[发明专利]基于关系网标签化和图神经网络的风险预测方法及装置

说明书

本发明公开了一种基于关系网标签化和图神经网络的风险预测方法及装置，所述方法包括：基于用户信息构建关系网络；对所述关系网络中各个节点进行标签化处理得到各个节点的固定排序；根据节点的固定排序进行采样，得到固定长度和固定排序的向量序列；根据所述固定长度和固定排序的向量序列训练图神经网络；将预测用户信息输入训练好的图神经网络中，得到该预测用户的风险概率。本发明通过图神经网络来聚合用户关系网络中邻节点的信息，综合用户之间的社交关系来预测用户风险，提高了对用户风险预测的准确度。

技术领域

本发明涉及计算机信息处理技术领域，具体而言，涉及一种基于关系网标签化和图神经网络的风险预测方法、装置、电子设备及计算机可读介质。

背景技术

目前对于信贷用户的风险预测主要是基于深度学习和机器学习等，通过对用户的用户信息、金融属性、征信信息和消费行为数据等进行数据挖掘而得出。不管是深度学习，还是机器学习都只输入了个体用户的信息，无法结合用户之间的社交关系进行综合分析，从而降低了用户风险预测的准确度。

发明内容

本发明旨在解决无法结合用户之间的社交关系进行综合分析，从而降低了用户风险预测的准确度的技术问题。

为了解决上述技术问题，本发明第一方面提出一种基于关系网标签化和图神经网络的风险预测方法，所述方法包括：

基于用户信息构建关系网络；

对所述关系网络中各个节点进行标签化处理得到各个节点的固定排序；

根据节点的固定排序进行采样，得到固定长度和固定排序的向量序列；

根据所述固定长度和固定排序的向量序列训练图神经网络；

将预测用户信息输入训练好的图神经网络中，得到该预测用户的风险概率；

其中，所述对所述关系网络中各个节点进行标签化处理得到各个节点的固定排序包括：

初始化各个节点排序得到节点初始排序；

根据节点初始排序和邻节点初始排序生成节点标签；

根据节点标签和邻节点标签对各个节点排序生成各个节点新标签，直至各个节点新标签固定为止；

所述根据节点的固定排序进行采样，得到固定长度和排序的向量序列包括：

根据节点的固定排序获取k-1层前N个相邻节点对应的向量序列{h₁^k-1、h₂^k-1…h_N^k-1}，N为所述固定长度包含的相邻节点个数；

所述根据所述固定长度和固定排序的向量序列训练图神经网络包括：

将所述向量序列{h₁^k-1、h₂^k-1…h_N^k-1}输入长短期记忆模型中，并将所述长短期记忆模型的输出记为AGG_k；

将AGG_k输入第K层聚合函数得到节点在第K层的向量；

将节点在各个层的向量进行迭代，得到最终向量，并根据所述最终向量得到节点预测值；

将所述节点预测值输入交叉熵损失函数，直至所述交叉熵损失函数最小。

根据本发明一种优选的实施方式，所述基于用户信息构建关系网络包括：

以用户作为节点，以用户通话记录或通讯录信息作为边，构建无向关系网络。