[发明专利]一种基于知识图谱挖掘风险对象的方法及装置

权利要求书

1.一种基于知识图谱挖掘风险对象的方法，包括：

获取预先形成的知识图谱，其中包含与用户和交易相关的若干知识点；所述知识图谱中部分用户和/或部分交易被标定为风险对象；

使用若干种知识图谱规则挖掘算法，以得到所述风险对象为目标对所述知识图谱分别进行规则挖掘，得到N条风险规则，其中任意一条风险规则用于推导出涉及风险对象的知识点；

分别利用所述N条风险规则，在所述知识图谱上进行推理，得到假定涉及风险对象的多个假定知识点；

对于任意的第一假定知识点，确定其对应的标注数据，其中包括，指示所述N条风险规则能否推理出所述第一假定知识点的第一标注数据，以及指示该第一假定知识点与所述知识图谱是否相符的第二标注数据；

利用所述多个假定知识点对应的多条标注数据训练目标模型；训练好的目标模型用于挖掘风险对象。

2.根据权利要求1所述的方法，其中，所述目标模型为概率图模型；利用所述多个假定知识点对应的多条标注数据训练目标模型，包括：

基于所述任意的第一假定知识点所对应的第一标注数据和第二标注数据，确定第一假定知识点对应于多个预设因子的因子值，所述多个预设因子用于反映假定知识点与各风险规则的关联；

基于权重参数，和所述多个假定知识点各自的因子值，确定所述多条标注数据的联合概率分布；

以所述联合概率分布最大化为目标，调整所述权重参数，得到所述概率图模型的优化参数。

3.根据权利要求2所述的方法，其中，所述多个预设因子包括以下中的至少两项：

指示所述风险规则能否推理出所述第一假定知识点的第一类因子；

指示所述第一标注数据与所述第二标注数据是否一致的第二类因子；

指示任意两条所述风险规则对于所述第一假定知识点的推理结果是否一致的第三类因子。

4.根据权利要求2所述的方法，其中，确定所述多条标注数据的联合概率分布，包括：

对于任意的第一假定知识点，将其对应的因子值构成的第一向量与权重参数构成的权重向量进行内积计算，对所有所述假定知识点对应的内积结果进行归一化求和，得到所述联合概率分布。

5.根据权利要求2所述的方法，其中，在得到所述概率图模型的优化参数之后，所述方法还包括：

对于待分析的目标用户或目标交易形成的目标知识点，确定其对应的第一标注数据，并根据所述第一标注数据和分别对应于真和假的两个标签值，确定其对应于所述多个预设因子的第一组因子值和第二组因子值；

基于所述优化参数，分别确定所述第一组因子值对应的第一概率和第二组因子值对应的第二概率；

根据所述第一概率和第二概率中较大者对应的标签值，确定所述目标用户或目标交易是否为风险对象。

6.根据权利要求1所述的方法，其中，所述第一标注数据包括N个元素，当第i条风险规则能够推理出所述第一假定知识点时，对应所述第一标注数据的第i个元素为1，否则为0。

7.根据权利要求1所述的方法，其中，所述目标模型为分类模型；利用所述多个假定知识点对应的多条标注数据训练目标模型，包括：

以所述多条标注数据中的第一标注数据作为样本特征数据，以第二标注数据作为样本标签数据，训练得到分类模型。

8.根据权利要求7所述的方法，其中，所述分类模型至少包括：逻辑回归模型、神经网络、梯度提升决策树GBDT。

9.根据权利要求7所述的方法，其中，在训练得到分类模型之后，所述方法还包括：

对于所述多个假定知识点中任意的第二假定知识点，使用所述分类模型对其进行分类，并计算对应的置信度；

将所述置信度小于预设的第一阈值的任意第二假定知识点发送给人工审核平台进行人工复核，根据复核结果确定修正的第二标注数据；

以所述多条标注数据中的第一标注数据作为样本特征数据，以修正的第二标注数据作为样本标签数据，重新训练所述分类模型。