[發明專利]一種基于圖結構模型的交易風險控制方法、裝置以及設備

有效

• 申請號: 201711348424.7
• 申請日: 2017-12-15
• 公開（公告）號: CN109934706B
• 公開（公告）日: 2021-10-29
• 發明（設計）人: 宋樂;李輝;葛志邦;黃鑫;文春陽;王琳;姜濤;王一光;常曉夫;朱冠胤
• 申請（專利權）人: 創新先進技術有限公司
• 主分類號: G06Q40/04
• 分類號: G06Q40/04
• 代理公司: 北京晉德允升知識產權代理有限公司 11623
• 代理人: 楊移

1.一種基于圖結構模型的交易風險控制方法，包括：

獲取利用標注樣本訓練過的圖結構模型，所述圖結構模型根據交易數據網絡定義，所述交易數據網絡由買家用戶、賣家用戶、電商平臺賬號、第三方支付平臺賬號、銀行卡、商品中的多種節點以及所述節點間關系構成；所述交易數據網絡是根據用戶交易的相關數據建立的；所述圖結構模型用于根據所述節點的原始特征，和所述節點間關聯的邊的特征，計算隱特征空間中所述節點多次迭代后的嵌入向量；所述原始特征包括以下至少一類交易數據：交易金額、交易次數、交易時間、交易地點、交易對象、交易支付方式；所述邊的特征包括所述邊連接的節點共同涉及的交易數據和/或人際關系數據；

利用所述訓練過的圖結構模型，計算待測樣本對應的嵌入向量；其中，所述隱特征空間為對所述節點的原始特征和邊的特征進行映射，映射到的一個特征空間；所述嵌入向量反映所述節點在所述隱特征空間中嵌入的特征；

根據所述待測樣本對應的嵌入向量，對所述待測樣本進行交易風險控制；

其中，所述標注樣本被標注了其對應的節點是否為交易風險節點。

2.如權利要求1所述的方法，所述圖結構模型還用于根據所述嵌入向量，計算所述節點的預測概率，所述預測概率表示所述節點是交易風險節點的概率；

所述根據所述待測樣本對應的嵌入向量，對所述待測樣本進行交易風險控制，具體包括：

根據所述待測樣本對應的嵌入向量，利用所述訓練過的圖結構模型，計算所述待測樣本對應的預測概率；其中，按照如下公式，計算所述節點的預測概率：

其中，pred_i表示第i個節點經過T次迭代后的預測概率，W₄表示權重矩陣，表示隱特征空間中第i個節點在T次迭代后的嵌入向量，T為迭代總次數；

根據所述待測樣本對應的預測概率，對所述待測樣本進行交易風險控制。

3.如權利要求1所述的方法，所述交易數據網絡包括以下一種或者多種網絡的組合：買家用戶與賣家用戶形成的交易網絡、買家用戶和買家用戶賬號對應的借記卡的所屬關系網絡、買家用戶和買家用戶賬號對應的信用卡的所屬關系網絡、用戶賬號之間的同人關系網絡、用戶賬號之間的家庭關系網絡、買家用戶與商品形成的網絡；其中，所述用戶賬號包括電商平臺賬號和/或第三方支付平臺賬號。

4.如權利要求1所述的方法，隱特征空間中所述節點在第t次迭代后的嵌入向量是根據所述節點的原始特征、所述節點與其他節點關聯的邊的特征，以及隱特征空間中所述節點在第t-1次迭代后的嵌入向量計算得到的。

5.如權利要求2所述的方法，所述根據節點的原始特征，和所述節點間節點關聯的邊的特征，計算隱特征空間中所述節點多次迭代后的嵌入向量，具體包括：

按照如下公式，計算隱特征空間中所述節點多次迭代后的嵌入向量：

其中，表示隱特征空間中第i個節點在第t次迭代后的嵌入向量，σ表示非線性變換函數，W₁、W₂、W₃表示權重矩陣，F_i表示第i個節點的原始特征，E_ij表示第i個節點與第j個節點關聯的邊的特征，N_i表示第i個節點的鄰居節點構成的集合，α_ij表示針對第i個節點與第j個節點的權重矩陣，表示隱特征空間中第i個節點在第t-1次迭代后的嵌入向量。

6.如權利要求2所述的方法，利用標注樣本訓練所述圖結構模型，具體包括：

利用標注樣本，以所述預測概率與其對應的樣本標注結果的一致性最大化為訓練目標，訓練所述圖結構模型。

7.如權利要求2所述的方法，利用標注樣本訓練所述圖結構模型，具體包括：

利用反向傳播算法和標注的樣本，對進行優化，求得最優的W₁、W₂、W₃、W₄；

其中，corss_entrep表示用于計算交叉熵的函數，y_i表示第i個節點的標注結果。