[發明專利]基于關聯網絡的風險評估方法、裝置、設備以及存儲介質

在審

• 申請號: 202110024642.5
• 申請日: 2021-01-08
• 公開（公告）號: CN112669143A
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 魯海生;嚴澄;楊青
• 申請（專利權）人: 上海優揚新媒信息技術有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06N3/04;G06N3/08
• 代理公司: 北京知帆遠景知識產權代理有限公司 11890
• 代理人: 劉巖磊

1.一種基于關聯網絡的風險評估方法，其特征在于，所述方法包括：

獲取目標節點在關聯網絡中的目標社區，所述目標節點為待評估的目標對象在所述關聯網絡中對應的節點，所述目標社區由多個關聯程度大于預設值的節點組成；

獲取所述目標社區的社區特征，所述社區特征為基于所述目標社區中每個節點的特征確定的；

將所述社區特征和第一特征，輸入風險評估模型，得到所述目標對象的風險評估結果，所述風險評估模型為基于神經網絡模型訓練得到的，所述第一特征為基于所述目標節點的n階鄰居節點的特征確定的，n≥1。

2.根據權利要求1所述的方法，其特征在于，所述獲取目標節點在關聯網絡中的目標社區，包括：

確定所述目標節點是否屬于所述關聯網絡；

若所述目標節點屬于所述關聯網絡，則獲取包含所述目標節點的社區作為目標社區；

否則，基于所述目標節點和所述目標節點的多個1階鄰居節點的關聯關系的權重，確定所述目標社區。

3.根據權利要求2所述的方法，其特征在于，所述基于所述目標節點和所述目標節點的多個1階鄰居節點的關聯關系的權重，確定所述目標社區，包括：

對包含至少一個1階鄰居節點的社區中的每個1階鄰居節點和所述目標節點的關聯關系的權重求和，得到所述社區與所述目標節點的權重；

將權重的值最大的社區作為所述目標社區。

4.根據權利要求1至3任一項所述的方法，其特征在于，所述方法還包括：

獲取所述目標對象在所述關聯網絡中的網絡子圖，所述網絡子圖包括與所述目標對象對應的目標節點以及所述目標節點的n階鄰居節點；

基于所述n階鄰居節點，得到所述第一特征。

5.根據權利要求4所述的方法，其特征在于，若所述第一特征包括鄰居特征，所述鄰居特征為所述目標節點的n階鄰居節點中每階鄰居節點在多個評估維度上的特征，則所述基于所述n階鄰居節點，得到所述第一特征，包括：

基于所述n階鄰居節點中每個鄰居節點的特征，得到每階鄰居節點的特征。

6.根據權利要求4所述的方法，其特征在于，若所述第一特征包括圖卷積特征，所述圖卷積特征為所述目標節點的n階鄰居節點通過圖卷積得到的特征，則所述基于所述n階鄰居節點，得到所述第一特征，包括：

對任一第n-1階鄰居節點連接的至少一個第n階鄰居節點的特征進行卷積運算，得到所述第n-1階鄰居節點的圖卷積特征，并將所述圖卷積特征合入所述第n-1階鄰居節點的特征；

重復上述過程，直至對所述目標節點連接的至少一個第1階鄰居節點的特征進行卷積運算，得到所述目標節點的圖卷積特征。

7.根據權利要求6所述的方法，其特征在于，所述方法還包括：

將所述目標節點的圖卷積特征和所述目標節點在多個評估維度上的特征，輸入卷積網絡模型，得到圖卷積風險分，將所述圖卷積風險分作為最終的圖卷積特征，所述卷積網絡模型為預先基于神經網絡模型訓練得到的。

8.一種風險評估裝置，其特征在于，包括：

獲取單元，用于獲取目標節點在關聯網絡中的目標社區，所述目標節點為待評估的目標對象在所述關聯網絡中對應的節點，所述目標社區由多個關聯程度大于預設值的節點組成；

所述獲取單元還用于獲取所述目標社區的社區特征，所述社區特征為基于所述目標社區中每個節點的特征確定的；

處理單元，用于將所述社區特征和第一特征，輸入風險評估模型，得到所述目標對象的風險評估結果，所述風險評估模型為基于神經網絡模型訓練得到的，所述第一特征為基于所述目標節點的n階鄰居節點的特征確定的，n≥1。

9.一種電子設備，其特征在于，包括：存儲器和處理器；

所述存儲器存儲計算機執行指令；

所述處理器執行所述存儲器存儲的計算機執行指令，使得所述處理器執行如權利要求1至7任一項所述的方法。

10.一種存儲介質，其特征在于，包括：

可讀存儲介質和計算機程序，計算機程序用于實現如權利要求1至7任一項所述的方法。