[發明專利]一種金融信貸反欺詐方法、裝置和介質

在審

• 申請號: 202210222726.4
• 申請日: 2022-03-07
• 公開（公告）號: CN114693427A
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 王振;姜婷;張吉
• 申請（專利權）人: 之江實驗室
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 孫孟輝

1.一種金融信貸反欺詐方法，其特征在于，包括以下步驟：

步驟一，構建金融信貸中的多關系時序網絡：收集信貸中的數據，將申請人、賣方/商家、貸款機構和其他用戶作為網絡中的節點，其各自的屬性當作每個節點的特征，節點之間存在社交關系、資本交易和設備依賴的連接關系作為連接邊，對每個連接邊記錄其開始時間和結束時間；

步驟二，構建多關系時間切片網絡：在由不同關系形成的網絡下，根據連接形成的時間，將圖進行劃分，形成各個關系下不同時間切片下的網絡；

步驟三：將網絡中所有節點的屬性進行轉換，將所有節點映射到同一個特征空間，使得節點對在原特征空間之間的距離與轉換后特征空間內的相距相近；

步驟四：利用轉換后的特征，針對每一種關系，在每個時間切片內，對時間切片對應的時間戳進行嵌入表達學習，使用鄰居聚合的方法，添加獲得每個時間切片的編碼向量，對節點信息特征進行更新；

步驟五：使用門控循環后期融合模型對不同關系各個時間的特征進行融合，獲得融合各個關系與時間的總特征；

步驟六：利用節點屬性轉換前后的特征向量和門控循環后期融合模型獲得的節點特征向量，對申請人用戶節點進行無監督嵌入表征和有監督分類的聯合學習，判斷其是否有欺詐風險。

2.如權利要求1所述的一種金融信貸反欺詐方法，其特征在于，所述步驟二，具體為：根據多關系時序網絡中各個關系網絡中連接形成的時間，按照每X天或Y個月進行切分，其中兩節點在該時間段內曾存在連接邊，則認為所述的兩節點在該時間切片存在連接邊，從而獲得各個網絡關系的不同時間切片下的網絡。

3.如權利要求1所述的一種金融信貸反欺詐方法，其特征在于，所述步驟三，具體為：

將不同節點包括申請人、商家、貸款機構和其他用戶的屬性特征轉化為同一維度q的空間下，轉化公式如下：

X′＝XW+B

H＝σ(X′W′+B′)

其中X∈R^n×k表示所有節點的屬性特征矩陣，X′表示所有節點轉化過程間變量，n表示所有節點的總個數，k表示所有節點的初始維度，W∈R^k×q、W′∈R^q×q、B∈R^n×q、B′∈R^n×q分別表示轉化矩陣與偏置向量，是需學習的參數，σ(*)為非線性激活函數，H∈R^n×q表示節點轉化后的特征，其中q表示特征轉化后所有類型節點的統一特征維度，需滿足節點對在原特征空間之間的距離與轉換后特征空間內的相距相近，即對于節點對(i，j)特征映射的目標為最小化：考慮到所有的節點，則該部分特征轉化的目標為最小化函數：

其中n表示所有節點的個數，h_i、h_j分別表示節點i和節點j轉化后的特征，x_i、x_j分別表示節點i和節點j的原始屬性特征。

4.如權利要求3所述的一種金融信貸反欺詐方法，其特征在于，所述步驟四，具體為：

使用注意力機制的方法，通過計算每個鄰居節點的權重，使用加權平均的方法匯聚鄰居節點信息，并對絕對時間進行嵌入表達，獲得的每個時間切片的表征編碼

其中是一維時間戳t的M維向量編碼，α和β是需學習的參數；

對節點信息特征進行聚合更新，具體聚合更新的公式如下：

其中表示節點j在第r種關系下時間片t時的特征，符號[*，*]表示向量拼接操作，表示在第r種關系下時間片t時節點i為節點j的鄰居節點，a^r(t)∈R^2q為需學習的參數，為第r種關系下時間切片t時節點i對節點j的權重，l為圖神經網絡的堆疊層數，L為整數，為在第r種關系下時間切片t時節點j的最后聚合更新信息特征。