一种商户风险识别方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种商户风险识别方法、装置、设备及存储介质，所述方法包括：获取目标商户的异构关系网络图；基于异构关系网络图中每个节点的邻接信息，生成异构关系网络图的邻接矩阵；基于每个节点对应的交易统计信息，生成异构关系网络图的节点交易属性特征矩阵；将邻接矩阵和节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成目标商户对应的目标商户节点的目标特征信息，目标特征信息用于表征对应节点的邻接特征和交易属性特征；将目标特征信息输入分类模型进行商户风险识别，得到目标商户的风险识别指标数据。利用本申请的技术方案能够学习得到商户的聚集性风险，从而提高了商户风险识别的准确性和效率。高了商户风险识别的准确性和效率。高了商户风险识别的准确性和效率。

【技术实现步骤摘要】
一种商户风险识别方法、装置、设备及存储介质


[0001]本申请涉及计算机
，具体涉及一种商户风险识别方法、装置、设备及存储介质。

技术介绍

[0002]在数字技术的支撑下，我国第三方支付市场持续保持高速增长的态势，如何识别存在交易风险的问题商户是支付企业面临的重要难题。传统的商户风险识别方法主要通过基于商户的交易统计特征训练后得到的机器学习模型。
[0003]然而，在商户风险识别中，由于交易对象重合度较高的商户之间存在复杂的关联关系，表现出风险聚集性，也即当某商户被标记为风险商户时其邻居节点也存在风险的可能性较大，而当下传统的商户风险识别方法无法识别出其中隐藏的聚集性风险，因此，需要提供更加科学有效的商户风险识别方法。

技术实现思路

[0004]本申请提供了一种商户风险识别方法、装置、设备及存储介质，可以在考虑商户节点的交易行为的同时也考虑商户节点的结构关系，能够学习得到商户的聚集性风险，从而提高了商户风险识别的准确性和效率，本申请技术方案如下：一方面，提供了一种商户风险识别方法，所述方法包括：获取目标商户的异构关系网络图，所述异构关系网络图的节点用于表征所述目标商户对应的交易对象的交易数据中的商户和用户，所述异构关系网络图的边用于表征所述节点之间的交易关系；基于所述异构关系网络图中每个节点的邻接信息，生成所述异构关系网络图的邻接矩阵；基于所述每个节点对应的交易统计信息，生成所述异构关系网络图的节点交易属性特征矩阵；将所述邻接矩阵和所述节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成所述目标商户对应的目标商户节点的目标特征信息，所述目标特征信息用于表征对应节点的邻接特征和交易属性特征；将所述目标特征信息输入分类模型进行商户风险识别，得到所述目标商户的风险识别指标数据。
[0005]另一方面，提供了一种商户风险识别装置，所述装置包括：异构关系网络图获取模块，用于获取目标商户的异构关系网络图，所述异构关系网络图的节点用于表征所述目标商户对应的交易对象的交易数据中的商户和用户，所述异构关系网络图的边用于表征所述节点之间的交易关系；邻接矩阵生成模块，用于基于所述异构关系网络图中每个节点的邻接信息，生成所述异构关系网络图的邻接矩阵；
节点交易属性特征矩阵生成模块，用于基于所述每个节点对应的交易统计信息，生成所述异构关系网络图的节点交易属性特征矩阵；节点特征提取模块，用于将所述邻接矩阵和所述节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成所述目标商户对应的目标商户节点的目标特征信息，所述目标特征信息用于表征对应节点的邻接特征和交易属性特征；商户风险识别模块，用于将所述目标特征信息输入分类模型进行商户风险识别，得到所述目标商户的风险识别指标数据。
[0006]另一方面，提供了一种商户风险识别设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的商户风险识别方法。
[0007]另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的商户风险识别方法。
[0008]本申请提供的商户风险识别方法、装置、设备及存储介质，具有如下技术效果：利用本申请提供的技术方案，通过目标商户的异构关系网络图生成对应的邻接矩阵和节点交易属性特征矩阵；并将邻接矩阵和节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成目标商户节点的目标特征信息，从而提取出目标商户节点的邻接特征和交易属性特征；并将目标特征信息输入分类模型进行商户风险识别，得到目标商户的风险识别指标数据，即利用目标商户节点的邻接特征和交易属性特征的双重特征作为商户风险识别的依据；一方面，在考虑商户节点的交易行为的同时也考虑了商户节点的结构关系，能够学习得到商户的聚集性风险，从而提高了商户风险识别的准确性和效率。
附图说明
[0009]为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0010]图1是本申请实施例提供的一种商户风险识别方法的流程示意图；图2是本申请实施例提供的一个异构关系网络图的示意图；图3是本申请实施例提供的一种基于上述异构关系网络图中每个节点的邻接信息，生成上述异构关系网络图的邻接矩阵的流程示意图；图4是本申请实施例提供的一种邻接表的示意图；图5是本申请实施例提供的一种基于上述每个节点对应的交易统计信息，生成上述异构关系网络图的节点交易属性特征矩阵的流程示意图；图6是本申请实施例提供的一种将上述邻接矩阵和上述节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成上述目标商户对应的目标商户节点的目标特征信息的流程示意图；图7是本申请实施例提供的一种将上述节点交易属性特征矩阵中上述采样邻居节点的交易属性特征向量输入上述卷积层进行特征聚合处理，生成上述目标特征信息的流程
示意图；图8是本申请实施例提供的一种图神经网络训练方法的流程示意图；图9是本申请实施例提供的另一种图神经网络训练方法的流程示意图；图10是本申请实施例提供的一种商户风险识别装置示意图；图11是本申请实施例提供的一种商户风险识别方法的服务器的硬件结构框图。
具体实施方式
[0011]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0012]需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0013]以下介绍本申请实施例提供的一种商户风险识别方法，图1为本申请实施例提供的一种商户风险识别方法的流程示意图。需要说明的是，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行（例如并行处理器或者多线程处理的环境）。具体的如图1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种商户风险识别方法，其特征在于，所述方法包括：获取目标商户的异构关系网络图，所述异构关系网络图的节点用于表征所述目标商户对应的交易对象的交易数据中的商户和用户，所述异构关系网络图的边用于表征所述节点之间的交易关系；基于所述异构关系网络图中每个节点的邻接信息，生成所述异构关系网络图的邻接矩阵；基于所述每个节点对应的交易统计信息，生成所述异构关系网络图的节点交易属性特征矩阵；将所述邻接矩阵和所述节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成所述目标商户对应的目标商户节点的目标特征信息，所述目标特征信息用于表征对应节点的邻接特征和交易属性特征；将所述目标特征信息输入分类模型进行商户风险识别，得到所述目标商户的风险识别指标数据。2.根据权利要求1所述的方法，其特征在于，所述图神经网络包括采样层和卷积层，所述将所述邻接矩阵和所述节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成所述目标商户对应的目标商户节点的目标特征信息包括：将所述邻接矩阵输入所述采样层进行所述目标商户节点的多阶邻居采样，确定所述目标商户节点的采样邻居节点；将所述节点交易属性特征矩阵中所述采样邻居节点的交易属性特征向量输入所述卷积层进行特征聚合处理，生成所述目标特征信息。3.根据权利要求2所述的方法，其特征在于，所述采样邻居节点包括一阶邻居节点和二阶邻居节点，所述卷积层包括第一卷积层和第二卷积层，所述将所述节点交易属性特征矩阵中所述采样邻居节点的交易属性特征向量输入所述卷积层进行特征聚合处理，生成所述目标特征信息包括：将所述二阶邻居节点的交易属性特征向量输入所述第一卷积层进行特征平均聚合处理，得到所述一阶邻居节点的特征嵌入向量；将所述一阶邻居节点的交易属性特征向量输入所述第一卷积层进行特征平均聚合处理，得到所述目标商户节点的特征嵌入向量；将所述一阶邻居节点的特征嵌入向量和所述目标商户节点的特征嵌入向量输入所述第二卷积层进行特征平均聚合处理，得到所述目标特征信息。4.根据权利要求1所述的方法，其特征在于，所述基于所述异构关系网络图中每个节点的邻接信息，生成所述异构关系网络图的邻接矩阵包括：生成节点标识信息与目标序号的节点映射文件；基于所述节点映射文件和所述邻接信息，生成所述异构关系网络图的邻接表；对所述邻接表进行特征提取，生成所述邻接矩阵。5.根据权利要求1所述的方法，其特征在于，所述基于所述每个节点对应的交易统计信息，生成所述异构关系网络图的节点交易属性特征矩阵包括：根据所述每个节点对应的交易统计信息，确定多个交易属性特征下所述每个节点对应的特征参数；
根据决策树和所述多个交易属性特征的影响因子，对所述多个交易属性特征进行筛选，得到目标交易属性特征；根据所述目标交易属性特征下所述每个节点对应的特征参数，生成所述每个节点的交易属性特征向量；对所述每个节点的交易属性特征向量进行拼接处理，得到所述节点交易属性特征矩阵。6.根据权利要求1至5任一所述的方法，其特征在于，所述方法还包括：获取...

【专利技术属性】
技术研发人员：侯兴翠，王化楠，王愚，
申请(专利权)人：连连杭州信息技术有限公司，
类型：发明
国别省市：