CN117744155A - 一种执行风控业务的方法、装置及存储介质 - Google Patents
一种执行风控业务的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117744155A CN117744155A CN202311871264.XA CN202311871264A CN117744155A CN 117744155 A CN117744155 A CN 117744155A CN 202311871264 A CN202311871264 A CN 202311871264A CN 117744155 A CN117744155 A CN 117744155A
- Authority
- CN
- China
- Prior art keywords
- noise
- graph data
- propagation
- matrix
- determining
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 156
- 230000005540 biological transmission Effects 0.000 claims abstract description 48
- 230000002776 aggregation Effects 0.000 claims abstract description 17
- 238000004220 aggregation Methods 0.000 claims abstract description 17
- 238000012954 risk control Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 12
- 230000014759 maintenance of location Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种执行风控业务的方法、装置及存储介质，确定图数据的用户特征，以及图数据中各节点之间进行特征聚合的传播参数，并根据各用户对应的隐私预算以及图数据的结构信息，确定图数据的噪声，根据噪声对传播参数加噪，确定传播噪声，根据传播噪声对各用户在图数据中的用户特征进行加噪传播，得到各用户的加噪特征，响应于针对各用户中目标用户的风控请求，根据目标用户的加噪特征，确定目标用户的风控结果，并根据风控结果进行风险控制。传播噪声为对传播参数加噪后得到的，根据传播噪声对特征矩阵进行聚合后，得到的加噪特征是对图数据中的特征进行过隐私保护的结果，则加噪特征可用于在隐私保护的前提下对用户执行风控。
Description
技术领域
本说明书涉及计算机技术领域，尤其涉及一种执行风控业务的方法、装置及存储介质。
背景技术
海量的数据是各种人工智能技术发展的重要资源，人工智能越是“智能”，就越要获取、存储和分析更多的用户数据。
在现有技术中，为了更好的利用用户之间的“关联”关系，基于更丰富的用户数据执行业务，可根据大量用户的用户数据以及用户执行的业务数据，构建用户的图数据。基于图数据获取所需的执行业务所需的数据，可更好的执行各种业务。
但是，在基于用户的图数据执行业务的场景中，图数据包含了大量用户的隐私信息，如，交易信息网络中的交易内容、社交网络中的用户信息等，这些隐私信息一旦泄露，将造成严重后果。例如，在风控场景中，若利用图数据中的用户数据进行风险控制，则存在用户隐私泄露的风险。
基于此，本说明书提供一种执行风控业务的方法。
发明内容
本说明书提供一种执行风控业务的方法、装置、存储介质及电子设备，以至少部分地解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种执行风控业务的方法，包括：
获取待处理的图数据，所述图数据的各节点分别与各用户对应，所述图数据的边根据所述各用户的历史业务确定；
确定所述图数据中各节点之间进行特征传播的传播参数，并根据所述各用户对应的隐私预算以及所述图数据的结构信息，确定所述图数据的噪声；
根据所述噪声对所述传播参数加噪，确定传播噪声；
根据所述传播噪声对所述各用户在所述图数据中的用户特征进行加噪传播融合，得到所述各用户的加噪特征；
响应于针对所述各用户中目标用户的风控请求，根据所述目标用户的加噪特征，确定所述目标用户的风控结果，并根据所述风控结果进行风险控制。
可选地，根据所述各用户对应的隐私预算以及所述图数据的结构信息，确定所述图数据的噪声，具体包括：
确定所述图数据包含的节点数，根据所述图数据的结构信息，确定所述图数据各节点连接的边的数量；
根据所述图数据各节点连接的边的数量，确定所述图数据包含的各节点的度；
确定所述图数据包含的各节点的度中的最小值，作为所述图数据包含的节点的最小度；
根据预设的传送概率、所述隐私预算、所述节点数和所述最小度，确定所述图数据的噪声。
可选地，根据预设的传送概率、所述隐私预算、所述节点数和所述最小度，确定所述图数据的噪声，具体包括：
根据预设的传送概率、所述隐私预算、所述节点数和所述最小度，确定噪声参数，其中，所述隐私预算与所述噪声参数负相关，所述节点数与所述噪声参数正相关，所述最小度与所述噪声参数负相关；
确定预设的噪声函数，将所述噪声参数对应的函数值，作为所述图数据的噪声。
可选地，根据所述传播噪声对所述各用户在所述图数据中的用户特征进行加噪传播融合，得到所述各用户的加噪特征，具体包括：
将所述图数据输入编码器，得到所述图数据的包含的各用户的用户特征，根据各用户特征，确定特征矩阵；
将所述传播噪声和所述特征矩阵进行矩阵相乘，得到各用户的加噪特征组成的加噪矩阵。
可选地，确定所述图数据中各节点之间进行特征传播的传播参数，具体包括：
确定所述图数据的路径矩阵；
确定所述图数据各节点对应的用户属性信息，根据各属性信息确定初始矩阵；
根据预设的传送概率和预设的近似精度，确定传播次数；
按照所述传播次数进行迭代传播，针对每次迭代传播过程，确定该次迭代传播过程的上一次迭代传播过程确定的传播矩阵，根据所述该次迭代传播过程的上一次迭代传播过程确定的传播矩阵、所述初始矩阵和所述传送概率，得到该次迭代传播过程的传播矩阵；
将最后一次迭代传播过程得到的传播矩阵，作为传播参数。
可选地，确定所述图数据的路径矩阵，具体包括：
根据所述图数据包含的各节点连接关系，确定所述图数据的邻接矩阵；
将所述邻接矩阵与单位矩阵相加，得到自环邻接矩阵，并确定所述自环邻接矩阵的度矩阵；
通过所述度矩阵，对所述自环邻接矩阵进行对称归一化，得到所述路径矩阵。
可选地，根据所述该次迭代传播过程的上一次迭代传播过程确定的传播矩阵、所述特征矩阵和所述传送概率，得到该次迭代传播过程的传播矩阵，具体包括：
根据所述传送概率，确定保留概率；
将所述路径矩阵和所述该次迭代传播过程的上一次迭代传播过程确定的传播矩阵相乘，确定聚合矩阵，通过所述传送概率对所述聚合矩阵加权，得到加权聚合矩阵；
通过所述保留概率对所述特征矩阵加权，得到保留矩阵；
将所述加权聚合矩阵和所述保留矩阵相加，确定该次迭代传播过程的传播矩阵。
本说明书提供了一种执行风控业务的装置，所述装置包括：
获取模块，获取待处理的图数据，所述图数据的各节点分别与各用户对应，所述图数据的边根据所述各用户的历史业务确定；
噪声确定模块，确定所述图数据中各节点之间进行特征传播的传播参数，并根据所述各用户对应的隐私预算以及所述图数据的结构信息，确定所述图数据的噪声；
传播噪声确定模块，根据所述噪声对所述传播参数加噪，确定传播噪声；
加噪特征确定模块，根据所述传播噪声对所述各用户在所述图数据中的用户特征进行加噪传播融合，得到所述各用户的加噪特征；
风控模块，响应于针对所述各用户中目标用户的风控请求，根据所述目标用户的加噪特征，确定所述目标用户的风控结果，并根据所述风控结果进行风险控制。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述执行风控业务的方法。
本说明书提供了一种电子设备，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执行风控业务的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的执行风控业务的方法中，确定图数据的用户特征，以及图数据中各节点之间进行特征聚合的传播参数，并根据各用户对应的隐私预算以及图数据的结构信息，确定图数据的噪声，根据噪声对传播参数加噪，确定传播噪声，根据传播噪声对各用户在图数据中的用户特征进行加噪传播，得到各用户的加噪特征，响应于针对各用户中目标用户的风控请求，根据目标用户的加噪特征，确定目标用户的风控结果，并根据风控结果进行风险控制。传播噪声为对传播参数加噪后得到的，根据传播噪声对特征矩阵进行聚合后，得到的加噪特征是对图数据中的特征进行过隐私保护的结果，则加噪特征中的加噪特征可用于在隐私保护的前提下对用户执行风控。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中的一种执行风控业务的方法的流程示意图；
图2为本说明书提供的一种执行风控业务的算法流程示意图；
图3为本说明书提供的一种执行风控业务的装置的示意图；
图4为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中的一种执行风控业务的方法的流程示意图，具体包括以下步骤：
S100：获取待处理的图数据，所述图数据的各节点分别与各用户对应，所述图数据的边根据所述各用户的历史业务确定。
在本说明书中，用于执行风控业务的设备可以是服务器，也可以是诸如台式电脑、笔记本电脑等电子设备。为了便于描述，下面仅以服务器为执行主体，对本说明书提供的执行风控业务的方法进行说明。
服务器获取待处理的图数据，该图数据的各节点分别与各用户对应，该图数据的边根据各用户的历史业务确定，历史上存在业务关联的用户由边相连。各节点存储着用户的属性信息，边存储着用户的历史业务信息，用户的属性信息和历史业务信息，均属于隐私信息。
服务器将待处理的图数据输入编码器，得到该图数据中各用户对应的用户特征，一个节点的用户特征为该节点对应的特征向量，根据该图数据包含的各节点的特征向量，组成该图数据对应的特征矩阵。该特征矩阵是通过编码器对图数据中各用户的属性信息进行编码得到的结果，在特征矩阵中并未进行特征的传播融合。其中，该编码器可为任意一种神经网络结构，如多层感知机(multi-layer perceptron，MLP)、图神经网络(Graph NeuralNetwork，GNN)等。
S102：确定所述图数据中各节点之间进行特征传播的传播参数，并根据所述各用户对应的隐私预算以及所述图数据的结构信息，确定所述图数据的噪声。
在本说明书提供的执行风控业务的方法中，采用PPNP框架进行图数据中的用户特征的传播，使用户特征的传播与编码相互分离，通过传播参数指示用户特征的传播，并通过对传播参数加噪，实现对图数据的隐私保护。
服务器确定该图数据中各节点之间进行特征传播的传播参数，并根据各用户对应的隐私预算以及图数据的结构信息，确定图数据的噪声。
首先，服务器需要确定图数据的路径矩阵，该路径矩阵表征了图数据包含的各节点的层次关系，服务器根据路径矩阵对用户特征进行迭代传播。
在本说明书的一个或多个实施例中，服务器可通过该图数据的邻接矩阵确定路径矩阵。具体的，服务器根据该图数据包含的各节点的连接关系，确定该图数据的邻接矩阵。然后，服务器将邻接矩阵与单位矩阵相加，得到自环邻接矩阵，并确定该自环邻接矩阵的度矩阵，通过该度矩阵对该自环邻接矩阵进行对称归一化，得到路径矩阵。
路径矩阵可根据如下公式确定：
其中，A表示该图数据的邻接矩阵，In表示n维的单位矩阵，表示自环邻接矩阵，/>表示/>的度矩阵，/>表示路径矩阵。
额外的，路径矩阵还可以为通过任意一种传播算法确定的矩阵，如，通过随机游走算法确定的随机游走矩阵，本说明书对路径矩阵的确定方式不做具体限制。
其次，服务器确定该图数据各节点对应的用户属性信息，根据各属性信息确定初始矩阵。
服务器根据预设的传送概率和近似精度，确定该图数据的用户特征的传播次数，迭代传播次数用于表征该图数据包含的每个节点对应的用户特征对邻居节点对应的用户特征传播的层数。
具体的，该图数据用户特征的传播次数可根据如下公式确定：
其中，α表示传送概率，ξ表示近似精度，M表示传播次数。
然后，针对每次迭代传播过程，服务器确定该次迭代传播过程的上一迭代传播过程确定的传播矩阵，根据该次迭代传播过程的上一迭代传播过程确定的传播矩阵、初始矩阵和传送概率，得到该次迭代传播过程的传播矩阵。
具体的，第m次迭代传播的传播矩阵可根据如下公式确定：
其中，H表示特征矩阵，Z1 m表示第m次迭代传播过程确定的传播矩阵。
若该次迭代传播过程为第一次迭代传播过程，服务器将该图数据的初始矩阵作为该次迭代传播过程的上一迭代传播过程确定的传播矩阵。即，规定Z1 0＝H。
直至，通过最后一次迭代传播过程，服务器将最后一次迭代传播过程得到的传播矩阵，作为该图数据的传播参数。
对于每个节点来说，为防止该节点的用户特征在传播时，因传播时融合的邻居节点的用户特征的层数越来越高而丢失了该节点原本的用户特征信息，在每次传播中，服务器通过传送概率来控制该节点的用户特征对下一层邻居节点的用户特征的传播融合程度，通过保留概率来控制该节点对自身原本的用户特征的保留程度。其中，传送概率与保留概率之和为1。
该传播参数为应用PPNP框架得到的个性化页面排名(Personalized PageRank，PPR)矩阵，通过该传播参数可以实现对图数据的用户特征的聚合。
利用差分隐私添加噪声是隐私保护的一种常用方法，由于图数据蕴含着复杂的结构信息，对图数据实现基于差分隐私的隐私保护，就要保证两个图数据在仅相差一条边的情况下，对两个图数据的数据分析结果在概率意义上无法区分，即实现边差分隐私。本说明书中采用基于个性化页面排名的传播方式(Personalized Propagation of NeuralPredictions，PPNP)实现图数据中的用户特征的聚合。
在差分隐私中，将隐私定义为一个累积风险的问题，即，随着一个人数据的使用次数的增加，这个人的隐私信息泄露的风险将会增加。差分隐私通过隐私预算量化每次数据的使用而带来的隐私损失，隐私越算用于衡量隐私的保护程度，隐私预算越小，隐私保护程度越高，应施加的噪声也越多。
所以，服务器根据各用户对应的隐私预算、传送概率、节点数和最小度，确定该图数据的噪声。
具体的，服务器确定该图数据包含的节点数，并根据该图数据的结构信息，确定该图数据各节点连接的边的数量，根据该图数据各节点连接的边的数量，确定该图数据包含的各节点的度。确定该图数据包含的各节点的度中的最小值，作为图数据包含的节点的最小度。
服务器根据传送概率、隐私预算、节点数和最小度，确定噪声参数。其中，其中，隐私预算与噪声参数负相关，节点数与噪声参数正相关，最小度与噪声参数负相关。噪声参数用于确定施加噪声的程度，噪声参数越大，代表施加的噪声越多。
服务器还需确定预设的噪声函数，将所述噪声参数对应的函数值，作为该图数据的噪声。该噪声函数可选用拉普拉斯分布函数或高斯分布函数。
该图数据的噪声可根据如下公式确定：
R＝f(θ)
其中，θ表示噪声参数，B表示该图数据包含的节点数，ε表示隐私预算，D表示该图数据包含的节点的最小度，f(·)表示噪声函数，R表示该图数据的噪声。
该图数据的噪声中的每个噪声值为符合扰动函数分布的随机变量。隐私预算越大，代表隐私保护程度低，图数据被泄露的风险小，则噪声参数越小，对应的噪声函数的函数图像越尖锐，均值附近的随机变量产生的概率越大，产生的随机变量更多的集中在均值附近，该图数据的噪声中的噪声值的混乱程度越小，即施加的噪声越少。
隐私预算越小，代表隐私保护程度高，图数据被泄露的风险大，则噪声参数越大，对应的噪声函数的函数图像越平缓，远离均值的随机变量产生的概率越大，即产生的随机变量越分散，该图数据的噪声中的噪声值的混乱程度越大，即施加的噪声越多。
图数据的节点数越多，节点的最小度越大，代表该图数据包含的用户节点的数量越多，该图数据的各用户之间的业务关系越复杂，则该图数据的结构越复杂，该图数据包含的隐私数据的信息量越大。则在对该图数据进行隐私保护时，应该对该图数据施加更多的噪声，以保护该图数据的隐私数据不被泄露。所以，图数据的节点数越多，节点的最小度越大，对应的噪声参数越大，即，节点数与噪声参数正相关，最小度与噪声参数负相关。
S104：根据所述噪声对所述传播参数加噪，确定传播噪声。
服务器得到该图数据的噪声后，将传播参数与该噪声相加，确定传播噪声。
传播噪声可根据如下公式确定：
Z2＝Z1 M+R
其中，Z2表示传播噪声。
传播噪声为根据利用差分隐私对传播参数进行加噪后的矩阵，根据传播噪声对用户特征进行聚合后，可以实现对图数据的隐私保护。
S106：根据所述传播噪声对所述各用户在所述图数据中的用户特征进行加噪传播融合，得到所述各用户的加噪特征。
服务器将传播噪声与该图数据的编码得到的特征矩阵进行矩阵相乘，则可得到该图数据的加噪矩阵。由于特征矩阵是未进行特征传播融合特征，将加噪特征与特征矩阵进行矩阵相乘，代表着按照加噪特征对特征矩阵进行特征的传播融合，传播噪声为对传播参数添加噪声后得到的矩阵，所以特征矩阵中各节点的特征传播融合的次数即为传播参数的传播次数。
然后，服务器可根据该加噪矩阵，确定该图数据中各用户的加噪特征，加噪矩阵由各用户的加噪特征组成。
图2为本说明书提供的一种执行风控业务的算法流程示意图，“+”表示矩阵相加，“×”表示矩阵相乘。如图2所示，通过编码器得到特征矩阵，通过迭代传播得到传播参数，然后通过对传播参数加噪得到传播噪声，将传播噪声与特征矩阵进行矩阵相乘，得到各用户的加噪特征。
S110：响应于针对所述各用户中目标用户的风控请求，根据所述目标用户的加噪特征，确定所述目标用户的风控结果，并根据所述风控结果进行风险控制。
加噪特征是对图数据的中的用户特征进行过隐私保护的特征，该加噪特征可响应于针对图数据包含的各用户中目标用户的风控请求，根据目标用户的加噪特征，确定目标用户的风控结果，并根据所述风控结果进行风险控制。
如，该图数据为转账关系图，目标用户执行转账任务时，风控系统应用本说明书提供的方法对该目标用户执行风控，在加噪矩阵各用户的加噪特征中，确定该用户的加噪特征。针对该用户的加噪特征，判断对该用户的风控结果，即该用户是否为风险用户，若是，则对转账业务进行风险控制。
因为本说明书提供的执行风控业务的方法采用了PPNP框架，使得用户特征的传播融合与编码分离，增加了用户特征的传播次数，使得到的加噪特征更加全局化，加噪矩阵中包含的各用户的加噪特征更能体现出各用户的用户特征的差异，这样加噪特征用于风控任务，取得的效果也会更好。
另外，在PPNP框架下，只有编码器中包含有一层模型参数，该第一传播矩阵参数通过迭代的方式获得，且在迭代过程中不需要任何模型参数，极大减少了在图数据的隐私保护执行业务风控的过程中的计算代价，提高了对图数据的风控效率。
在本说明书提供的执行风控业务的方法中，确定图数据的用户特征，以及图数据中各节点之间进行特征聚合的传播参数，并根据各用户对应的隐私预算以及图数据的结构信息，确定图数据的噪声，根据噪声对传播参数加噪，确定传播噪声，根据传播噪声对各用户在图数据中的用户特征进行加噪传播，得到各用户的加噪特征，响应于针对各用户中目标用户的风控请求，根据目标用户的加噪特征，确定目标用户的风控结果，并根据风控结果进行风险控制。传播噪声为对传播参数加噪后得到的，根据传播噪声对特征矩阵进行聚合后，得到的加噪特征是对图数据中的特征进行过隐私保护的结果，则加噪特征中的加噪特征可用于在隐私保护的前提下对用户执行风控。
以上是本说明书提供的执行风控业务的方法，基于同样的思路，本说明书还提供了相应的执行风控业务的装置，如图3所示。
图3为本说明书提供的一种执行风控业务的装置示意图，具体包括：
获取模块200，获取待处理的图数据，所述图数据的各节点分别与各用户对应，所述图数据的边根据所述各用户的历史业务确定；
噪声确定模块202，确定所述图数据中各节点之间进行特征传播的传播参数，并根据所述各用户对应的隐私预算以及所述图数据的结构信息，确定所述图数据的噪声；
传播噪声确定模块204，根据所述噪声对所述传播参数加噪，确定传播噪声；
加噪特征确定模块206，根据所述传播噪声对所述各用户在所述图数据中的用户特征进行加噪传播融合，得到所述各用户的加噪特征；
风控模块208，响应于针对所述各用户中目标用户的风控请求，根据所述目标用户的加噪特征，确定所述目标用户的风控结果，并根据所述风控结果进行风险控制。
可选地，所述噪声确定模块202，具体用于确定所述图数据的路径矩阵，确定所述图数据各节点对应的用户属性信息，根据各属性信息确定初始矩阵，根据预设的传送概率和预设的近似精度，确定传播次数，按照所述传播次数进行迭代传播，针对每次迭代传播过程，确定该次迭代传播过程的上一次迭代传播过程确定的传播矩阵，根据所述该次迭代传播过程的上一次迭代传播过程确定的传播矩阵、所述初始矩阵和所述传送概率，得到该次迭代传播过程的传播矩阵，将最后一次迭代传播过程得到的传播矩阵，作为传播参数。
可选地，所述噪声确定模块202，具体用于根据所述图数据包含的各节点连接关系，确定所述图数据的邻接矩阵，将所述邻接矩阵与单位矩阵相加，得到自环邻接矩阵，并确定所述自环邻接矩阵的度矩阵，通过所述度矩阵，对所述自环邻接矩阵进行对称归一化，得到所述路径矩阵。
可选地，所述噪声确定模块202，具体用于根据所述传送概率，确定保留概率，将所述路径矩阵和所述该次迭代传播过程的上一次迭代传播过程确定的传播矩阵相乘，确定聚合矩阵，通过所述传送概率对所述聚合矩阵加权，得到加权聚合矩阵，通过所述保留概率对所述特征矩阵加权，得到保留矩阵，将所述加权聚合矩阵和所述保留矩阵相加，确定该次迭代传播过程的传播矩阵。
可选地，所述噪声确定模块202，具体用于确定所述图数据包含的节点数，根据所述图数据的结构信息，确定所述图数据各节点连接的边的数量，根据所述图数据各节点连接的边的数量，确定所述图数据包含的各节点的度，确定所述图数据包含的各节点的度中的最小值，作为所述图数据包含的节点的最小度，根据预设的传送概率、所述隐私预算、所述节点数和所述最小度，确定所述图数据的噪声。
可选地，所述噪声确定模块202，具体用于根据预设的传送概率、所述隐私预算、所述节点数和所述最小度，确定噪声参数，其中，所述隐私预算与所述噪声参数负相关，所述节点数与所述噪声参数正相关，所述最小度与所述噪声参数负相关，确定预设的噪声函数，将所述噪声参数对应的函数值，作为所述图数据的噪声。
可选地，所述加噪特征确定模块206，具体用于将所述图数据输入编码器，得到所述图数据的包含的各用户的用户特征，根据各用户特征，确定特征矩阵，将所述传播噪声和所述特征矩阵进行矩阵相乘，得到各用户的加噪特征组成的加噪矩阵。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的执行风控业务的方法。
本说明书还提供了图4所示的电子设备的示意结构图。如图4所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的执行风控业务的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
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(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array，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(logiccompiler)”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 DescriptionLanguage，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java HardwareDescription Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware DescriptionLanguage)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated CircuitHardware 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：ARC 625D、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。
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，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，并不用于限制本说明书。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，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种执行风控业务的方法，其特征在于，包括：
获取待处理的图数据，所述图数据的各节点分别与各用户对应，所述图数据的边根据所述各用户的历史业务确定；
确定所述图数据中各节点之间进行特征传播的传播参数，并根据所述各用户对应的隐私预算以及所述图数据的结构信息，确定所述图数据的噪声；
根据所述噪声对所述传播参数加噪，确定传播噪声；
根据所述传播噪声对所述各用户在所述图数据中的用户特征进行加噪传播融合，得到所述各用户的加噪特征；
响应于针对所述各用户中目标用户的风控请求，根据所述目标用户的加噪特征，确定所述目标用户的风控结果，并根据所述风控结果进行风险控制。
2.如权利要求1所述的方法，其特征在于，根据所述各用户对应的隐私预算以及所述图数据的结构信息，确定所述图数据的噪声，具体包括：
确定所述图数据包含的节点数，根据所述图数据的结构信息，确定所述图数据各节点连接的边的数量；
根据所述图数据各节点连接的边的数量，确定所述图数据包含的各节点的度；
确定所述图数据包含的各节点的度中的最小值，作为所述图数据包含的节点的最小度；
根据预设的传送概率、所述隐私预算、所述节点数和所述最小度，确定所述图数据的噪声。
3.如权利要求2所述的方法，其特征在于，根据预设的传送概率、所述隐私预算、所述节点数和所述最小度，确定所述图数据的噪声，具体包括：
根据预设的传送概率、所述隐私预算、所述节点数和所述最小度，确定噪声参数，其中，所述隐私预算与所述噪声参数负相关，所述节点数与所述噪声参数正相关，所述最小度与所述噪声参数负相关；
确定预设的噪声函数，将所述噪声参数对应的函数值，作为所述图数据的噪声。
4.如权利要求1所述的方法，其特征在于，根据所述传播噪声对所述各用户在所述图数据中的用户特征进行加噪传播融合，得到所述各用户的加噪特征，具体包括：
将所述图数据输入编码器，得到所述图数据的包含的各用户的用户特征，根据各用户特征，确定特征矩阵；
将所述传播噪声和所述特征矩阵进行矩阵相乘，得到各用户的加噪特征组成的加噪矩阵。
5.如权利要求1所述的方法，其特征在于，确定所述图数据中各节点之间进行特征传播的传播参数，具体包括：
确定所述图数据的路径矩阵；
确定所述图数据各节点对应的用户属性信息，根据各属性信息确定初始矩阵；
根据预设的传送概率和预设的近似精度，确定传播次数；
按照所述传播次数进行迭代传播，针对每次迭代传播过程，确定该次迭代传播过程的上一次迭代传播过程确定的传播矩阵，根据所述该次迭代传播过程的上一次迭代传播过程确定的传播矩阵、所述初始矩阵和所述传送概率，得到该次迭代传播过程的传播矩阵；
将最后一次迭代传播过程得到的传播矩阵，作为传播参数。
6.如权利要求5所述的方法，其特征在于，确定所述图数据的路径矩阵，具体包括：
根据所述图数据包含的各节点连接关系，确定所述图数据的邻接矩阵；
将所述邻接矩阵与单位矩阵相加，得到自环邻接矩阵，并确定所述自环邻接矩阵的度矩阵；
通过所述度矩阵，对所述自环邻接矩阵进行对称归一化，得到所述路径矩阵。
7.如权利要求5所述的方法，其特征在于，根据所述该次迭代传播过程的上一次迭代传播过程确定的传播矩阵、所述特征矩阵和所述传送概率，得到该次迭代传播过程的传播矩阵，具体包括：
根据所述传送概率，确定保留概率；
将所述路径矩阵和所述该次迭代传播过程的上一次迭代传播过程确定的传播矩阵相乘，确定聚合矩阵，通过所述传送概率对所述聚合矩阵加权，得到加权聚合矩阵；
通过所述保留概率对所述特征矩阵加权，得到保留矩阵；
将所述加权聚合矩阵和所述保留矩阵相加，确定该次迭代传播过程的传播矩阵。
8.一种执行风控业务的装置，其特征在于，包括：
获取模块，获取待处理的图数据，所述图数据的各节点分别与各用户对应，所述图数据的边根据所述各用户的历史业务确定；
噪声确定模块，确定所述图数据中各节点之间进行特征传播的传播参数，并根据所述各用户对应的隐私预算以及所述图数据的结构信息，确定所述图数据的噪声；
传播噪声确定模块，根据所述噪声对所述传播参数加噪，确定传播噪声；
加噪特征确定模块，根据所述传播噪声对所述各用户在所述图数据中的用户特征进行加噪传播融合，得到所述各用户的加噪特征；
风控模块，响应于针对所述各用户中目标用户的风控请求，根据所述目标用户的加噪特征，确定所述目标用户的风控结果，并根据所述风控结果进行风险控制。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～7任一项所述的方法。
10.一种电子设备，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上述权利要求1～7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311871264.XA CN117744155A (zh) | 2023-12-29 | 2023-12-29 | 一种执行风控业务的方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311871264.XA CN117744155A (zh) | 2023-12-29 | 2023-12-29 | 一种执行风控业务的方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117744155A true CN117744155A (zh) | 2024-03-22 |
Family
ID=90281353
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311871264.XA Pending CN117744155A (zh) | 2023-12-29 | 2023-12-29 | 一种执行风控业务的方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117744155A (zh) |
-
2023
- 2023-12-29 CN CN202311871264.XA patent/CN117744155A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2728820C1 (ru) | Способ и устройство обработки данных на основе блокчейна | |
| CN115981870B (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
| CN115618748B (zh) | 一种模型优化的方法、装置、设备及存储介质 | |
| CN116167461B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN116049761A (zh) | 数据处理方法、装置及设备 | |
| CN116663618A (zh) | 一种算子优化方法、装置、存储介质及电子设备 | |
| CN116757278B (zh) | 一种预测模型的训练方法、装置、存储介质及电子设备 | |
| CN115827918B (zh) | 一种执行业务的方法、装置、存储介质及电子设备 | |
| CN116304212A (zh) | 一种数据处理系统、方法、设备及存储介质 | |
| CN117744155A (zh) | 一种执行风控业务的方法、装置及存储介质 | |
| CN116402108A (zh) | 一种模型训练及图数据的处理方法、装置、介质及设备 | |
| CN116308375A (zh) | 数据处理方法、装置及设备 | |
| CN116109008B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
| CN115795342B (zh) | 一种业务场景分类的方法、装置、存储介质及电子设备 | |
| CN117171401B (zh) | 基于分层预计算的图数据中最短路径的查询方法和装置 | |
| CN115510927B (zh) | 故障检测方法、装置及设备 | |
| CN116340852B (zh) | 一种模型训练、业务风控的方法及装置 | |
| CN115545938B (zh) | 一种执行风险识别业务的方法、装置、存储介质及设备 | |
| CN117348999B (zh) | 一种业务执行系统及业务执行方法 | |
| CN117593004A (zh) | 数据处理方法、装置及设备 | |
| CN116484002A (zh) | 一种论文分类方法、装置、存储介质及电子设备 | |
| CN117973869A (zh) | 一种业务风控方法、装置、电子设备及存储介质 | |
| CN117592102A (zh) | 一种业务执行方法、装置、设备及存储介质 | |
| CN116363418A (zh) | 一种训练分类模型的方法、装置、存储介质及电子设备 | |
| CN117909926A (zh) | 一种风险识别方法、装置、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 |