[發明專利]一種基于深度學習的風險預測方法和裝置有效

申請號：	202011639556.7	申請日：	2020-12-31
公開（公告）號：	CN112651573B	公開（公告）日：	2021-07-06
發明（設計）人：	王淵;閆森亮;杜林;劉茜	申請（專利權）人：	上海競動科技有限公司
主分類號：	G06Q10/04	分類號：	G06Q10/04;G06Q10/06;G06Q20/40;G06Q40/02;G06N3/08;G06N20/10
代理公司：	北京北匯律師事務所 11711	代理人：	馬亞坤
地址：	200940 上海市寶***	國省代碼：	上海;31
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	一種基于深度學習風險預測方法裝置
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【權利要求書】：

1.一種基于深度學習的風險預測方法，其特征在于，包括：

S101、構建主體的行為軌跡集合，根據所述行為軌跡集合中的行為建立關聯拓撲，并利用行為的行為狀態與所述關聯拓撲生成行為的傳導預測；

S102、根據所述行為狀態和所述關聯拓撲的傳導預測，生成行為軌跡預測向量；

S103、將行為軌跡預測向量代入基于深度學習的風險評估模型，實現行為風險評估；

步驟S101中所述構建主體的行為軌跡集合，根據所述行為軌跡集合中的行為建立關聯拓撲，并利用行為的行為狀態與所述關聯拓撲生成行為的傳導預測，包括：

S1011、基于行為構建行為軌跡集合，并根據行為軌跡集合中行為之間相互影響的關聯性、行為之間關聯影響的權重，面向所述行為軌跡集合構建關聯拓撲；

S1012、采集用戶上階段行為軌跡集合中的行為狀態，并根據所述行為狀態，通過所述關聯拓撲，實現對用戶下階段行為的傳導預測；

步驟S1011中，按照一定的標準條件，將用戶的一系列行為按照時序順序，構成行為軌跡集合；將用戶的每個行為表示為p_i，其中i＝1,2,...,M，則行為軌跡集合為V＝{p₁,p₂,...,p_i,...p_M}；根據行為軌跡集合中行為之間相互影響的關聯性、行為之間關聯影響的權重，構建關聯拓撲為G＝{V,E,W}，其中，行為軌跡集合V中的每個行為p_i表示關聯拓撲中的一個拓撲節點；在關聯拓撲的表達式中，E＝{e₁₁,e₁₂,...,e_ij,...e_MM}，其中i＝1,2,...,M，j＝1,2,...,M；e_ij表示行為p_i受到行為p_j的關聯與否(也就是行為p_i和行為p_j是否具有由p_j到p_i的單向拓撲關聯)，其中，如果具有上述關聯則e_ij＝1，反之不具有上述關聯則e_ij＝0；W＝{w₁₁,w₁₂,...,w_ij,...w_MM}，其中i＝1,2,...,M，j＝1,2,...,M；w_ij表示行為軌跡集合V中行為p_i受到行為p_j關聯的權重大小，w_ij在一個預設的取值區間范圍0≤w_ij≤K內取值，如果p_i受到行為p_j關聯的關聯性越大則w_ij的取值越大。

2.根據權利要求1所述的基于深度學習的風險預測方法，其特征在于，步驟S1012中，每個行為p_i的行為狀態表示為x_i，x_i∈R，R是每個行為可能處于的所有行為狀態的一個集合；對于每個行為p_i，確定該行為p_i的一個鄰域，即從e_ij，j＝1,2,...,M中選取e_ij不等于0的行為p_j對應的標號j，組成一個鄰域表示為N_i，即行為p_i的鄰域，對于行為p_i在下一時間階段的行為狀態x_i(t+1),具體的表達公式如下所示:

其中，表示當前時間階段t，行為p_i的鄰域N_i內的行為狀態x_j(t)對行為p_i自身的行為狀態x_i(t+1)的傳導，通過傳導對行為p_i下一時間階段的行為狀態x_i(t+1)產生傳導增益，β表示增益系數，根據行為的不同類型，增益系數β發生變化，x_i(t+1)相對于x_i(t)發送取值變化，從集合R中的一種行為狀態過渡到另一種行為狀態。