[發(fā)明專利]一種特征向量的處理方法及相關(guān)裝置

在審

• 申請?zhí)枺?/td>: 202011289894.2
• 申請日: 2020-11-17
• 公開（公告）號: CN112200666A
• 公開（公告）日: 2021-01-08
• 發(fā)明（設(shè)計）人: 魯海生;嚴(yán)澄;楊青;楊志謀;譚大坤
• 申請（專利權(quán)）人: 上海優(yōu)揚新媒信息技術(shù)有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 尹秀

本申請?zhí)峁┝艘环N特征向量的處理方法及相關(guān)裝置，其中，方法包括：分別確定待預(yù)估用戶以及至少一個目標(biāo)鄰居用戶的特征向量；按照特征向量對應(yīng)的特征信息的類別，將特征向量進(jìn)行歸類，得到特征向量集合；將每個特征向量集合輸入神經(jīng)網(wǎng)絡(luò)模型，得到待預(yù)估用戶的信貸風(fēng)險值；其中，神經(jīng)網(wǎng)絡(luò)模型分別計算各個特征向量集合的合并向量，依據(jù)合并向量確定信貸風(fēng)險值；神經(jīng)網(wǎng)絡(luò)模型計算任一特征向量集合的合并向量的過程包括：計算該特征向量集合中各個目標(biāo)鄰居用戶的特征向量分別相對于待預(yù)估用戶的特征向量的相關(guān)系數(shù)，將相關(guān)系數(shù)作為權(quán)重，計算該特征向量集合中各個目標(biāo)鄰居用戶的特征向量的加權(quán)和。本申請可以解決確定的信貸風(fēng)險值的準(zhǔn)確性低的問題。

技術(shù)領(lǐng)域

本申請涉及數(shù)據(jù)處理領(lǐng)域，尤其涉及一種特征向量的處理方法及相關(guān)裝置。

背景技術(shù)

在‘互聯(lián)網(wǎng)+’和大數(shù)據(jù)時代，信用記錄成為近年來政府、金融機(jī)構(gòu)越來越關(guān)心的問題，完善的征信體系是市場經(jīng)濟(jì)的重要組成部分，大范圍的欺詐或違約都會對經(jīng)濟(jì)的發(fā)展產(chǎn)生難以估量的負(fù)面影響。不管是個人征信，還是企業(yè)征信，有效的區(qū)分出高風(fēng)險的申請，尤其是欺詐類風(fēng)險，可以大幅度的降低金融機(jī)構(gòu)的壞賬率，避免金融機(jī)構(gòu)的損失。同時，各個征信機(jī)構(gòu)掌握有大量的申請記錄，欺詐黑名單，逾期黑名單等信息，如何基于存量的大數(shù)據(jù)來區(qū)分出高風(fēng)險的申請，是一個重要的研究內(nèi)容。

目前，可以采用歷史已獲取的全部用戶的信息構(gòu)建關(guān)聯(lián)網(wǎng)絡(luò)，對關(guān)聯(lián)網(wǎng)絡(luò)中待預(yù)估用戶的鄰居用戶的特征信息，采用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行處理，處理得到的結(jié)果，被用于對待預(yù)估用戶的信貸風(fēng)險進(jìn)行評估。由此可以看出，特征信息處理結(jié)果的準(zhǔn)確性直接影響了評估結(jié)果的準(zhǔn)確性。

發(fā)明內(nèi)容

本申請?zhí)峁┝艘环N特征向量的處理方法及相關(guān)裝置，目的在于解決確定的信貸風(fēng)險值的準(zhǔn)確性低的問題。

為了實現(xiàn)上述目的，本申請?zhí)峁┝艘韵录夹g(shù)方案：

本申請?zhí)峁┝艘环N特征向量的處理方法，包括：

分別確定待預(yù)估用戶以及至少一個目標(biāo)鄰居用戶的特征向量，所述特征向量包括至少一類特征信息對應(yīng)的向量；

按照特征向量對應(yīng)的特征信息的類別，將所述特征向量進(jìn)行歸類，分別得到每個特征信息類對應(yīng)的特征向量集合；

將每個特征向量集合輸入預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)模型，得到所述待預(yù)估用戶的信貸風(fēng)險值；其中，所述神經(jīng)網(wǎng)絡(luò)模型分別計算各個特征向量集合的合并向量，依據(jù)所述合并向量確定信貸風(fēng)險值；所述神經(jīng)網(wǎng)絡(luò)模型計算任一特征向量集合的合并向量的過程包括：計算該特征向量集合中各個目標(biāo)鄰居用戶的特征向量分別相對于所述待預(yù)估用戶的特征向量的相關(guān)系數(shù)，將所述相關(guān)系數(shù)作為權(quán)重，計算該特征向量集合中各個目標(biāo)鄰居用戶的特征向量的加權(quán)和。

可選的，所述至少一類特征信息包括：節(jié)點特征信息、邊特征信息和結(jié)構(gòu)特征信息；所述至少一類特征信息對應(yīng)的向量包括：節(jié)點特征向量、邊特征向量，以及結(jié)構(gòu)特征向量。

可選的，在所述將每個特征向量集合輸入預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)模型之前，還包括：

將所述待預(yù)估用戶的特征向量中兩兩特征向量進(jìn)行拼接，得到所述待預(yù)估用戶的拼接向量；

分別將各個所述目標(biāo)鄰居用戶的特征向量中兩兩特征向量進(jìn)行拼接，得到各個所述目標(biāo)鄰居用戶分別對應(yīng)的拼接向量；

將所述待預(yù)估用戶與各個所述目標(biāo)鄰居用戶的拼接向量中，由相同兩種特征向量拼接得到的拼接向量組成一個特征向量集合，得到多個特征向量集合；

將所述待預(yù)估用戶的全部特征向量進(jìn)行拼接得到的拼接向量，以及分別對各個所述目標(biāo)鄰居用戶的全部特征向量進(jìn)行拼接得到的拼接向量，組成一個特征向量集合。

可選的，所述神經(jīng)網(wǎng)絡(luò)模型包括：第一神經(jīng)網(wǎng)絡(luò)模型和第二神經(jīng)網(wǎng)絡(luò)模型；所述第一神經(jīng)網(wǎng)絡(luò)模型與所述第二神經(jīng)網(wǎng)絡(luò)模型連接；