设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由设备800的处理器820执行以完成上述方法。
图7示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理单元1922，其进一步包括一个或多个处理器，以及由存储单元1932所代表的存储器资源，用于存储可由处理单元1922的执行的指令，例如应用程序。存储单元1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理单元1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源模块1926被配置为执行电子设备1900的电源管理，一个有线或无线的网络接口1950被配置为将电子设备1900连接到网络，和一个I/O接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储单元1932，上述计算机程序指令可由电子设备1900的处理单元1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种基于图神经网络的信贷风险企业识别方法，其特征在于，包括：
以目标企业为中心节点，构建行为关系图，所述行为关系图用于表示在预设时间段内，所述目标企业与其他对象发生的交互行为，所述行为关系图中的节点表示所述目标企业或其他对象，节点之间的边表示节点之间交互行为的类型及发生时间；
获取所述行为关系图的节点的属性编码、行为编码和时间编码，其中，获取所述行为关系图的时间编码，包括：根据公式和/>，获得所述时间编码，其中，pk，2i为时间戳为偶数时的时间编码，pk，2i+1为时间戳为奇数时的时间编码，i为交互行为的时间戳与当前时间戳的距离，k为时间戳所处的时间段，d为总时长；
将所述属性编码、所述行为编码和所述时间编码输入两层transformer编码器，获得邻居表征；
将所述邻居表征输入单层transformer编码器，获得节点表征；
将所述节点表征输入分类器，获得所述目标企业的风险识别结果；以目标企业为中心节点，构建行为关系图，包括：
确定预设时间段内直接或间接与所述目标企业发生交互行为的其他对象，并将所述其他对象确定为所述行为关系图中的节点；
根据所述其他对象与所述目标企业的交互行为，或其他对象之间的交互行为，确定所述节点之间的边；
根据所述交互行为的发生时间所属的时间段，确定所述边的时间戳；
根据所述节点、所述边和所述时间戳，构建所述行为关系图。
2.根据权利要求1所述的基于图神经网络的信贷风险企业识别方法，其特征在于，所述获取所述行为关系图的行为编码，包括：
根据所述交互行为的类型，确定行为标识；
根据所述行为标识，以及节点与所述中心节点的邻居关系，确定各节点与所述中心节点之间的行为编码。
3.根据权利要求2所述的基于图神经网络的信贷风险企业识别方法，其特征在于，根据所述行为标识，以及节点与所述中心节点的邻居关系，确定各节点与所述中心节点之间的行为编码，包括：
在所述节点与所述中心节点的邻居关系为一阶邻居关系的情况下，根据所述行为标识进行映射，获得所述行为编码。
4.根据权利要求2所述的基于图神经网络的信贷风险企业识别方法，其特征在于，根据所述行为标识，以及节点与所述中心节点的邻居关系，确定各节点与所述中心节点之间的行为编码，包括：
在所述节点与所述中心节点的邻居关系为多阶邻居关系的情况下，对所述节点至所述中心节点的路径上的多个边的行为标识进行映射，分别获得每个边的稠密表征；
求解所述稠密表征的平均值，获得所述行为编码。
5.根据权利要求1所述的基于图神经网络的信贷风险企业识别方法，其特征在于，将所述邻居表征输入单层编码器，获得节点表征，包括：
确定与所述中心节点具有一阶邻居关系的一阶邻居表征；
根据所述一阶邻居表征，确定所述节点表征。
6.一种基于图神经网络的信贷风险企业识别装置，其特征在于，包括：
构建模块，用于以目标企业为中心节点，构建行为关系图，所述行为关系图用于表示在预设时间段内，所述目标企业与其他对象发生的交互行为，所述行为关系图中的节点表示所述目标企业或其他对象，节点之间的边表示节点之间存在交互行为，边可表示所述交互行为的类型及发生时间；
编码模块，用于获取所述行为关系图的节点的属性编码、行为编码和时间编码，其中，获取所述行为关系图的时间编码，包括：根据公式和/>，获得所述时间编码，其中，pk，2i为时间戳为偶数时的时间编码，pk，2i+1为时间戳为奇数时的时间编码，i为交互行为的时间戳与当前时间戳的距离，k为时间戳所处的时间段，d为总时长；
子图信息提取模块，用于将所述属性编码、所述行为编码和所述时间编码输入两层transformer编码器，获得邻居表征；
表征模块，用于将所述邻居表征输入单层transformer编码器，获得节点表征；
分类模块，用于将所述节点表征输入分类器，获得所述目标企业的风险识别结果；
所述构建模块用于：确定预设时间段内直接或间接与所述目标企业发生交互行为的其他对象，并将所述其他对象确定为所述行为关系图中的节点；
根据所述其他对象与所述目标企业的交互行为，或其他对象之间的交互行为，确定所述节点之间的边；
根据所述交互行为的发生时间所属的时间段，确定所述边的时间戳；
根据所述节点、所述边和所述时间戳，构建所述行为关系图。
7.一种基于图神经网络的信贷风险企业识别设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至5中任意一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310072663.3A CN116091208B (zh) | 2023-01-16 | 2023-01-16 | 基于图神经网络的信贷风险企业识别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310072663.3A CN116091208B (zh) | 2023-01-16 | 2023-01-16 | 基于图神经网络的信贷风险企业识别方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116091208A CN116091208A (zh) | 2023-05-09 |
| CN116091208B true CN116091208B (zh) | 2023-10-27 |
Family
ID=86211766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310072663.3A Active CN116091208B (zh) | 2023-01-16 | 2023-01-16 | 基于图神经网络的信贷风险企业识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116091208B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117520927A (zh) * | 2024-01-04 | 2024-02-06 | 支付宝(杭州)信息技术有限公司 | 检测异常账户的方法和装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037038A (zh) * | 2020-09-02 | 2020-12-04 | 中国银行股份有限公司 | 银行信贷风险预测方法及装置 |
| CN112463981A (zh) * | 2020-11-26 | 2021-03-09 | 福建正孚软件有限公司 | 一种基于深度学习的企业内部经营管理风险识别提取方法及系统 |
| CN112785157A (zh) * | 2021-01-22 | 2021-05-11 | 支付宝(杭州)信息技术有限公司 | 风险识别系统的更新方法及装置、风险识别方法及装置 |
| CN113222609A (zh) * | 2021-05-07 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 风险识别方法和装置 |
| CN113420190A (zh) * | 2021-08-23 | 2021-09-21 | 连连（杭州）信息技术有限公司 | 一种商户风险识别方法、装置、设备及存储介质 |
| CN113902540A (zh) * | 2021-09-03 | 2022-01-07 | 度小满科技(北京)有限公司 | 一种用于风险识别的方法和装置 |
| CN114970816A (zh) * | 2022-05-20 | 2022-08-30 | 蚂蚁区块链科技(上海)有限公司 | 训练图神经网络的方法及装置 |
| WO2022252363A1 (zh) * | 2021-06-03 | 2022-12-08 | 腾讯云计算（北京）有限责任公司 | 数据处理方法、计算机设备以及可读存储介质 |
| CN115545943A (zh) * | 2022-09-30 | 2022-12-30 | 支付宝(杭州)信息技术有限公司 | 一种图谱的处理方法、装置及设备 |
-
2023
- 2023-01-16 CN CN202310072663.3A patent/CN116091208B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037038A (zh) * | 2020-09-02 | 2020-12-04 | 中国银行股份有限公司 | 银行信贷风险预测方法及装置 |
| CN112463981A (zh) * | 2020-11-26 | 2021-03-09 | 福建正孚软件有限公司 | 一种基于深度学习的企业内部经营管理风险识别提取方法及系统 |
| CN112785157A (zh) * | 2021-01-22 | 2021-05-11 | 支付宝(杭州)信息技术有限公司 | 风险识别系统的更新方法及装置、风险识别方法及装置 |
| CN113222609A (zh) * | 2021-05-07 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 风险识别方法和装置 |
| WO2022252363A1 (zh) * | 2021-06-03 | 2022-12-08 | 腾讯云计算（北京）有限责任公司 | 数据处理方法、计算机设备以及可读存储介质 |
| CN113420190A (zh) * | 2021-08-23 | 2021-09-21 | 连连（杭州）信息技术有限公司 | 一种商户风险识别方法、装置、设备及存储介质 |
| CN113902540A (zh) * | 2021-09-03 | 2022-01-07 | 度小满科技(北京)有限公司 | 一种用于风险识别的方法和装置 |
| CN114970816A (zh) * | 2022-05-20 | 2022-08-30 | 蚂蚁区块链科技(上海)有限公司 | 训练图神经网络的方法及装置 |
| CN115545943A (zh) * | 2022-09-30 | 2022-12-30 | 支付宝(杭州)信息技术有限公司 | 一种图谱的处理方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116091208A (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI759722B (zh) | 神經網路訓練方法及裝置、圖像處理方法及裝置、電子設備和計算機可讀存儲介質 | |
| TW202113680A (zh) | 人臉和人手關聯檢測方法及裝置、電子設備和電腦可讀儲存媒體 | |
| CN110909815B (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
| CN111581488B (zh) | 一种数据处理方法及装置、电子设备和存储介质 | |
| CN111191715A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| KR102412397B1 (ko) | 연관된 사용자를 추천하는 방법 및 디바이스 | |
| JP2022512023A (ja) | バッチ正規化データの処理方法及び装置、電子機器及び記憶媒体 | |
| CN111931844B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN111259967B (zh) | 图像分类及神经网络训练方法、装置、设备及存储介质 | |
| CN108875993B (zh) | 邀请行为预测方法及装置 | |
| CN111435432B (zh) | 网络优化方法及装置、图像处理方法及装置、存储介质 | |
| CN116091208B (zh) | 基于图神经网络的信贷风险企业识别方法和装置 | |
| CN110659690A (zh) | 神经网络的构建方法及装置、电子设备和存储介质 | |
| CN111724063A (zh) | 一种业务数据处理方法及装置、电子设备和存储介质 | |
| CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
| CN113807498B (zh) | 模型扩展方法及装置、电子设备和存储介质 | |
| CN110232181B (zh) | 评论分析方法及装置 | |
| CN111062407B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN107423757A (zh) | 聚类处理方法及装置 | |
| CN109460458B (zh) | 查询改写意图的预测方法及装置 | |
| WO2023097952A1 (zh) | 预训练模型发布方法及装置、电子设备、存储介质和计算机程序产品 | |
| CN116127353A (zh) | 分类方法、分类模型训练方法、设备及介质 | |
| CN114861841A (zh) | 纵向联邦决策树训练方法及装置 | |
| KR20240046777A (ko) | 활동 인식 방법 및 장치, 전자 장치 및 저장 매체 | |
| CN112884040B (zh) | 训练样本数据的优化方法、系统、存储介质及电子设备 |
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 |