【技术实现步骤摘要】
一种用于风险识别的方法和装置
[0001]本申请涉及计算机
，尤其涉及一种用于风险识别的技术方案。
技术介绍
[0002]用户风险识别是指采用机器学习或者深度学习的方法对用户未来的风险进行预测，如针对用户的金融风险识别是指对用户在未来的还款能力的预测，有时也可称为金融风险预测或逾期预测等。现有技术中，针对用户的风险识别，通常采用的机器学习和深度学习大多是基于用户自身的特征进行挖掘。
技术实现思路
[0003]本申请的目的是提供一种针对异构图的用于风险识别的技术方案。
[0004]根据本申请的一个实施例，提供一种用于风险识别的方法，其中，所述方法包括：
[0005]从输入数据中抽取用户实体以及所述用户实体对应的关系信息，并根据所述用户实体以及所述关系信息建立网络关系异构图；
[0006]根据所述网络关系异构图，获得边信息表示以及用户特征表示；
[0007]根据所述边信息表示以及用户特征表示，确定多个高阶用户表示；
[0008]根据所述多个高阶用户表示，并使用多层注意...
【技术保护点】
【技术特征摘要】
1.一种用于风险识别的方法，其中，所述方法包括：从输入数据中抽取用户实体以及所述用户实体对应的关系信息，并根据所述用户实体以及所述关系信息建立网络关系异构图；根据所述网络关系异构图，获得边信息表示以及用户特征表示；根据所述边信息表示以及用户特征表示，确定多个高阶用户表示；根据所述多个高阶用户表示，并使用多层注意力机制，建立融合边信息的多层注意力模型；构建损失函数，并使用所述损失函数对所述多层注意力模型进行训练。2.根据权利要求1所述的方法，其中，所述方法还包括：将目标用户数据输入训练好的多层注意力模型，获得输出的风险识别结果。3.根据权利要求1所述的方法，其中，所述根据所述网络关系图，获得边信息表示以及用户特征表示，包括：对所述网络关系异构图进行表示学习，获得用户特征表示；根据所述网络关系异构图进行异质关系提取，获得边信息表示。4.根据权利要求3所述的方法，其中，所述根据所述网络关系异构图进行异质关系提取，获得边信息表示，包括：根据所述网络关系异构图进行异质关系提取，获得边的文本信息，根据所述边的文本信息，确定边信息表示。5.根据权利要求4所述的方法，其中，所述根据所述网络关系异构图进行异质关系提取，获得边的文本信息，包括：根据所述网络关系异构图，并基于Transformer结构，进行异质关系提取，获得边的文本信息。6.根据权利要求1至5中任一项所述的方法，其中，所述根据所述边信息表示以及所述用户特征表示，确定多个高阶用户表示的步骤，包括：对于所述用户实体中的每个目标用户，根据该目标用户对应的边信息表示以及用户特征表示，确定该目标用户对应的高阶用户表示，其中，所述目标用户包括中心用户的每个邻居用户。7.根据权利要求6所述的方法，其中，所述目标用户还包括所述中心用户。8.根据权利要求6所述的方法，其中，所述根据该目标用户对应的边信息表示以及用户特征表示，确定该目标用户对应的高阶用户表示，包括：将该目标用户对应的边信息表示与用户特征表示进行拼接，获得该目标用户对应的高阶用户表示。9.根据权利要求6所述的方法，其中，所述根据该目标用户对应的边信息表示以及用户特征表示，确定该目标用户对应的高阶用户表示，包括：将该目标用户对应的边信息表示与用户特征表示相乘，获得该目标用户对应的高阶用户表示。10.根据权利要求1至9中任一项所述的方法，其中，所述根据所述多个高阶用户表示，并使用多层注意力机制，建立融合边信息的多层注意力模型，包括：根据所述多个高阶用户表示，并使用基于Transformer的多层注意力机制，建立融合边
信息的多层注意力模型。11.根据权利要求10所述的方法，其中，所述多个高阶用户表示包括所述中心用户的多个邻居用户分别对应的高阶用户表示，所述根据所述高阶用户表示，并使用基于Transformer的多层注意力机制，建立融合边信息的多层注意力模型，包括：计算所述多个高阶用户中每相邻的两个高阶用户表示之间的第一相似度，根据所述第一相似度，并使用基于Transformer的多层注意力机制，建立融合边信息的多层注意力模型。12.根据权利要求10所述的方法，其中，所述多个高阶用户表示包括中心用户对应的高阶用户表示以及所述中心用...
【专利技术属性】
技术研发人员：张宝安，单黎平，杨青，
申请(专利权)人：度小满科技北京有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。