一种基于双方网络图数据的风险预测方法、装置和电子设备制造方法及图纸

本发明专利技术提供了一种基于双方网络图数据的风险预测方法、装置和电子设备。所述方法包括：获取历史用户的基础特征数据和行为特征数据，并构建双方网络关系图，双方网络关系图包括两类节点，即用户节点和信息节点；从双方网络关系图中提取历史用户的本地图特征数据；建立欺诈预测模型，使用历史用户的本地图特征数据和欺诈表现数据训练所述欺诈预测模型；获取目标用户的基础特征数据和行为特征数据，将该目标用户加入双方网络关系图中以提取目标用户的本地图特征数据，并输入欺诈预测模型，计算目标用户的欺诈预测值以进行风险预测。本发明专利技术的风险预测方法提高了数据的利用率，提升了欺诈模型的精度，还提升了业务水平。

A risk prediction method, device and electronic equipment based on the data of two side network diagram

【技术实现步骤摘要】
一种基于双方网络图数据的风险预测方法、装置和电子设备
本专利技术涉及通信领域，特别涉及一种基于双方网络图数据的风险预测方法、装置、电子设备和存储介质。
技术介绍
通过互联网申请贷款的信贷模式已得到长足发展。然而，相比于传统的信贷模式，网上申请贷款在带给人们便利性同时，也给信贷业务部门带来了欺诈骗贷风险的增加。如果不能很好的进行欺诈行为的识别和处理，将会给互联网金融平台带来了难以估量的损失。最近国内网贷规模逐步增加，网络借贷的风控作为重中之重。据报道，2017年有超过2000个网贷公司共完成超过2000亿笔借款，大笔数量借款使得这些公司曝露到频繁的欺诈行为中。为了识别这些欺诈行为，网贷公司存在如下问题：稀疏的信用相关数据；借贷行为的高频高次高速；欺诈行为的迭代更新等。因此，如何实时检测出上述这些欺诈行为，并且及时反馈到业务流程当中是非常关键的。现有技术通过建立专门的欺诈模型对申请用户进行欺诈评分，但是，由于欺诈行为发生的概率较少，数据较为单一，数据量不足，尤其是在关系网络图数据中存在大量缺失或不完整的数据，因此，在使用现有的欺诈模型进行模型优化时，可能不能准确、高效地识别出欺诈人或欺诈行为，由此导致模型精度低等问题。综上，有必要提供一种更精准的风险预测方法。
技术实现思路
为了解决上述问题，本专利技术提供了一种基于双方网络图数据的风险预测方法，包括：获取历史用户的基础特征数据和行为特征数据，并构建双方网络关系图，所述双方网络关系图包括两类节点，即用户节点和信息节点，所述用户节点是代表用户的节点，所述信息节点是将不同用户关联起来的节点；从所述双方网络关系图中提取历史用户的本地图特征数据；建立欺诈预测模型，使用所述历史用户的本地图特征数据和欺诈表现数据训练所述欺诈预测模型；获取目标用户的基础特征数据和行为特征数据，将该目标用户加入所述双方网络关系图中以提取目标用户的本地图特征数据，并输入所述欺诈预测模型，计算目标用户的欺诈预测值以进行风险预测。优选地，所述提取包括：确定所述本地图特征数据，所述本地图特征数据包括度序列特征数据、多边形特征数据、本地聚类系数中的至少一个。优选地，所述多边形特征是由两个用户节点关联不同的信息节点形成的四边形特征，其中，一个用户节点的数据与目标用户的数据相对应。优选地，所述预测方法还包括：基于所述四边形特征数据及已知的用户节点和信息节点的信息数据，计算未知的用户节点或信息节点的信息数据。优选地，所述用户节点包括用户个人特征数据和网络特征数据。优选地，所述信息节点包括APP信息、位置信息、通信录信息、通话记录信息、设备信息和运营商信息中的至少一个。优选地，所述预测方法还包括：设定风险阈值，将所计算的目标用户的风险预测值与所述风险阈值进行比较，以对所述目标用户进行风险分类。优选地，所述预测方法还包括：通过计算未知的用户节点或信息节点的信息数据，并将所述信息数据加入双方网络关系图，以进一步更新所述双方网络关系图的图数据。此外，本专利技术还提供了一种基于图数据的风险预测装置，所述风险预测装置包括：数据获取模块，其用于获取历史用户的基础特征数据和行为特征数据，并构建双方网络关系图，所述双方网络关系图包括两类节点，即用户节点和信息节点，所述用户节点是代表用户的节点，所述信息节点是将不同用户关联起来的节点；数据处理模块，其用于从所述双方网络关系图中提取历史用户的本地图特征数据；模型建立模块，建立欺诈预测模型，使用所述历史用户的本地图特征数据和欺诈表现数据训练所述欺诈预测模型；计算模块，获取目标用户的基础特征数据和行为特征数据，将该目标用户加入所述双方网络关系图中以提取目标用户的本地图特征数据，并输入所述欺诈预测模型，计算目标用户的欺诈预测值以进行风险预测。优选地，确定所述本地图特征数据，所述本地图特征数据包括度序列特征数据、多边形特征数据、本地聚类系数中的至少一个。优选地，所述多边形特征是由两个用户节点关联不同的信息节点形成的四边形特征，其中，一个用户节点的数据与目标用户的数据相对应。优选地，所述风险预测装置还包括：基于所述四边形特征数据及已知的用户节点和信息节点的信息数据，计算未知的用户节点或信息节点的信息数据。优选地，所述用户节点包括用户个人特征数据和网络特征数据。优选地，所述信息节点包括APP信息、位置信息、通信录信息、通话记录信息、设备信息和运营商信息中的至少一个。优选地，所述风险预测装置还包括设定模块，所述设定模块用于设定风险阈值，将所计算的目标用户的风险预测值与所述风险阈值进行比较，以对所述目标用户进行风险分类。优选地，所述风险预测装置还包括更新模块，所述更新模块通过计算未知的用户节点或信息节点的信息数据，并将所述信息数据加入双方网络关系图，以进一步更新所述双方网络关系图的图数据。此外，本专利技术还提供了一种电子设备，其中，该电子设备包括：处理器；以及存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行本专利技术所述的风险预测方法。此外，本专利技术还提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现本专利技术所述的风险预测方法。有益效果与现有技术相比，本专利技术的风险预测方法应用广泛，适用于大规模数据处理和数据分析，特别是在用户节点的特征数据不完整或者缺失的情况下，也能够通过使用群体图特征的挖掘(四边形特征数据)对该用户节点所表示的用户进行风险预测，提高了风险预测的精度。此外，本专利技术的风险预测方法通过使用不匹配特征预测风险，提升了欺诈模型的精度；提高了数据的利用率，优化了目标数据；降低了网贷风险；提升了业务水平。附图说明为了使本专利技术所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本专利技术的具体实施例。但需声明的是，下面描述的附图仅仅是本专利技术本专利技术示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。图1是本专利技术的基于双方网络图数据的风险预测方法的一示例的流程图。图2是本专利技术的实施例1的双方网络关系图的局部示意性图。图3是本专利技术的实施例1的风险预测模型的构建过程的示意性框图。图4是本专利技术的双方网络关系图中的图数据提取的一示例的图表。图5是本专利技术的基于双方网络图数据的风险预测方法的另一示例的流程图。图6是本专利技术的基于双方网络图数据的风险预测方法的又一示例的流程图。图7是本专利技术的实施例2的风险预测装置的一示例的结构框图。图8是本专利技术的实施例2的风险预测装置的另一示例的结构框图。图9是本专利技术的实施例2的风险预测装置的又一示例的结构框图。图10是根据本专利技术的一种电子设备的示例性实施例的结构框图。图11是根据本专利技术的计算机可读介质的示例性实施例的结构框图。具体实施方式现本文档来自技高网...

【技术保护点】
1.一种基于双方网络图数据的风险预测方法，其特征在于，包括：/n获取历史用户的基础特征数据和行为特征数据，并构建双方网络关系图，所述双方网络关系图包括两类节点，即用户节点和信息节点，所述用户节点是代表用户的节点，所述信息节点是将不同用户关联起来的节点；/n从所述双方网络关系图中提取历史用户的本地图特征数据；/n建立欺诈预测模型，使用所述历史用户的本地图特征数据和欺诈表现数据训练所述欺诈预测模型；/n获取目标用户的基础特征数据和行为特征数据，将该目标用户加入所述双方网络关系图中以提取目标用户的本地图特征数据，并输入所述欺诈预测模型，计算目标用户的欺诈预测值以进行风险预测。/n

【技术特征摘要】
1.一种基于双方网络图数据的风险预测方法，其特征在于，包括：
获取历史用户的基础特征数据和行为特征数据，并构建双方网络关系图，所述双方网络关系图包括两类节点，即用户节点和信息节点，所述用户节点是代表用户的节点，所述信息节点是将不同用户关联起来的节点；
从所述双方网络关系图中提取历史用户的本地图特征数据；
建立欺诈预测模型，使用所述历史用户的本地图特征数据和欺诈表现数据训练所述欺诈预测模型；
获取目标用户的基础特征数据和行为特征数据，将该目标用户加入所述双方网络关系图中以提取目标用户的本地图特征数据，并输入所述欺诈预测模型，计算目标用户的欺诈预测值以进行风险预测。


2.根据权利要求1所述的风险预测方法，其特征在于，所述提取包括：
确定所述本地图特征数据，所述本地图特征数据包括度序列特征数据、多边形特征数据、本地聚类系数中的至少一个。


3.根据权利要求1-2所述的风险预测方法，其特征在于，所述多边形特征是由两个用户节点关联不同的信息节点形成的四边形特征，其中，一个用户节点的数据与目标用户的数据相对应。


4.根据权利要求1-3所述的风险预测方法，其特征在于，所述预测方法还包括：
基于所述四边形特征数据及已知的用户节点和信息节点的信息数据，计算未知的用户节点或信息节点的信息数据。


5.根据权利要求1-4所述的风险预测方法，其特征在于，所述用户节点包括用户个人特征数据和网络特征数据。


6.根据权利要求1-5所述的风险预测方法，其特征在于...

【专利技术属性】
技术研发人员：姚聪，
申请(专利权)人：北京淇瑀信息科技有限公司，
类型：发明
国别省市：北京;11