[发明专利]一种违约预测模型训练方法、违约预测方法及相关设备

权利要求书

1.一种违约预测模型训练方法，其特征在于，包括：

基于用户违约知识图谱生成第一节点邻接矩阵和三元组；其中，所述第一节点邻接矩阵反映各用户之间的关联关系，所述三元组反映用户是否违约；

基于所述第一节点邻接矩阵确定与目标用户具有关联关系的用户的个数，将所述目标用户与确定的用户个数的总和作为第一基数特征；

对所述第一节点邻接矩阵进行卷积处理获得用户违约图谱结构信息，并将所述用户违约图谱结构信息与所述第一基数特征进行融合获得输出特征；

基于所述输出特征和所述三元组对图注意力网络模型进行训练，获得违约预测模型。

2.根据权利要求1所述的违约预测模型训练方法，其特征在于，所述将所述用户违约图谱结构信息与所述第一基数特征进行融合获得输出特征，包括：

计算所述第一节点邻接矩阵中各节点的注意力系数；其中，所述注意力系数反映所述第一节点邻接矩阵中两节点之间的相关度；

对所述各节点的注意力系数进行归一化处理，获得归一化的注意力系数；

将所述归一化的注意力系数和所述第一基数特征的乘积作为所述用户违约图谱结构信息的权重；

基于所述用户违约图谱结构信息以及所述用户违约图谱结构信息的权重获得所述输出特征。

3.根据权利要求2所述的违约预测模型训练方法，其特征在于，基于所述输出特征和所述三元组对图注意力网络模型进行训练，获得违约预测模型，包括：

将所述输出特征和所述三元组输入分类器，获得分类结果；

将所述分类结果输入损失函数获得损失值；

在所述损失值不满足训练条件时更新所述输出特征，然后返回步骤“将所述输出特征和所述三元组输入分类器，获得分类结果”；

在所述损失值满足训练条件时获得所述违约预测模型。

4.根据权利要求3所述的违约预测模型训练方法，其特征在于，更新所述输出特征的方法，包括：

基于所述输出特征重新计算所述第一节点邻接矩阵中各节点的注意力系数，获得更新后的注意力系数；

对所述更新后的注意力系数进行归一化处理，获得更新后的归一化的注意力系数；

将所述更新后的归一化的注意力系数和所述第一基数特征的乘积作为所述用户违约图谱结构信息的更新权重；

基于所述用户违约图谱结构信息与和所述更新权重获得更新后的输出特征。

5.一种违约预测模型训练系统，其特征在于，包括：

用户违约知识图谱处理模块，用于基于用户违约知识图谱生成第一节点邻接矩阵和三元组；其中，所述第一节点邻接矩阵反映各用户之间的关联关系，所述三元组反映用户是否违约；

第一基数特征确定模块，用于基于所述第一节点邻接矩阵确定与目标用户具有关联关系的用户的个数，将所述目标用户与确定的用户个数的总和作为第一基数特征；

输出特征获得模块，用于对所述第一节点邻接矩阵进行卷积处理获得用户违约图谱结构信息，并将所述用户违约图谱结构信息与所述第一基数特征进行融合获得输出特征；

模型训练模块，用于基于所述输出特征和所述三元组对图注意力网络模型进行训练，获得违约预测模型。

6.一种违约预测方法，其特征在于，包括：

基于待预测用户信息生成预测用户知识图谱；

基于所述预测用户知识图谱生成第二节点邻接矩阵；其中，所述第二节点邻接矩阵反映与待预测用户具有关联关系的用户；

基于所述第二节点邻接矩阵确定与待预测用户具有关联关系的用户的个数，将所述待预测用户与确定的用户个数的总和作为第二基数特征；

对所述第二节点邻接矩阵进行卷积处理获得预测用户图谱结构信息，并将所述预测用户图谱结构信息与所述第二基数特征进行融合获得目标特征；

将所述目标特征输入违约预测模型，获得待预测用户违约预测结果；其中，所述违约预测模型采用如权利要求1-4任一项所述的违约预测模型训练方法获得。