[發明專利]基于圖計算及社區劃分算法區分信貸用戶的方法及系統

在審

• 申請號: 202010773948.6
• 申請日: 2020-08-04
• 公開（公告）號: CN111915426A
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 陳德建;崔巖莉
• 申請（專利權）人: 中投國信（北京）科技發展有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06N20/00
• 代理公司: 北京魚爪知識產權代理有限公司 11754
• 代理人: 吳云

1.基于圖計算及社區劃分算法區分信貸用戶的方法，其特征在于，包括以下步驟：

S100:獲取信貸用戶的ssid、身份證號碼和當前所在經緯度；

S200:通過清洗ssid和身份證號碼前六位獲取信貸用戶的戶籍所在縣，根據經緯度獲取信貸用戶當前所在的城市及區縣；

S300:根據所述經緯度把商場的ssid剔除，把剩余的ssid記錄并存儲；

S400:根據剩余的ssid，采用圖計算的數據結構構建知識圖譜，對相同的ssid作關聯標注，并標注為同事，對剩余的ssid相同戶籍所在地作關聯標注，并標注為老鄉，對剩余的ssid相同經緯度作關聯標注，并標注為同縣區；

S500:通過對知識圖譜進行隨機游走序列把關聯標注的關系生成embedding；

S600:按照社區劃分算法對embedding進行切割，得到多個社群；

S700:對社群進行標注，標注的社區里面超過第一閾值違約的為壞用戶社群，把低于第二閾值違約社群標注為好社群。

2.根據權利要求1所述的基于圖計算及社區劃分算法區分信貸用戶的方法，其特征在于，還包括步驟S800：用常規機器學習算法xgboost進行訓練，在知識圖譜中，兩個節點之間作關聯標注的為關系向量，把社群中關系向量作為訓練樣本，好社群和壞社群標注作為目標target進行訓練。

3.根據權利要求2所述的基于圖計算及社區劃分算法區分信貸用戶的方法，其特征在于，還包括步驟S900：訓練之后生成模型，當一個用戶申請時先劃分到社群，進行關系embedding，代入訓練好的模型進行預測。

4.根據權利要求1所述的基于圖計算及社區劃分算法區分信貸用戶的方法，其特征在于，在步驟S500中，生成embedding的方法包括采用node2vec算法。

5.根據權利要求1所述的基于圖計算及社區劃分算法區分信貸用戶的方法，其特征在于，在步驟S700中，所述第一閾值為70％，所述第二閾值為10％。

6.基于圖關系社群切分后區分信貸用戶好壞的系統，其特征在于，包括：

基本信息獲取模塊：用于獲取信貸用戶的ssid、身份證號碼和當前所在經緯度；

地區獲取模塊：用于通過清洗ssid和身份證號碼前六位獲取信貸用戶的戶籍所在縣，根據經緯度獲取信貸用戶當前所在的城市及區縣；

剔除模塊：用于根據所述經緯度把商場的ssid剔除，把剩余的ssid記錄并存儲；

關聯標注模塊：用于根據剩余的ssid，采用圖計算的數據結構構建知識圖譜，對相同的ssid作關聯標注，并標注為同事，對剩余的ssid相同戶籍所在地作關聯標注，并標注為老鄉，對剩余的ssid相同經緯度作關聯標注，并標注為同縣區；

Embedding生成模塊：用于通過對知識圖譜進行隨機游走序列把關聯標注的關系生成embedding；

切割模塊：用于按照社區劃分算法對embedding進行切割，得到多個社群；

社群劃分模塊：對社群進行標注，標注的社區里面超過第一閾值違約的為壞用戶社群，把低于第二閾值違約社群標注為好社群。

7.根據權利要求6所述的基于圖關系社群切分后區分信貸用戶好壞的系統，其特征在于，還包括：

訓練模塊：用于用常規機器學習算法xgboost進行訓練，在知識圖譜中，兩個節點之間作關聯標注的為關系向量，把社群中關系向量作為訓練樣本，好社群和壞社群標注作為目標target進行訓練。

8.根據權利要求7所述的基于圖關系社群切分后區分信貸用戶好壞的系統，其特征在于，還包括：

預測模塊：用于訓練之后生成模型，當一個用戶申請時先劃分到社群，進行關系embedding，代入訓練好的模型進行預測。

9.根據權利要求6所述的基于圖關系社群切分后區分信貸用戶好壞的系統，其特征在于，所述Embedding生成模塊中，生成embedding的方法包括采用node2vec算法。

10.根據權利要求6所述的基于圖關系社群切分后區分信貸用戶好壞的系統，其特征在于，所述社群劃分模塊中，所述第一閾值為70％，所述第二閾值為10％。