[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

说明书

本发明实施例提供了一种违约预测模型训练方法、违约预测方法及相关设备，可应用于人工智能领域或金融领域。其中，方法包括：基于用户违约知识图谱生成第一节点邻接矩阵和三元组；基于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，将目标用户与确定的用户个数的总和作为第一基数特征；对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，并将用户违约图谱结构信息与第一基数特征进行融合获得输出特征；基于输出特征和三元组对图注意力网络模型进行训练，获得违约预测模型。本发明能够提高违约预测准确度。

技术领域

本发明涉及数据处理技术领域，特别是涉及一种违约预测模型训练方法、违约预测方法及相关设备。

背景技术

随着企业或用户违约行为的不断增加，对企业或用户进行违约预测如今备受关注。目前进行违约预测的方法，预测准确度较低，因此，如何提高违约预测准确度是十分必要的。

发明内容

本发明实施例的目的在于提供一种违约预测模型训练方法、违约预测方法及相关设备，能够提高违约预测准确度。具体技术方案如下：

本发明提供了一种违约预测模型训练方法，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。

可选的，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。

可选的，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。

可选的，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。

本发明还提供一种违约预测模型训练系统，其特征在于，包括：