一种个体信用风险评估方法、系统、终端及存储介质技术方案

本发明专利技术公开了一种个体信用评估方法，获取用户的关系网络和不良事件的信息为基础；建立假设条件，设置用户节点的风险权重，获取与用户节点

An individual credit risk assessment method, system, terminal and storage medium

【技术实现步骤摘要】
一种个体信用风险评估方法、系统、终端及存储介质
本专利技术属于数据处理
，具体涉及一种个体信用风险评估方法、系统、终端及存储介质。
技术介绍
用户个体的信用会根据该个体有关的事件而改变，如果个体发生不良信用事件或受到某个不良信用事件的影响，则其信用会降低，反之增加，同时不良信用事件对某个个体的影响会随着时间的增长而逐渐降低。传统的个体信用风险评估方法采用选用PageRank算法计算的用户的风险。传统的PageRank算法基本思想为：在一个有向图中，用户从任意节点开始访问，当跳转到下一个节点时，用户将从当前节点出发的所有有向边中，以概率c随机选择下一个访问节点，或者跳转到任意的一个节点并以(1-c)的概率开始新一轮的随机游走，重复进行以上过程，直到用户停留在任意节点的概率保持稳定，以稳定状态下的各节点的概率分布为基准，对于其中的一个节点p，指向节点p的节点越多，说明节点p的权重越大，即：r＝(1-c)Mr+cu其中，r即PageRank值，表示该节点被访问到的概率，c为重启随机游走的概率，u为该节点在重启随机游走时被选中的概率，在PageRank中，每个节点被选中的概率相等，M为一个归一化邻接矩阵。但是传统的PageRank算法并不符合实际情况，实际使用场景中，网络中的每个节点在重启随机游走时，被选中的概率使不同的，而是基于用户的偏好，有一定的偏向性。所以之后有人对PageRank算法进行了改进，提出了个性化PageRank算法。个性化PageRank算法相对于传统PageRank算法做出的改进为：假设每次重新随机游走时，不可随机选择跳转到任意节点，而是从特定节点集合中选择一个节点开始，同时在初始化节点权重时，将特定节点集合中的节点与其他节点进行区别对待，当计算到稳定状态时，用户偏好的节点和相关节点能获得更好的权重。对于节点p，其个性化PageRank的计算方法为：r＝(1-c)Mr+cv其中，v为用户的偏好向量，表示关系网络中的每个节点针对给定的偏好向量的重要性，即用户的偏好。但是，在个体信用风险分析问题中，两个节点之间的权重影响，除了和不良信用事件本身有关，还和不良信用事件发生的时间有关，按照一般常识，发生时间越近的不良信用事件，对当前影响越大，反之亦然，但是个性化PageRank算法没有考虑时间对节点权重的影响。
技术实现思路
本专利技术目的在于提供一种个体信用风险评估方法，获取待测用户的关系网络和不良信用事件为基础，根据时间函数和改进的个性化PageRank计算方法分析计算出用户关系网络中所有节点的风险权重，得到个体信用风险评估数据，能更准确的计算出用户个体信用风险评估数据，降低用户数据的泄漏几率。本专利技术的目的是通过以下技术方案来实现的：一种个体信用风险评估方法，其特征在于，包括以下步骤：S1，获取用户关系网络U＝＜GU,VU＞，其中GU是关系网络中的用户节点集合，VU是关系网络中的边集合；S2，建立假设条件，假设用户节点u的风险权重为w，与用户节点u相连的n个其它用户节点为U＝{u1,u2,...,un}；S3，获取用户节点u发生的不良信用事件，利用时间相关函数δ(u,t)将节点u的风险权重传导给与u相连的节点；S4，对个性化PageRank算法进行改进，利用改进的个性化PageRank算法遍历用户关系网络中的所有节点同时完成不良信用事件风险权重计算；S5，按照风险权重，对该用户关系网络中的所有用户进行排序，得到基于不良信用事件影响的用户风险排序表。进一步的，所述的步骤S4中个性化PageRank算法的改进过程包括以下子步骤：S401，在邻接矩阵中加入时间衰减因子，将原来的邻接矩阵M变换为加入时间衰减的权重矩阵W；S402，将节点的权重分配与节点度无关化，放大高度节点的权重影响，保证传播时不同度的节点其邻居节点得到的权重影响在一个尺度上，得到最终改进的个性化PageRank的计算方法。进一步的，所述的子步骤S401中，设δ为指数时间衰变函数，则有：其中，β是衰减常数，表示过去信息影响力下降的速率，t是不良信用事件发生的时间与当前时间的间隔，当t＝0时表示不良信用事件是当前正在发生的。通过指数时间衰变函数后，原来的邻接矩阵M变换为加入时间衰减的权重矩阵W，此时，改进后的PageRank值的计算方法为：r＝(1-c)Wr+cv进一步的，所述的子步骤S402中得到最终改进的个性化PageRank算法为：r＝(1-c)Wr+cz'其中，若v为用户的偏好向量，d为节点的度数，z为向量v中的每个元素与向量d每个元素逐个相乘的结果，z'由z经归一化后得到。进一步的，提供一种个体信用风险评估系统，包括：信息获取单元，获取用户的关系网络；风险权重设置单元，设置用户节点的风险权重，获得与用户节点相连的其它用户节点；信用风险分析单元，获取用户不良信用事件信息，利用时间函数分析处理用户发生不良信用事件节点的风险权重，将风险权重传导给与用户当前节点相连的节点；信用风险计算单元，利用改进的个性化PageRank算法遍历用户关系网络中的所有节点，计算用户关系网络中的所有节点的风险权重；信用风险评估单元，按照风险权重，对该用户关系网络中的所有用户进行排序，得到基于不良信用事件影响的用户信用风险排序表，评估出个体信用风险大小。进一步的，提供一种个体信用风险评估终端，包括：存储器，用于存储计算机程序；处理器，用于处理所述计算机程序实现上述的个体信用风险评估方法的步骤。进一步的，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的个体信用风险评估方法的步骤。本专利技术的有益效果：本专利技术提出的一种个体信用风险评估方法，基于时间影响问题，需要对个性化PageRank算法做了进一步改进，能更加准确的获取用户在进行数据申请发布时的个体信用风险评估数据，减少了数据发布的泄漏风险。附图说明图1是本专利技术的方法流程图。图2是本专利技术的系统结构图。具体实施方式为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图说明本专利技术的具体实施方式。如图1所示，在本专利技术的实施例中，一种个体信用风险评估方法，包括：(1)给定一个用户关系网络U＝＜GU,VU＞，其中GU是关系网络中的用户节点集合，VU是关系网络中的边集合；(2)假设有一个风险权重为w的用户节点u，与用户节点u相连的n个其它用户节点为U＝{u1,u2,...,un}；(3)假设用户节点u发生了某个不良信用事件，有一个时间相关函数δ(u,t)将节点u的风险权重传导给与u相连的节点；(4)对个性化PageRank算法进行改进，利用改进的个性化PageRank算法遍历用户关系网络中的所有节点同时完成不良信用事件风险权重传导计算；(5)按照风险权重，本文档来自技高网...

【技术保护点】
1.一种个体信用风险评估方法，其特征在于，包括以下步骤：/nS1，获取用户关系网络U＝＜G

【技术特征摘要】
1.一种个体信用风险评估方法，其特征在于，包括以下步骤：
S1，获取用户关系网络U＝＜GU,VU＞，其中GU是关系网络中的用户节点集合，VU是关系网络中的边集合；
S2，建立假设条件，假设用户节点u的风险权重为w，与用户节点u相连的n个其它用户节点为U＝{u1,u2,...,un}；
S3，获取用户节点u发生的不良信用事件，利用时间相关函数δ(u,t)将节点u的风险权重传导给与u相连的节点；
S4，对个性化PageRank算法进行改进，利用改进的个性化PageRank算法遍历用户关系网络中的所有节点同时完成不良信用事件风险权重传导计算；
S5，按照风险权重，对该用户关系网络中的所有用户进行排序，得到基于不良信用事件影响的用户风险排序表。


2.根据权利要求1所述的一种个体信用风险评估方法，其特征在于，所述的步骤S4中个性化PageRank算法的改进过程包括以下子步骤：
S401，在邻接矩阵中加入时间衰减因子，将原来的邻接矩阵M变换为加入时间衰减的权重矩阵W；
S402，将节点的权重分配与节点度无关化，放大高度节点的权重影响，保证传播时不同度的节点其邻居节点得到的权重影响在一个尺度上，得到最终改进的个性化PageRank的计算方法。


3.根据权利要求2所述的一种个体信用风险评估方法，其特征在于，所述的子步骤S401中，设δ为指数时间衰变函数，则有：



其中，β是衰减常数，表示过去信息影响力下降的速率，t是不良信用事件发生的时间与当前时间的间隔，当t＝0时表示不良信用事件是当前正在发生的。通过指数时间衰变函数后，原来的邻接矩阵M...

【专利技术属性】
技术研发人员：张巍琦，王瑞锦，张凤荔，何兴高，张志扬，汤启友，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51