[发明专利]信用卡的风险预测方法、装置、电子设备和存储介质

权利要求书

1.一种信用卡的风险预测方法，其特征在于，包括：

读取信用卡的原始数据，对所述原始数据进行清洗，得到清洗后的数据；

将所述清洗后的数据经过特征工程得到特征数据，将所述特征数据输入预先训练的第一GBDT模型，输出第一结果；

根据所述清洗后的数据构造异构图，得到异构图数据，将所述异构图数据通过GraphSage模型改造，得到节点的向量表达，将所述节点的向量表达输入所述GraphSage模型的分类层，输出第二结果；

将所述特征数据和所述节点的向量表达进行拼接，将拼接后的特征输入预先训练的第二GBDT模型，输出第三结果；

将所述第一结果、所述第二结果和所述第三结果进行融合，得到预测结果。

2.根据权利要求1所述的方法，其特征在于，所述将所述第一结果、所述第二结果和所述第三结果进行融合，得到预测结果包括：

将所述第一结果、所述第二结果和所述第三结果输入Stacking模型进行融合，输出融合后的结果；

将所述融合后的结果输入预先训练的Logistic回归模型，输出所述预测结果。

3.根据权利要求1所述的方法，其特征在于，所述根据所述清洗后的数据构造异构图，得到异构图数据包括：

依据Schema构造异构图，得到节点数据和边数据，其中，所述节点用于表示实体，所述边用于表示实体间的关系。

4.根据权利要求3所述的方法，其特征在于，所述将所述异构图数据通过GraphSage模型改造，得到节点的向量表达包括：

对各类型的实体，根据属性特征进行归一化的向量表征，并对邻居节点进行采样；

将采样数据按照实体类型进行分组，将分组结果通过所述GraphSage模型进行向量堆叠，形成矩阵；

将所述矩阵输入所述GraphSage模型的全连接层，输出所述节点的向量表达。

5.根据权利要求1-4中任一所述的方法，其特征在于，所述GraphSage模型的训练方式如下：

对各类型的实体，根据属性特征进行归一化的向量表征，并采样邻居节点，得到待聚合节点集合；

对所述待聚合节点集合中相同类型的节点通过GraphSage模型的最大池化层进行聚合，得到聚合后的多个向量，对所述多个向量进行堆叠得到矩阵；

将所述矩阵输入所述GraphSage模型的全连接层，得到节点的向量表达；

将所述节点的向量表达输入所述GraphSage模型的分类层，输出预测值；

基于所述预测值和真实值计算损失，并更新参数，当损失收敛时，停止训练。

6.根据权利要求5所述的方法，其特征在于，所述GraphSage模型的训练方式还包括：

依据所述GraphSage模型的MiniBatch方式，采样相邻两跳的邻居节点，得到所述待聚合节点集合，基于所述待聚合节点集合进行训练，其中，所述相邻两跳的邻居节点包括一度相关联节点和二度相关联节点。

7.根据权利要求1所述的方法，其特征在于，所述读取信用卡的原始数据包括：

通过Hive读取存储在贴源层的信用卡的原始数据。

8.一种信用卡的风险预测装置，其特征在于，包括：

预处理模块，用于读取信用卡的原始数据，对所述原始数据进行清洗，得到清洗后的数据；

第一计算模块，用于将所述清洗后的数据经过特征工程得到特征数据，将所述特征数据输入预先训练的第一GBDT模型，输出第一结果；

第二计算模块，用于根据所述清洗后的数据构造异构图，得到异构图数据，将所述异构图数据通过GraphSage模型改造，得到节点的向量表达，将所述节点的向量表达输入所述GraphSage模型的分类层，输出第二结果；

第三计算模块，用于将所述特征数据和所述节点的向量表达进行拼接，将拼接后的特征输入预先训练的第二GBDT模型，输出第三结果；

融合模块，用于将所述第一结果、所述第二结果和所述第三结果进行融合，得到预测结果。