[發明專利]一種標簽預測方法、裝置、設備和存儲介質

在審

• 申請號: 201910910439.0
• 申請日: 2019-09-25
• 公開（公告）號: CN110688536A
• 公開（公告）日: 2020-01-14
• 發明（設計）人: 陳桂花;袁進威;林樂凝;伏峰;陳東偉
• 申請（專利權）人: 中國建設銀行股份有限公司;建信金融科技有限責任公司
• 主分類號: G06F16/901
• 分類號: G06F16/901;G06K9/62;G06N20/00;G06Q30/00
• 代理公司: 11332 北京品源專利代理有限公司
• 代理人: 孟金喆

本發明實施例公開了一種標簽預測方法、裝置、設備和存儲介質，標簽預測方法包括：確定待預測對象的基礎特征數據；采用預設預測模型，根據所述基礎特征數據對所述待預測對象的可信度進行預測；其中，所述預設預測模型是根據樣本數據和鄰居特征數據訓練得到，所述鄰居特征數據是根據樣本數據中對象之間的關系圖譜確定。本發明實施例基于樣本數據中對象之間的關系圖譜訓練得到預測模型，根據待預測對象的基礎特征數據采用預測模型對待預測對象的可信度進行預測。由于在訓練階段考慮了樣本數據中對象之間的關系，即讓模型具備了綜合考慮不同對象之間的關系對可信度影響的能力，提高了對待預測對象可信度預測的準確性。

技術領域

本發明實施例涉及信息處理技術領域，尤其涉及一種標簽預測方法、裝置、設備和存儲介質。

背景技術

隨著現在社會加強對企業的金融服務工作，完善反欺詐系統、降低信貸欺詐風險作為現階段急需完成的重點工作。

現有的欺詐識別方法大多通過傳統的黑名單、專家規則或是有監督的機器學習算法模型。傳統的黑名單即是通過人工審核認證的欺詐企業；專家規則即是通過專家制定一些規則，當企業的信息違反相關規則時認定為欺詐企業；有監督的機器學習算法模型則是利用企業的數據特征訓練得到的預測模型。

然而，通過傳統的黑名單可以確定的企業數量極少，對于人工未審核的企業無法進行判斷；對于通過專家規則，局限性太大，并且會帶來很大的人為誤差；有監督的機器學習算法模型是通過對已有企業的欺詐標簽進行訓練得到的預測模型，但是由于欺詐標簽的標注不同于其他領域的標注行為，欺詐標簽的獲取是需要付出極大代價和成本的，造成欺詐樣本數據量少，因此正負樣本不平衡造成預測結果不準確。

發明內容

本發明實施例提供一種標簽預測方法、裝置、設備和存儲介質，以提高欺詐標簽預測的準確度。

第一方面，本發明實施例提供了一種標簽預測方法，包括：

確定待預測對象的基礎特征數據；

采用預設預測模型，根據所述基礎特征數據對所述待預測對象的可信度進行預測；其中，所述預設預測模型是根據樣本數據和鄰居特征數據訓練得到，所述鄰居特征數據是根據樣本數據中對象之間的關系圖譜確定。

第二方面，本發明實施例還提供了一種標簽預測裝置，包括：

基礎特征數據確定模塊，用于確定待預測對象的基礎特征數據；

可信度預測模塊，用于采用預設預測模型，根據所述基礎特征數據對所述待預測對象的可信度進行預測；其中，所述預設預測模型是根據樣本數據和鄰居特征數據訓練得到，所述鄰居特征數據是根據樣本數據中對象之間的關系圖譜確定。

第三方面，本發明實施例還提供了一種計算機設備，包括：

一個或多個處理器；

存儲裝置，用于存儲一個或多個程序，

當所述一個或多個程序被所述一個或多個處理器執行，使得所述一個或多個處理器實現如本發明任一實施例所述的標簽預測方法。

第四方面，本發明實施例還提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時實現如本發明任一實施例所述的標簽預測方法。

本發明實施例基于樣本數據中對象之間的關系圖譜訓練得到預測模型，根據待預測對象的基礎特征數據采用預測模型對待預測對象的可信度進行預測。由于在訓練階段考慮了樣本數據中對象的鄰居特征數據，即讓模型具備了綜合考慮不同對象之間的關系對可信度影響的能力，提高了對待預測對象可信度預測的準確性，并且依據鄰居特征數據訓練得到的模型對待預測對象的預測結果，可以改善正負樣本分布不均的情況。

附圖說明

圖1是本發明實施例一中的標簽預測方法的流程圖；