TWI715880B - 基於圖結構模型的信用風險控制方法、裝置以及設備 - Google Patents

基於圖結構模型的信用風險控制方法、裝置以及設備 Download PDF

Info

Publication number
TWI715880B
TWI715880B TW107135932A TW107135932A TWI715880B TW I715880 B TWI715880 B TW I715880B TW 107135932 A TW107135932 A TW 107135932A TW 107135932 A TW107135932 A TW 107135932A TW I715880 B TWI715880 B TW I715880B
Authority
TW
Taiwan
Prior art keywords
node
graph structure
structure model
credit risk
embedding vector
Prior art date
Application number
TW107135932A
Other languages
English (en)
Other versions
TW201928848A (zh
Inventor
樂 宋
李輝
葛志邦
黃鑫
文春陽
王琳
姜濤
王一光
常曉夫
朱冠胤
Original Assignee
開曼群島商創新先進技術有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 開曼群島商創新先進技術有限公司 filed Critical 開曼群島商創新先進技術有限公司
Publication of TW201928848A publication Critical patent/TW201928848A/zh
Application granted granted Critical
Publication of TWI715880B publication Critical patent/TWI715880B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Technology Law (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本說明書實施例公開了一種基於圖結構模型的信用風險控制方法、裝置以及設備，方案包括：預先根據企業及其關聯因素的相關資料搭建合適的企業關係網路，進行特徵整合並定義圖結構模型，利用標注樣本訓練圖結構模型，然後，利用訓練後的圖結構模型計算隱式特徵空間中節點多次迭代的嵌入向量及其預測機率，並據此對節點進行信用風險控制。

Description

基於圖結構模型的信用風險控制方法、裝置以及設備
本說明書涉及電腦軟體技術領域，尤其涉及一種基於圖結構模型的信用風險控制方法、裝置以及設備。
隨著電腦和網際網路技術的迅速發展，很多業務可以在網上進行，包括信用業務等。 在現有技術，對於網際網路中的用戶，往往通過收集用戶的行為資料來評估用戶的信用，進而能夠基於用戶信用，向用戶貸款或者提供資金以外其他類型資源的支用權限，而對於小型企業，其經營狀況和風險往往不能直接體現在網際網路中，往往需要依賴專門的機構對小型企業進行資料收集和報導。 基於現有技術，需要有效的信用風險控制方案。
本說明書實施例提供一種基於圖結構模型的信用風險控制方法、裝置以及設備，用以解決如下技術問題：需要有效的信用風險控制方案。 為解決上述技術問題，本說明書實施例是這樣實現的： 本說明書實施例提供的一種基於圖結構模型的信用風險控制方法，包括： 獲取利用標注樣本訓練過的圖結構模型，該圖結構模型根據企業關係網路定義，該企業關係網路由企業、帳號、高級主管、公務員、法人中的一種或者多種節點以及該節點間關係構成；該圖結構模型用於根據該節點的原始特徵，和/或該節點間關聯的邊的特徵，計算隱式特徵空間中該節點多次迭代後的嵌入向量； 利用該訓練過的圖結構模型，計算待測樣本對應的嵌入向量； 根據該待測樣本對應的嵌入向量，對該待測樣本進行信用風險控制； 其中，該標注樣本被標注了其對應的節點是否為信用風險節點。 本說明書實施例提供的一種基於圖結構模型的信用風險控制裝置，包括： 獲取模組，獲取利用標注樣本訓練過的圖結構模型，該圖結構模型根據企業關係網路定義，該企業關係網路由企業、帳號、高級主管、公務員、法人中的一種或者多種節點以及該節點間關係構成；該圖結構模型用於根據該節點的原始特徵，和/或該節點間關聯的邊的特徵，計算隱式特徵空間中該節點多次迭代後的嵌入向量； 計算模組，利用該訓練過的圖結構模型，計算待測樣本對應的嵌入向量； 風控模組，根據該待測樣本對應的嵌入向量，對該待測樣本進行信用風險控制； 其中，該標注樣本被標注了其對應的節點是否為信用風險節點。 本說明書實施例提供的一種基於圖結構模型的信用風險控制設備，包括： 至少一個處理器；以及， 與該至少一個處理器通信連接的記憶體；其中， 該記憶體儲存有可被該至少一個處理器執行的指令，該指令被該至少一個處理器執行，以使該至少一個處理器能夠： 獲取利用標注樣本訓練過的圖結構模型，該圖結構模型根據企業關係網路定義，該企業關係網路由企業、帳號、高級主管、公務員、法人中的一種或者多種節點以及該節點間關係構成；該圖結構模型用於根據該節點的原始特徵，和/或該節點間關聯的邊的特徵，計算隱式特徵空間中該節點多次迭代後的嵌入向量； 利用該訓練過的圖結構模型，計算待測樣本對應的嵌入向量； 根據該待測樣本對應的嵌入向量，對該待測樣本進行信用風險控制； 其中，該標注樣本被標注了其對應的節點是否為信用風險節點。 本說明書實施例採用的上述至少一個技術方案能夠達到以下有益效果：能夠有效地整合企業關係網路結構特徵、節點特徵和邊特徵，計算節點對應的嵌入向量和/或預測機率，進而根據嵌入向量和/或預測機率有效地對節點進行信用風險控制。
本說明書實施例提供圖結構模型訓練、基於圖結構模型的信用風險控制方法、裝置以及設備。 為了使本技術領域的人員更好地理解本說明書中的技術方案，下面將結合本說明書實施例中的圖式，對本說明書實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本說明書實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都應當屬於本發明保護的範圍。 如先前技術中該，企業尤其是小型企業的信用難以評估。本發明嘗試使用企業的高級主管和法人的資訊，並結合他們周邊的網路關係，整合企業、高級主管、法人、公務員以及帳號等因素構成的複雜網路資訊，評估企業或者帳號的信用，進而進行風險控制。 圖1為本說明書的方案在一種實際應用場景下涉及的一種整體架構示意圖。該整體架構中，主要涉及兩部分：企業及其關聯因素、平台伺服器。關聯因素比如包括：企業相關的帳號、高級主管、法人和公務員等。平台伺服器可以包括一個或者多個設備，平台伺服器根據企業及其關聯因素的相關資料建立企業關係網路，定義相應的圖結構模型並訓練，用於信用風險控制。 下面基於圖1中的架構，對本說明書的方案進行詳細說明。 圖2為本說明書實施例提供的一種圖結構模型訓練方法的流程示意圖。圖2中的流程包括以下步驟： S202：根據企業及其關聯因素的相關資料，建立企業關係網路，該企業關係網路由企業、帳號、高級主管、公務員、法人中的一種或者多種節點以及該節點間關係構成。 帳號、高級主管、公務員、法人等其他節點與企業有直接或間接關聯關係。比如，企業的帳號、企業內一些關鍵的自然人的帳號、企業的高級主管、企業業務直接涉及的公務員、與企業內一些關鍵的自然人關係較好的公務員、法人本身、企業的法定代表人或者法人代表等。帳號比如為銀行帳號、第三方支付平台帳號、或者股票帳號等。 在企業關係網路中，企業、高級主管、公務員、法人等節點可以用相應的標識資訊表示，比如，企業名稱、高級主管的身份證號、公務員的編號、法定代表人的身份證號等。 企業關係網路可以包括一種網路或者多種異構網路的組合，可以適應於實際需求建立。 例如，企業與企業之間的持股關係網路、法人對企業的持股關係網路、高級主管在企業的任職關係網路、企業與公務員的關聯關係網路、高級主管與公務員的關聯關係網路、高級主管與帳號的所屬關係網路、帳號之間的家庭關係網路、帳號之間的好友關係網路、帳號之間相互轉帳的資金網路、帳號之間的相互標注網路等。該標注可以指標記標簽、備註資訊等。 在本說明書實施例中，企業關係網路是圖資料，其直觀而便於利用圖演算法進行處理，效率較高。 帳號關係網路中的節點可以包含其原始特徵。原始特徵可以包括節點類型以及不同類型節點各自的特徵。企業節點的特徵比如包括：企業的等級（如是否是世界五百強企業、是否是國內百強企業、是否是行業內百強企業等）、類型、註冊資本、註冊時長、所在地區、財報資料等；高級主管或者公務員節點的特徵比如包括：高級主管或者公務員的年齡、性別、籍貫、學歷、收入等；帳號節點的特徵比如包括：帳號在一定時間內的資產金額、資產規模、交易資料、轉帳資料、登錄註冊天數等，交易資料比如包括交易金額、交易次數、交易天數、交易月份數、購買不同類型的商品的次數等明細或者統計資料，轉帳資料比如包括轉帳金額、轉帳次數、轉帳天數、轉帳月份數等明細或者統計資料。 帳號關係網路中的邊可以包含其所連接的節點之間的關聯特徵，一般包括以下至少一種：持股關係資料、從屬關係資料、人際關係資料、業務關係資料、評價資料等。對於節點間的持股關係，邊的特徵比如是持股比例等；對於節點間的從屬關係，邊的特徵比如是高級主管在企業任職的職位等；對於節點間的人際關係，高級主管與公務員的好友關係或者以往的共事關係等；對於節點間的業務關係，邊的特徵比如是帳號之間的轉帳資料、企業與公務員之間的公事業務關係等；對於節點間的評價，邊的特徵比如是帳號互相的備註資訊等。 S204：根據該企業關係網路，定義圖結構模型，該圖結構模型用於根據該節點的原始特徵，和/或該節點間關聯的邊的特徵，計算隱式特徵空間中該節點多次迭代後的嵌入向量。 在本說明書實施例中，可以對企業關係網路中的節點的原始特徵和邊特徵進行整合，定義特徵空間。進而根據一個或者多個特徵空間、特徵空間待定的權重矩陣，以及指定的非線性變換函數，定義圖結構模型。 該權重矩陣用於對特徵空間進行線性變換，該非線性變換函數用於對特徵空間進行非線性變化，從而，通過圖結構模型能夠將節點的原始特徵和邊特徵進行複雜的映射，最終映射至一個更為複雜的隱式特徵空間，該嵌入向量即反映對應的節點在該最終的隱式特徵空間嵌入的特徵。 在多次迭代的情況下，還可以根據前一次迭代結果自身定義特徵空間，該特徵空間相比於根據節點的原始特徵或者邊特徵定義的特徵空間，也可以視為一種隱式特徵空間。 根據上面的分析，隱式特徵空間中該節點在每次迭代後的嵌入向量可以是根據以下一種或者多種因素組合計算得到的：該根據節點的原始特徵、該節點與其他節點關聯的邊的特徵，以及隱式特徵空間中該節點在之前一次或者多次迭代後的嵌入向量計算得到的。 S208：利用標注樣本，訓練該圖結構模型，該標注樣本被標注了其對應的節點是否為信用風險節點。 在本說明書實施例中，可以預先標注一些已有的樣本是否是信用風險樣本，以用於訓練圖結構模型。任意樣本可以對應圖結構模型中的一個節點，信用風險樣本對應的節點為信用風險節點，在信用風險控制場景下，樣本一般是被標注的企業或者帳號。 以下各實施例主要以樣本是企業為例進行說明。一般可以根據企業使用信貸產品後的行為資料，若支用後出現長時間逾期的情況，則可以將該企業視為信用風險企業並進行標注，實際業務中可以考慮每天進行一次標注，也可以多天一起標注，等等。當然該例的標注標準是示例性的，並非對本發明的限定，標注標準可以根據實際需求定義。 在本說明書實施例中，訓練圖結構模型是為了確定合適的權重矩陣，使得基於訓練後的圖結構模型計算的嵌入向量能夠儘量真實地表達其對應的節點的性質，比如，是否為信用風險節點等。 通過圖2的方法，能夠有效地整合企業關係網路結構特徵、節點特徵和邊特徵，計算節點對應的嵌入向量和/或預測機率，進而根據嵌入向量和/或預測機率有效地對節點進行信用風險控制。 基於圖2的方法，本說明書實施例還提供了該方法的一些具體實施方案，以及擴展方案，繼續進行說明。 在本說明書實施例中，該圖結構模型還用於根據該嵌入向量，計算該節點的預測機率。在信用風險控制的場景下，預測機率可以表示節點是信用風險節點的機率。 在本說明書實施例中，直觀地，用一個實例對圖結構模型的定義以及訓練過程進行說明。假定
Figure 02_image001
表示要迭代的次數，總共有
Figure 02_image003
個節點，
Figure 02_image005
表示第
Figure 02_image007
個節點的標注結果（比如，風險節點標注為1，非風險節點標注為0），
Figure 02_image009
表示第
Figure 02_image007
個節點的原始特徵（特徵維度為
Figure 02_image011
維），
Figure 02_image013
表示第
Figure 02_image007
個節點與第
Figure 02_image015
個節點關聯的邊的特徵（特徵維度為
Figure 02_image017
維），
Figure 02_image019
表示第
Figure 02_image007
個節點的相鄰節點構成的集合，最終需要嵌入的隱式特徵空間的維度為
Figure 02_image021
維，
Figure 02_image023
表示隱式特徵空間中第
Figure 02_image007
個節點在第
Figure 02_image026
次迭代的嵌入向量。 假定隱式特徵空間中該節點在第
Figure 02_image028
次迭代後的嵌入向量是根據該節點的原始特徵、節點與其他節點關聯的邊的特徵，以及隱式特徵空間中該節點在第
Figure 02_image030
次迭代後的嵌入向量計算得到的。一種示例性的圖結構模型的定義如下所示： “對
Figure 02_image032
（
Figure 02_image034
維）、
Figure 02_image036
（
Figure 02_image038
維）、
Figure 02_image040
（
Figure 02_image042
維）、
Figure 02_image044
（
Figure 02_image046
維）初始化，比如採用標準高斯分佈初始化； for
Figure 02_image048
to
Figure 02_image050
： //
Figure 02_image050
次迭代執行 for
Figure 02_image051
to
Figure 02_image053
： //
Figure 02_image055
個節點遍歷執行
Figure 02_image057
； //（公式一）第
Figure 02_image059
個節點第
Figure 02_image028
次迭代的過程 for
Figure 02_image051
to
Figure 02_image053
： //
Figure 02_image055
個節點遍歷執行
Figure 02_image061
； //（公式二）第
Figure 02_image059
個節點
Figure 02_image063
次迭代後的預測機率 optimize
Figure 02_image064
； //（公式三）第
Figure 02_image059
個節點
Figure 02_image063
次迭代後的預測機率 其中，
Figure 02_image066
表示非線性變換函數（比如，Relu、Sigmoid、Tanh等函數），
Figure 02_image068
、
Figure 02_image070
、
Figure 02_image071
、
Figure 02_image073
表示權重矩陣，
Figure 02_image075
表示針對第
Figure 02_image059
個節點與第
Figure 02_image077
個節點的權重矩陣（比如設置為對角矩陣），
Figure 02_image079
表示第
Figure 02_image059
個節點經過
Figure 02_image063
次迭代後的預測機率，
Figure 02_image081
表示用於計算交叉熵的函數。” 在上例的場景下，對於步驟S206，該利用標注樣本，訓練該圖結構模型，具體可以包括：利用反向傳播演算法和標注的樣本，對
Figure 02_image064
進行優化，求得最優的
Figure 02_image068
、
Figure 02_image070
、
Figure 02_image071
、
Figure 02_image087
。這裡的優化目標是基於預測機率與標注結果的交叉熵設置的。需要說明的是，實際上還可以基於交叉熵以外的，其他能夠度量預測機率與標注結果的一致性的參數來設置優化目標，優化目標是使得預測機率與標注結果的一致性儘量高。 上面的公式一、公式二、公式三都是示例性的，並非唯一方案。比如，公式一中
Figure 02_image088
、
Figure 02_image089
、
Figure 02_image090
分別的所在項可以通過乘法、指數或者對數等運算進行變形，或者還可以合併這兩項，或者還可以刪除其中一項；再比如，公式二中也可以將
Figure 02_image092
函數替換為其他適用的歸一化函數；等等。 進一步地，訓練圖結構模型後，可以利用訓練後的圖結構模型，通過前向傳播，計算已有的樣本以及新樣本的嵌入向量和/或預測機率。進而可以將計算出的嵌入向量和/或預測機率用於樣本相關的業務，比如，將嵌入向量作為其他模型的輸入（如集合其他有監督、無監督或者增強學習進行再整合等），或者直接使用嵌入向量或者預測機率，判定對應樣本的性質，以信用風險控制為例，比如，當對某企業的預測機率高於一定閾值時，可以判定該企業為信用風險企業進而能夠風控。 基於同樣的思路，本說明書實施例還提供了一種基於圖結構模型的信用風險控制方法，圖3為該信用風險控制方法的流程示意圖。圖3中的流程包括以下步驟： S302：獲取利用標注樣本訓練過的圖結構模型，該圖結構模型根據企業關係網路定義，該企業關係網路由企業、帳號、高級主管、公務員、法人中的一種或者多種節點以及該節點間關係構成；該圖結構模型用於根據該節點的原始特徵，和/或該節點間關聯的邊的特徵，計算隱式特徵空間中該節點多次迭代後的嵌入向量。 在本說明書實施例中，圖3中的圖結構模型即是利用圖2的方法訓練的，可以參照上面對圖2的說明理解圖3的方法。 S304：利用該訓練過的圖結構模型，計算待測樣本對應的嵌入向量。 S306：根據該待測樣本對應的嵌入向量，對該待測樣本進行信用風險控制；其中，該標注樣本被標注了其對應的節點是否為信用風險節點。 在實際應用中，預測機率能夠直觀地表現樣本所涉及的企業是信用風險企業的可能性。因此，對於步驟S306，可以根據待測樣本對應的嵌入向量，利用訓練過的圖結構模型，進一步地計算出待測樣本對應的預測機率，再根據待測樣本對應的預測機率，對待測樣本進行信用風險控制。比如，假定某待測樣本為企業，則若計算出的該企業對應的預測機率大於設定閾值，則可以判定該企業信用較低，為信用風險企業，進而可以拒絕其貸款請求或者對調整對其的貸款額度等。 基於同樣的思路，本說明書實施例還提供了上述方法的對應裝置，如圖4、圖5所示。 圖4為本說明書實施例提供的對應於圖2的一種圖結構模型訓練裝置的結構示意圖，該裝置包括： 建立模組401，根據企業及其關聯因素的相關資料，建立企業關係網路，該企業關係網路由企業、帳號、高級主管、公務員、法人中的一種或者多種節點以及該節點間關係構成； 定義模組402，根據該企業關係網路，定義圖結構模型，該圖結構模型用於根據該節點的原始特徵，和/或該節點間關聯的邊的特徵，計算隱式特徵空間中該節點多次迭代後的嵌入向量； 訓練模組403，利用標注樣本，訓練該圖結構模型，該標注樣本被標注了其對應的節點是否為信用風險節點。 圖5為本說明書實施例提供的對應於圖3的一種基於圖結構模型的信用風險控制裝置的結構示意圖，該裝置包括： 獲取模組501，獲取利用標注樣本訓練過的圖結構模型，該圖結構模型根據企業關係網路定義，該企業關係網路由企業、帳號、高級主管、公務員、法人中的一種或者多種節點以及該節點間關係構成；該圖結構模型用於根據該節點的原始特徵，和/或該節點間關聯的邊的特徵，計算隱式特徵空間中該節點多次迭代後的嵌入向量； 計算模組502，利用該訓練過的圖結構模型，計算待測樣本對應的嵌入向量； 風控模組503，根據該待測樣本對應的嵌入向量，對該待測樣本進行信用風險控制； 其中，該標注樣本被標注了其對應的節點是否為信用風險節點。 可選地，該圖結構模型還用於根據該嵌入向量，計算該節點的預測機率，該預測機率表示該節點是信用風險節點的機率； 該風控模組503根據該待測樣本對應的嵌入向量，對該待測樣本進行信用風險控制，具體包括： 該風控模組503根據該待測樣本對應的嵌入向量，利用該訓練過的圖結構模型，計算該待測樣本對應的預測機率； 根據該待測樣本對應的預測機率，對該待測樣本進行信用風險控制。 可選地，該企業關係網路包括以下一種或者多種網路的組合：企業與企業之間的持股關係網路、法人對企業的持股關係網路、高級主管在企業的任職關係網路、企業與公務員的關聯關係網路、高級主管與公務員的關聯關係網路、高級主管與帳號的所屬關係網路、帳號之間的家庭關係網路、帳號之間的好友關係網路、帳號之間相互轉帳的資金網路、帳號之間的相互標注網路。 可選地，該邊的特徵包括該邊連接的節點涉及的以下至少一類資料：持股關係資料、從屬關係資料、人際關係資料、業務關係資料、評價資料。 可選地，隱式特徵空間中該節點在第
Figure 02_image028
次迭代後的嵌入向量是根據該節點的原始特徵、該節點與其他節點關聯的邊的特徵，以及隱式特徵空間中該節點在第
Figure 02_image030
次迭代後的嵌入向量計算得到的。 可選地，該根據節點的原始特徵，和該節點間節點關聯的邊的特徵，計算隱式特徵空間中該節點多次迭代後的嵌入向量，具體包括： 該計算模組502按照如下公式，計算隱式特徵空間中該節點多次迭代後的嵌入向量：
Figure 02_image057
； 其中，
Figure 02_image095
表示隱式特徵空間中第
Figure 02_image059
個節點在第
Figure 02_image028
次迭代後的嵌入向量，
Figure 02_image066
表示非線性變換函數，
Figure 02_image068
、
Figure 02_image070
、
Figure 02_image071
表示權重矩陣，
Figure 02_image100
表示第
Figure 02_image059
個節點的原始特徵，
Figure 02_image103
表示第
Figure 02_image059
個節點與第
Figure 02_image077
個節點關聯的邊的特徵，
Figure 02_image104
表示第
Figure 02_image059
個節點的相鄰節點構成的集合，
Figure 02_image075
表示針對第
Figure 02_image059
個節點與第
Figure 02_image077
個節點的權重矩陣。 可選地，該根據該嵌入向量，計算該節點的預測機率，具體包括： 該計算模組502按照如下公式，計算該節點的預測機率：
Figure 02_image061
； 其中，
Figure 02_image079
表示第
Figure 02_image059
個節點經過
Figure 02_image063
次迭代後的預測機率，
Figure 02_image073
表示權重矩陣。 可選地，利用標注樣本訓練該圖結構模型，具體包括： 利用標注樣本，以該預測機率與其對應的樣本標注結果的一致性最大化為訓練目標，訓練該圖結構模型。 可選地，利用標注樣本訓練該圖結構模型，具體包括： 利用反向傳播演算法和標注的樣本，對
Figure 02_image064
進行優化，求得最優的
Figure 02_image068
、
Figure 02_image070
、
Figure 02_image071
、
Figure 02_image087
； 其中，
Figure 02_image111
表示用於計算交叉熵的函數。 基於同樣的思路，本說明書實施例還提供了對應於圖2的一種圖結構模型訓練設備，包括： 至少一個處理器；以及， 與該至少一個處理器通信連接的記憶體；其中， 該記憶體儲存有可被該至少一個處理器執行的指令，該指令被該至少一個處理器執行，以使該至少一個處理器能夠： 根據企業及其關聯因素的相關資料，建立企業關係網路，該企業關係網路由企業、帳號、高級主管、公務員、法人中的一種或者多種節點以及該節點間關係構成； 根據該企業關係網路，定義圖結構模型，該圖結構模型用於根據該節點的原始特徵，和/或該節點間關聯的邊的特徵，計算隱式特徵空間中該節點多次迭代後的嵌入向量； 利用標注樣本，訓練該圖結構模型，該標注樣本被標注了其對應的節點是否為信用風險節點。 基於同樣的思路，本說明書實施例還提供了對應於圖3的一種基於圖結構模型的信用風險控制設備，包括： 至少一個處理器；以及， 與該至少一個處理器通信連接的記憶體；其中， 該記憶體儲存有可被該至少一個處理器執行的指令，該指令被該至少一個處理器執行，以使該至少一個處理器能夠： 獲取利用標注樣本訓練過的圖結構模型，該圖結構模型根據企業關係網路定義，該企業關係網路由企業、帳號、高級主管、公務員、法人中的一種或者多種節點以及該節點間關係構成；該圖結構模型用於根據該節點的原始特徵，和/或該節點間關聯的邊的特徵，計算隱式特徵空間中該節點多次迭代後的嵌入向量； 利用該訓練過的圖結構模型，計算待測樣本對應的嵌入向量； 根據該待測樣本對應的嵌入向量，對該待測樣本進行信用風險控制； 其中，該標注樣本被標注了其對應的節點是否為信用風險節點。 基於同樣的思路，本說明書實施例還提供了對應於圖2的一種非揮發性電腦儲存介質，儲存有電腦可執行指令，該電腦可執行指令設置為： 根據企業及其關聯因素的相關資料，建立企業關係網路，該企業關係網路由企業、帳號、高級主管、公務員、法人中的一種或者多種節點以及該節點間關係構成； 根據該企業關係網路，定義圖結構模型，該圖結構模型用於根據該節點的原始特徵，和/或該節點間關聯的邊的特徵，計算隱式特徵空間中該節點多次迭代後的嵌入向量； 利用標注樣本，訓練該圖結構模型，該標注樣本被標注了其對應的節點是否為信用風險節點。 基於同樣的思路，本說明書實施例還提供了對應於圖3的一種非揮發性電腦儲存介質，儲存有電腦可執行指令，該電腦可執行指令設置為： 獲取利用標注樣本訓練過的圖結構模型，該圖結構模型根據企業關係網路定義，該企業關係網路由企業、帳號、高級主管、公務員、法人中的一種或者多種節點以及該節點間關係構成；該圖結構模型用於根據該節點的原始特徵，和/或該節點間關聯的邊的特徵，計算隱式特徵空間中該節點多次迭代後的嵌入向量； 利用該訓練過的圖結構模型，計算待測樣本對應的嵌入向量； 根據該待測樣本對應的嵌入向量，對該待測樣本進行信用風險控制； 其中，該標注樣本被標注了其對應的節點是否為信用風險節點。 上述對本說明書特定實施例進行了描述。其它實施例在所附申請專利範圍的範圍內。在一些情況下，在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外，在圖式中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中，多任務處理和並行處理也是可以的或者可能是有利的。 本說明書中的各個實施例均採用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對於裝置、設備、非揮發性電腦儲存介質實施例而言，由於其基本相似於方法實施例，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。 本說明書實施例提供的裝置、設備、非揮發性電腦儲存介質與方法是對應的，因此，裝置、設備、非揮發性電腦儲存介質也具有與對應方法類似的有益技術效果，由於上面已經對方法的有益技術效果進行了詳細說明，因此，這裡不再贅述對應裝置、設備、非揮發性電腦儲存介質的有益技術效果。 在20世紀90年代，對於一個技術的改進可以很明顯地區分是硬體上的改進（例如，對二極體、電晶體、開關等電路結構的改進）還是軟體上的改進（對於方法流程的改進）。然而，隨著技術的發展，當今的很多方法流程的改進已經可以視為硬體電路結構的直接改進。設計人員幾乎都通過將改進的方法流程編程到硬體電路中來得到相應的硬體電路結構。因此，不能說一個方法流程的改進就不能用硬體實體模組來實現。例如，可編程邏輯裝置（Programmable Logic Device, PLD）（例如現場可編程閘陣列（Field Programmable Gate Array，FPGA））就是這樣一種積體電路，其邏輯功能由用戶對裝置編程來確定。由設計人員自行編程來把一個數位系統“集成”在一片PLD上，而不需要請晶片製造廠商來設計和製作專用的積體電路晶片。而且，如今，取代手工地製作積體電路晶片，這種編程也多半改用“邏輯編譯器（logic compiler）”軟體來實現，它與程式開發撰寫時所用的軟體編譯器相類似，而要編譯之前的原始代碼也得用特定的編程語言來撰寫，此稱之為硬體描述語言（Hardware Description Language，HDL），而HDL也並非僅有一種，而是有許多種，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware Description Language）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（Ruby Hardware Description Language）等，目前最普遍使用的是VHDL（Very-High-Speed Integrated Circuit Hardware Description Language）與Verilog。本領域技術人員也應該清楚，只需要將方法流程用上述幾種硬體描述語言稍作邏輯編程並編程到積體電路中，就可以很容易得到實現該邏輯方法流程的硬體電路。 控制器可以按任何適當的方式實現，例如，控制器可以採取例如微處理器或處理器以及儲存可由該（微）處理器執行的電腦可讀程式代碼（例如軟體或韌體）的電腦可讀介質、邏輯閘、開關、專用積體電路（Application Specific Integrated Circuit，ASIC）、可編程邏輯控制器和嵌入微控制器的形式，控制器的例子包括但不限於以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，記憶體控制器還可以被實現為記憶體的控制邏輯的一部分。本領域技術人員也知道，除了以純電腦可讀程式代碼方式實現控制器以外，完全可以通過將方法步驟進行邏輯編程來使得控制器以邏輯閘、開關、專用積體電路、可編程邏輯控制器和嵌入微控制器等的形式來實現相同功能。因此這種控制器可以被認為是一種硬體部件，而對其內包括的用於實現各種功能的裝置也可以視為硬體部件內的結構。或者甚至，可以將用於實現各種功能的裝置視為既可以是實現方法的軟體模組又可以是硬體部件內的結構。 上述實施例闡明的系統、裝置、模組或單元，具體可以由電腦晶片或實體實現，或者由具有某種功能的產品來實現。一種典型的實現設備為電腦。具體的，電腦例如可以為個人電腦、筆記型電腦、蜂巢式電話、相機電話、智慧型手機、個人數位助理、媒體播放器、導航設備、電子郵件設備、遊戲控制台、平板電腦、可穿戴設備或者這些設備中的任何設備的組合。 為了描述的方便，描述以上裝置時以功能分為各種單元分別描述。當然，在實施本說明書時可以把各單元的功能在同一個或多個軟體和/或硬體中實現。 本領域內的技術人員應明白，本說明書實施例可提供為方法、系統、或電腦程式產品。因此，本說明書實施例可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體方面的實施例的形式。而且，本說明書實施例可採用在一個或多個其中包含有電腦可用程式代碼的電腦可用儲存介質（包括但不限於磁碟記憶體、CD-ROM、光學記憶體等）上實施的電腦程式產品的形式。 本說明書是參照根據本說明書實施例的方法、設備（系統）、和電腦程式產品的流程圖和／或方塊圖來描述的。應理解可由電腦程式指令實現流程圖和／或方塊圖中的每一流程和／或方塊、以及流程圖和／或方塊圖中的流程和／或方塊的結合。可提供這些電腦程式指令到通用電腦、專用電腦、嵌入式處理機或其他可編程資料處理設備的處理器以產生一個機器，使得通過電腦或其他可編程資料處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和／或方塊圖一個方塊或多個方塊中指定的功能的裝置。 這些電腦程式指令也可儲存在能引導電腦或其他可編程資料處理設備以特定方式工作的電腦可讀記憶體中，使得儲存在該電腦可讀記憶體中的指令產生包括指令裝置的製造品，該指令裝置實現在流程圖一個流程或多個流程和／或方塊圖一個方塊或多個方塊中指定的功能。 這些電腦程式指令也可裝載到電腦或其他可編程資料處理設備上，使得在電腦或其他可編程設備上執行一系列操作步驟以產生電腦實現的處理，從而在電腦或其他可編程設備上執行的指令提供用於實現在流程圖一個流程或多個流程和／或方塊圖一個方塊或多個方塊中指定的功能的步驟。 在一個典型的配置中，計算設備包括一個或多個處理器(CPU)、輸入/輸出介面、網路介面和內部記憶體。 內部記憶體可能包括電腦可讀介質中的非永久性記憶體，隨機存取記憶體(RAM)和/或非揮發性內部記憶體等形式，如唯讀記憶體(ROM)或快閃記憶體(flash RAM)。內部記憶體是電腦可讀介質的示例。 電腦可讀介質包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存介質的例子包括，但不限於相變內部記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀記憶體(ROM)、電可擦除可編程唯讀記憶體(EEPROM)、快閃記憶體或其他內部記憶體技術、唯讀光碟唯讀記憶體(CD-ROM)、數位多功能光碟(DVD)或其他光學儲存、磁盒式磁帶，磁帶磁磁碟儲存或其他磁性儲存設備或任何其他非傳輸介質，可用於儲存可以被計算設備存取的資訊。按照本文中的界定，電腦可讀介質不包括暫存電腦可讀媒體(transitory media)，如調變的資料信號和載波。 還需要說明的是，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，並不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。 本說明書可以在由電腦執行的電腦可執行指令的一般上下文中描述，例如程式模組。一般地，程式模組包括執行特定任務或實現特定抽象資料類型的例程、程式、對象、組件、資料結構等等。也可以在分布式計算環境中實踐本說明書，在這些分布式計算環境中，由通過通信網路而被連接的遠程處理設備來執行任務。在分布式計算環境中，程式模組可以位於包括儲存設備在內的本地和遠程電腦儲存介質中。 本說明書中的各個實施例均採用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對於系統實施例而言，由於其基本相似於方法實施例，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。 以上所述僅為本說明書實施例而已，並不用於限制本發明。對於本領域技術人員來說，本發明可以有各種更改和變化。凡在本發明的精神和原理之內所作的任何修改、等同替換、改進等，均應包含在本發明的申請專利範圍之內。
S202~S206‧‧‧步驟 S302~S306‧‧‧步驟 401‧‧‧建立模組 402‧‧‧定義模組 403‧‧‧訓練模組 501‧‧‧獲取模組 502‧‧‧計算模組 503‧‧‧風控模組
為了更清楚地說明本說明書實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的圖式作簡單地介紹，顯而易見地，下面描述中的圖式僅僅是本說明書中記載的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些圖式獲得其他的圖式。 圖1為本說明書的方案在一種實際應用場景下涉及的一種整體架構示意圖； 圖2為本說明書實施例提供的一種圖結構模型訓練方法的流程示意圖； 圖3為本說明書實施例提供的一種基於圖結構模型的信用風險控制方法的流程示意圖； 圖4為本說明書實施例提供的對應於圖2的一種圖結構模型訓練裝置的結構示意圖； 圖5為本說明書實施例提供的對應於圖3的一種基於圖結構模型的信用風險控制裝置的結構示意圖。

Claims (18)

  1. 一種基於圖結構模型的信用風險控制設備，包括：至少一個處理器；以及，與該至少一個處理器通信連接的記憶體；其中，該記憶體儲存有可被該至少一個處理器執行的指令，該指令被該至少一個處理器執行，以使該至少一個處理器能夠：獲取利用標注樣本訓練過的圖結構模型，該圖結構模型根據企業關係網路定義，該企業關係網路由企業、帳號、高級主管、公務員、法人中的一種或者多種節點以及該節點間關係構成；該圖結構模型用於根據該節點的原始特徵，和/或該節點間關聯的邊的特徵，計算隱式特徵空間中該節點多次迭代後的嵌入向量；利用該訓練過的圖結構模型，計算待測樣本對應的嵌入向量；根據該待測樣本對應的嵌入向量，對該待測樣本進行信用風險控制；其中，該標注樣本被標注了其對應的節點是否為信用風險節點；其中，所述原始特徵包括節點類型及不同類型節點各自的特徵；其中，所述隱式特徵空間為根據迭代後的結果定義的特徵空間。
  2. 如請求項1所述的信用風險控制設備，該圖結構模型還用於根據該嵌入向量，計算該節點的預測機率，該預測機率表示該節點是信用風險節點的機率；該根據該待測樣本對應的嵌入向量，對該待測樣本進行信用風險控制，具體包括：根據該待測樣本對應的嵌入向量，利用該訓練過的圖結構模型，計算該待測樣本對應的預測機率；根據該待測樣本對應的預測機率，對該待測樣本進行信用風險控制。
  3. 如請求項1所述的信用風險控制設備，該企業關係網路包括以下一種或者多種網路的組合：企業與企業之間的持股關係網路、法人對企業的持股關係網路、高級主管在企業的任職關係網路、企業與公務員的關聯關係網路、高級主管與公務員的關聯關係網路、高級主管與帳號的所屬關係網路、帳號之間的家庭關係網路、帳號之間的好友關係網路、帳號之間相互轉帳的資金網路、帳號之間的相互標注網路。
  4. 如請求項1所述的信用風險控制設備，該邊的特徵包括該邊連接的節點涉及的以下至少一類資料：持股關係資料、從屬關係資料、人際關係資料、業務關係資料、評價資料。
  5. 如請求項1所述的信用風險控制設備，隱式特徵空間中該節點在第t次迭代後的嵌入向量是根據該節點的原始特徵、該節點與其他節點關聯的邊的特徵，以及隱式特徵空間中該節點在第t-1次迭代後的嵌入向量計算得到的。
  6. 如請求項2所述的信用風險控制設備，該根據節點的原始特徵，和該節點間節點關聯的邊的特徵，計算隱式特徵空間中該節點多次迭代後的嵌入向量，具體包括：按照如下公式，計算隱式特徵空間中該節點多次迭代後的嵌入向量：
    Figure 107135932-A0305-02-0031-1
     其中，
    Figure 107135932-A0305-02-0031-8
    表示隱式特徵空間中第i個節點在第t次迭代後的嵌入向量，σ表示非線性變換函數，W 1、W 2、W 3表示權重矩陣，F i 表示第i個節點的原始特徵，E ij 表示第i個節點與第j個節點關聯的邊的特徵，N i 表示第i個節點的相鄰節點構成的集合，α ij 表示針對第i個節點與第j個節點的權重矩陣。
  7. 如請求項6所述的信用風險控制設備，該根據該嵌入向量，計算該節點的預測機率，具體包括：按照如下公式，計算該節點的預測機率：
    Figure 107135932-A0305-02-0031-2
     其中，pred i 表示第i個節點經過T次迭代後的預測機率，W 4表示權重矩陣。
  8. 如請求項2所述的信用風險控制設備，利用標注樣本訓練該圖結構模型，具體包括：利用標注樣本，以該預測機率與其對應的樣本標注結果的一致性最大化為訓練目標，訓練該圖結構模型。
  9. 如請求項7所述的信用風險控制設備，利用標注樣本訓練該圖結構模型，具體包括：利用反向傳播演算法和標注的樣本，對
    Figure 107135932-A0305-02-0032-6
    Σ i corss_entrep(pred i ,y i )進行優化，求得最優的W 1、W 2、W 3、W 4；其中，corss_entrep表示用於計算交叉熵的函數；其中，y i 表示第i個節點的標註結果。
  10. 一種基於圖結構模型的信用風險控制裝置，包括：至少一個處理器；以及，與該至少一個處理器通信連接的記憶體；其中，該記憶體儲存有可被該至少一個處理器執行的指令，該指令被該至少一個處理器執行，以使該至少一個處理器控制：獲取模組，獲取利用標注樣本訓練過的圖結構模型，該圖結構模型根據企業關係網路定義，該企業關係網 路由企業、帳號、高級主管、公務員、法人中的一種或者多種節點以及該節點間關係構成；該圖結構模型用於根據該節點的原始特徵，和/或該節點間關聯的邊的特徵，計算隱式特徵空間中該節點多次迭代後的嵌入向量；計算模組，利用該訓練過的圖結構模型，計算待測樣本對應的嵌入向量；風控模組，根據該待測樣本對應的嵌入向量，對該待測樣本進行信用風險控制；其中，該標注樣本被標注了其對應的節點是否為信用風險節點；其中，所述原始特徵包括節點類型及不同類型節點各自的特徵；其中，所述隱式特徵空間為根據迭代後的結果定義的特徵空間。
  11. 如請求項10所述的裝置，該圖結構模型還用於根據該嵌入向量，計算該節點的預測機率，該預測機率表示該節點是信用風險節點的機率；該風控模組根據該待測樣本對應的嵌入向量，對該待測樣本進行信用風險控制，具體包括：該風控模組根據該待測樣本對應的嵌入向量，利用該訓練過的圖結構模型，計算該待測樣本對應的預測機率；根據該待測樣本對應的預測機率，對該待測樣本進行信用風險控制。
  12. 如請求項10所述的裝置，該企業關係網路包括以下一種或者多種網路的組合：企業與企業之間的持股關係網路、法人對企業的持股關係網路、高級主管在企業的任職關係網路、企業與公務員的關聯關係網路、高級主管與公務員的關聯關係網路、高級主管與帳號的所屬關係網路、帳號之間的家庭關係網路、帳號之間的好友關係網路、帳號之間相互轉帳的資金網路、帳號之間的相互標注網路。
  13. 如請求項10所述的裝置，該邊的特徵包括該邊連接的節點涉及的以下至少一類資料：持股關係資料、從屬關係資料、人際關係資料、業務關係資料、評價資料。
  14. 如請求項10所述的裝置，隱式特徵空間中該節點在第t次迭代後的嵌入向量是根據該節點的原始特徵、該節點與其他節點關聯的邊的特徵，以及隱式特徵空間中該節點在第t-1次迭代後的嵌入向量計算得到的。
  15. 如請求項11所述的裝置，該根據節點的原始特徵，和該節點間節點關聯的邊的特徵，計算隱式特徵空間中該節點多次迭代後的嵌入向量，具體包括：該計算模組按照如下公式，計算隱式特徵空間中該節點多次迭代後的嵌入向量：
    Figure 107135932-A0305-02-0035-3
     其中，
    Figure 107135932-A0305-02-0035-9
    表示隱式特徵空間中第i個節點在第t次迭代後的嵌入向量，σ表示非線性變換函數，W 1、W 2、W 3表示權重矩陣，F i 表示第i個節點的原始特徵，E ij 表示第i個節點與第j個節點關聯的邊的特徵，N i 表示第i個節點的相鄰節點構成的集合，α ij 表示針對第i個節點與第j個節點的權重矩陣。
  16. 如請求項15所述的裝置，該根據該嵌入向量，計算該節點的預測機率，具體包括：該計算模組按照如下公式，計算該節點的預測機率：
    Figure 107135932-A0305-02-0035-4
     其中，pred i 表示第i個節點經過T次迭代後的預測機率，W 4表示權重矩陣。
  17. 如請求項11所述的裝置，利用標注樣本訓練該圖結構模型，具體包括：利用標注樣本，以該預測機率與其對應的樣本標注結果的一致性最大化為訓練目標，訓練該圖結構模型。
  18. 如請求項16所述的裝置，利用標注樣本訓練該圖結構模型，具體包括：利用反向傳播演算法和標注的樣本，對
    Figure 107135932-A0305-02-0036-7
    Σ i corss_entrep(pred i ,y i )進行優化，求得最優的W 1、W 2、W 3、W 4；其中，corss_entrep表示用於計算交叉熵的函數；其中，y i 表示第i個節點的標註結果。
TW107135932A 2017-12-15 2018-10-12 基於圖結構模型的信用風險控制方法、裝置以及設備 TWI715880B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201711349800.4A CN109934697A (zh) 2017-12-15 2017-12-15 一种基于图结构模型的信用风险控制方法、装置以及设备
??201711349800.4 2017-12-15
CN201711349800.4 2017-12-15

Publications (2)

Publication Number Publication Date
TW201928848A TW201928848A (zh) 2019-07-16
TWI715880B true TWI715880B (zh) 2021-01-11

Family

ID=66819563

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107135932A TWI715880B (zh) 2017-12-15 2018-10-12 基於圖結構模型的信用風險控制方法、裝置以及設備

Country Status (6)

Country Link
US (1) US11526936B2 (zh)
EP (1) EP3690787A4 (zh)
CN (1) CN109934697A (zh)
SG (1) SG11202001318XA (zh)
TW (1) TWI715880B (zh)
WO (1) WO2019114412A1 (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516915B (zh) * 2019-08-02 2023-07-04 创新先进技术有限公司 业务节点训练、评估方法、装置及电子设备
CN110968701A (zh) * 2019-11-05 2020-04-07 量子数聚（北京）科技有限公司 用于图神经网络的关系图谱建立方法以及装置、设备
CN111222681A (zh) * 2019-11-05 2020-06-02 量子数聚（北京）科技有限公司 用于企业破产风险预测的数据处理方法以及装置、设备、存储介质
CN111178615B (zh) * 2019-12-24 2023-10-27 成都数联铭品科技有限公司 一种企业风险识别模型的构建方法及系统
CN111275071B (zh) * 2020-01-06 2022-06-10 支付宝(杭州)信息技术有限公司 预测模型训练、预测方法、装置及电子设备
CN111275176B (zh) * 2020-02-27 2023-09-26 支付宝(杭州)信息技术有限公司 分布式计算方法及分布式计算系统
CN111598408B (zh) * 2020-04-23 2023-04-18 成都数之联科技股份有限公司 一种贸易信息风险预警模型的构建方法及应用
CN111611531B (zh) * 2020-05-20 2023-11-21 杭州中奥科技有限公司 人员关系分析方法、装置及电子设备
CN111611530B (zh) * 2020-05-20 2023-11-17 杭州中奥科技有限公司 案件与人员关系分析方法、装置及电子设备
CN111861119B (zh) * 2020-06-17 2023-07-11 国家计算机网络与信息安全管理中心 基于企业风险关联图谱的企业风险数据处理方法及装置
CN112417060A (zh) * 2020-11-19 2021-02-26 中国建设银行股份有限公司 识别企业关系的方法、装置、设备和计算机可读介质
CN112364182A (zh) * 2020-12-09 2021-02-12 交通银行股份有限公司 基于图特征的企业风险传导预测方法、设备及存储介质
CN113159084B (zh) * 2020-12-18 2024-04-19 国家电网有限公司大数据中心 一种空壳企业确定方法及装置、空壳企业监测方法及装置
CN112785320B (zh) * 2021-02-01 2023-09-19 北京互金新融科技有限公司 信用风险的确定方法及装置、存储介质和电子设备
CN112950344A (zh) * 2021-02-26 2021-06-11 平安国际智慧城市科技股份有限公司 数据评估方法、装置、电子设备及存储介质
CN113689285B (zh) * 2021-08-18 2024-04-26 深圳前海微众银行股份有限公司 一种检测用户特征的方法、装置、设备及存储介质
CN114118526A (zh) * 2021-10-29 2022-03-01 中国建设银行股份有限公司 一种企业风险预测方法、装置、设备及存储介质
CN114676927A (zh) * 2022-04-08 2022-06-28 北京百度网讯科技有限公司 风险预测方法和装置、电子设备、计算机可读存储介质
CN114943307A (zh) * 2022-06-28 2022-08-26 支付宝(杭州)信息技术有限公司 一种模型训练的方法、装置、存储介质以及电子设备
CN116882767B (zh) * 2023-09-08 2024-01-05 之江实验室 一种基于不完善异构关系网络图的风险预测方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160035035A1 (en) * 2012-12-13 2016-02-04 Addepar, Inc. Transaction effects
TW201626300A (zh) * 2015-01-14 2016-07-16 Alibaba Group Services Ltd 基於電腦系統的網路交易風險識別方法及其裝置

Family Cites Families (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6957191B1 (en) 1999-02-05 2005-10-18 Babcock & Brown Lp Automated financial scenario modeling and analysis tool having an intelligent graphical user interface
US20030174165A1 (en) * 2002-03-18 2003-09-18 Barney Rock D. System and method for rendering a directed graph
US7769682B2 (en) * 2004-02-13 2010-08-03 International Business Machines Corporation Financial transaction analysis using directed graphs
US20090018940A1 (en) 2007-03-30 2009-01-15 Liang Wang Enhanced Fraud Detection With Terminal Transaction-Sequence Processing
KR20130040049A (ko) 2011-10-13 2013-04-23 주식회사 네오플 비정상 계정 검출 장치 및 방법
WO2013140410A1 (en) 2012-03-22 2013-09-26 Ben-Gurion University Of The Negev Research & Development Authority Method for detecting spammers and fake profiles in social networks
EP2973282A4 (en) 2013-03-13 2016-11-16 Guardian Analytics Inc DETECTION AND ANALYSIS OF FRAUD
US9027134B2 (en) 2013-03-15 2015-05-05 Zerofox, Inc. Social threat scoring
US9195941B2 (en) 2013-04-23 2015-11-24 International Business Machines Corporation Predictive and descriptive analysis on relations graphs with heterogeneous entities
CN105005931A (zh) 2014-04-24 2015-10-28 中国银联股份有限公司 转账交易的风险控制方法及装置
US9396332B2 (en) 2014-05-21 2016-07-19 Microsoft Technology Licensing, Llc Risk assessment modeling
CN104199832B (zh) 2014-08-01 2017-08-22 西安理工大学 基于信息熵的金融网络异常交易社区发现方法
CN105335855A (zh) 2014-08-06 2016-02-17 阿里巴巴集团控股有限公司 一种交易风险识别方法及装置
CN105719033B (zh) 2014-12-02 2019-12-13 阿里巴巴集团控股有限公司 用于识别客体风险的方法及装置
CN104636912A (zh) 2015-02-13 2015-05-20 银联智惠信息服务（上海）有限公司 信用卡套现识别方法和装置
CN104778605B (zh) 2015-04-09 2019-05-03 北京京东尚科信息技术有限公司 电商客户的分类方法及装置
US9672814B2 (en) * 2015-05-08 2017-06-06 International Business Machines Corporation Semi-supervised learning of word embeddings
CN106372938A (zh) 2015-07-21 2017-02-01 华为技术有限公司 异常账号识别方法及系统
CN106469376B (zh) 2015-08-20 2021-12-03 创新先进技术有限公司 一种风险控制方法和设备
CN106611137B (zh) 2015-10-22 2020-09-15 阿里巴巴集团控股有限公司 一种风险控制方法及装置
US20170140382A1 (en) 2015-11-12 2017-05-18 International Business Machines Corporation Identifying transactional fraud utilizing transaction payment relationship graph link prediction
CN105389732A (zh) 2015-11-30 2016-03-09 安徽融信金模信息技术有限公司 一种用于企业风险评估的方法
CN105931046A (zh) 2015-12-16 2016-09-07 中国银联股份有限公司 一种可疑交易节点集合侦测方法及装置
CN107133865B (zh) * 2016-02-29 2021-06-01 阿里巴巴集团控股有限公司 一种信用分的获取、特征向量值的输出方法及其装置
US10127477B2 (en) * 2016-04-21 2018-11-13 Sas Institute Inc. Distributed event prediction and machine learning object recognition system
CN107305611B (zh) 2016-04-22 2020-11-03 腾讯科技（深圳）有限公司 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置
CN106097090A (zh) 2016-06-22 2016-11-09 西安交通大学 一种基于图理论的纳税人利益关联团体识别方法
CN106327340B (zh) 2016-08-04 2022-01-07 中国银联股份有限公司 一种金融网络的异常节点集合侦测方法及装置
CN106547838B (zh) 2016-10-14 2019-06-18 北京银丰新融科技开发有限公司 基于资金网络监测可疑资金交易的方法
US11042796B2 (en) * 2016-11-03 2021-06-22 Salesforce.Com, Inc. Training a joint many-task neural network model using successive regularization
CN106548302B (zh) 2016-12-01 2020-08-14 携程旅游信息技术（上海）有限公司 互联网交易的风险识别方法及系统
CN107256465A (zh) 2017-06-28 2017-10-17 阿里巴巴集团控股有限公司 风险账户的识别方法及装置
CN107392456A (zh) * 2017-07-14 2017-11-24 武汉理工大学 一种融合互联网信息的多角度企业信用评估建模方法
US10963941B2 (en) * 2017-09-08 2021-03-30 Nec Corporation Method and system for combining user, item and review representations for recommender systems
US11853903B2 (en) * 2017-09-28 2023-12-26 Siemens Aktiengesellschaft SGCNN: structural graph convolutional neural network
US11250433B2 (en) * 2017-11-02 2022-02-15 Microsoft Technologly Licensing, LLC Using semi-supervised label procreation to train a risk determination model
CN109934706B (zh) 2017-12-15 2021-10-29 创新先进技术有限公司 一种基于图结构模型的交易风险控制方法、装置以及设备
US20190378051A1 (en) * 2018-06-12 2019-12-12 Bank Of America Corporation Machine learning system coupled to a graph structure detecting outlier patterns using graph scanning
KR102608470B1 (ko) * 2018-10-23 2023-12-01 삼성전자주식회사 데이터 인식 장치 및 방법과 트레이닝 장치 및 방법
US11238531B2 (en) * 2020-04-24 2022-02-01 Capital One Services, Llc Credit decisioning based on graph neural networks

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160035035A1 (en) * 2012-12-13 2016-02-04 Addepar, Inc. Transaction effects
TW201626300A (zh) * 2015-01-14 2016-07-16 Alibaba Group Services Ltd 基於電腦系統的網路交易風險識別方法及其裝置

Also Published As

Publication number Publication date
US20200202428A1 (en) 2020-06-25
WO2019114412A1 (zh) 2019-06-20
TW201928848A (zh) 2019-07-16
SG11202001318XA (en) 2020-03-30
EP3690787A4 (en) 2020-09-02
CN109934697A (zh) 2019-06-25
US11526936B2 (en) 2022-12-13
EP3690787A1 (en) 2020-08-05

Similar Documents

Publication Publication Date Title
TWI715880B (zh) 基於圖結構模型的信用風險控制方法、裝置以及設備
TWI715879B (zh) 一種基於圖結構模型的交易風險控制方法、裝置以及設備
TWI682304B (zh) 基於圖結構模型的異常帳號防控方法、裝置以及設備
US11348352B2 (en) Contract lifecycle management
TWI690191B (zh) 圖結構模型訓練、垃圾帳戶識別方法、裝置以及設備
TWI686760B (zh) 保險欺詐識別的資料處理方法、裝置、設備及伺服器
WO2021114974A1 (zh) 用户风险评估方法及装置、电子设备、存储介质
Antonio et al. Micro-level stochastic loss reserving for general insurance
Calabrese et al. Modelling small and medium enterprise loan defaults as rare events: the generalized extreme value regression model
TW201944304A (zh) 保險詐欺識別的資料處理方法、裝置、設備及伺服器
CN109766557B (zh) 一种情感分析方法、装置、存储介质及终端设备
Gan et al. Regression modeling for the valuation of large variable annuity portfolios
US20210303970A1 (en) Processing data using multiple neural networks
CN112214652B (zh) 一种报文生成方法、装置及设备
CN110119860A (zh) 一种垃圾账号检测方法、装置以及设备
Yuan et al. The general dynamic risk assessment for the enterprise by the hologram approach in financial technology
CN111538794A (zh) 一种数据融合方法、装置及设备
CN112015909A (zh) 知识图谱的构建方法及装置、电子设备、存储介质
Goel et al. Deviation measure in second‐order stochastic dominance with an application to enhanced indexing
Sussman et al. Consumer financial decision making: Where we’ve been and where we’re going
KR102180192B1 (ko) 인공 지능 기반의 암호 화폐 매수 방법 및 매도 방법과, 이를 수행하는 단말 장치
CN115358753A (zh) 一种跨平台信用指标关联模型的生成方法及其系统
US20200357049A1 (en) Tuning hyperparameters for predicting spending behaviors
CN111401641A (zh) 业务数据处理方法、装置及电子设备
Kumar et al. Stock price forecasting based on the relationship among Asian stock markets using deep learning