[发明专利]基于时序特征和图神经网络的用户风险预测方法及装置

权利要求书

1.一种基于时序特征和图神经网络的用户风险预测方法，其特征在于，包括：

以历史用户作为节点，历史用户的逾期行为作为节点标签，历史用户通话信息和通讯录信息作为边，构建关系网络；

根据关系网络的节点在N个指定时间点的特征向量序列构建节点的时序特征向量；所述时序特征向量反映用户通话信息在各个指定时间点的均值和变化趋势并且所述时序特征向量通过聚合函数来获取，所述指定时间点包括具体的时刻和/或预定的时间区间；

对各个邻节点采用通话亲密度的注意力权重而根据所述注意力权重大小对各个邻节点排序进行采样或者根据所述注意力权重加权进行采样，得到固定个数的邻节点；所述注意力权重根据当前节点与邻节点的通话信息转换为概率来确定，包括：节点u，有邻居节点集合V_u，则第i个邻居节点u_i的注意力权重α_ui为：

其中，P_ui是第i个节点的通话信息；

根据所述固定个数的邻节点对应的时序特征向量序列训练图神经网络，具体包括：对于节点v，采集的k-1层前N个相邻节点对应的时序特征向量序列为{h₁^k-1、h₂^k-1…h_N^k-1}，N为邻节点的固定个数；将节点v在第k-1层固定个数的邻节点对应的时序特征向量序列进行聚合，得到节点v在第k层的聚合向量；

配置目标函数，通过梯度下降法迭代求解、最小化所述目标函数，得到所述图神经网络参数；

将待预测用户通话信息及通讯录信息输入所述图神经网络中得到输出结果；

根据所述输出结果预测该用户的逾期风险。

2.根据权利要求1所述的方法，其特征在于，所述通话信息包括：通话时长和/或在预定时间内的通话次数。

3.根据权利要求1所述的方法，其特征在于，

所述时序特征向量通过聚合函数来获取具体包括：

如果关系网络的节点v在N个指定时间点的特征向量序列为{x_v1、x_v2…x_vN}，则节点v的时序特征向量X_v为：

X_v＝Lstm({x_v1,x_v2…x_vN})。

4.根据权利要求1所述的方法，其特征在于，节点v在第k层的聚合向量包括：

其中，σ为非线性激活函数，为平均节点v的邻节点在第k-1层的聚合向量，为节点v在第k-1层的时序特征向量，W_k和B_k为所述图神经网络的参数。