风险识别模型的训练方法、风险识别方法及装置制造方法及图纸

本申请实施例提供了一种风险识别模型的训练方法、风险识别方法及装置，首先获取N个第一样本图数据；然后，基于每个第一样本图数据对图神经网络模型中的一个图神经网络子模型进行训练，这样基于N个第一样本图数据可以得到包含N个训练后的图神经网络子模型的图神经网络模型，进而得到包含训练后的图神经网络模型的风险识别模型；由于N个第一样本图数据对应的节点关联方式是不同的，即不同的第一样本图数据的边数据是从不同的关联维度出发构建的，这样不同的图神经网络子模型在风险识别时更具有针对性，从而基于训练后的图神经网络子模型的风险预测得分确定目标用户是否为风险用户，能够提高用户风险识别准确度。能够提高用户风险识别准确度。能够提高用户风险识别准确度。

【技术实现步骤摘要】
风险识别模型的训练方法、风险识别方法及装置


[0001]本申请涉及人工智能
，尤其涉及一种风险识别模型的训练方法、风险识别方法及装置。

技术介绍

[0002]目前，随着互联网时代的到来，互联网在人们日常的学习、工作和生活中得到广泛的应用。人们日常的各种事务都可以通过互联网来处理和呈现，其中，为了确保互联网业务的健康运行，在业务处理之前，对某一预设业务的申请用户进行风险识别尤为重要；并且随着人工智能技术的快速发展，可以通过预先基于样本数据训练风险识别模型，然后将申请用户的用户特征数据输入至预先训练的风险识别模型中，预测申请用户为风险用户的概率，进而指导是否对该申请用户的业务申请请求进行拦截。
[0003]然而，现有的风险识别模型的训练过程中通常仅基于多个样本用户自身的用户特征数据进行训练，这样训练得到的风险识别模型的模型参数的准确率低，使得利用现有的风险识别模型得到的风险预测结果的准确度低，导致部分风险用户的业务申请被放行。

技术实现思路

[0004]本申请实施例的目的是提供一种风险识别模型的训练方法、风险识别方法及本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风险识别模型的训练方法，其特征在于，所述风险识别模型包括图神经网络模型，所述图神经网络模型包括N个图神经网络子模型，所述方法包括：获取N个第一样本图数据；每个所述第一样本图数据包括多个第一用户节点的用户特征数据和第一边数据，所述第一边数据包括所述第一用户节点之间的连接边，不同的第一样本图数据对应于不同的节点关联方式，所述节点关联方式包括基于至少一个目标关联维度构建用户节点之间连接边的方式，每个所述第一样本图数据用于训练一个图神经网络子模型，N为大于1的整数；针对每个所述图神经网络子模型，将所述图神经网络子模型对应的第一样本图数据输入至所述图神经网络子模型，输出所述第一用户节点的第一预测标签；并基于所述第一用户节点的第一预测标签和真实标签，对所述图神经网络子模型进行训练，得到训练后的图神经网络子模型；基于N个所述训练后的图神经网络子模型，确定训练后的风险识别模型。2.根据权利要求1所述的方法，其特征在于，所述风险识别模型还包括分类树模型；所述基于N个所述训练后的图神经网络子模型，确定训练后的风险识别模型，包括：获取N个第二样本图数据；每个所述第二样本图数据对应于一个所述训练后的图神经网络子模型，每个所述第二样本图数据包括多个第二用户节点的用户特征数据和第二边数据；将所述N个第二样本图数据对应输入至N个所述训练后的图神经网络子模型，得到每个所述第二用户节点的N个风险预测得分；基于各所述第二用户节点的用户特征数据和所述N个风险预测得分，对所述分类树模型进行训练，得到训练后的分类树模型；基于训练后的图神经网络模型和所述训练后的分类树模型，确定训练后的风险识别模型；所述训练后的图神经网络模型包括N个所述训练后的图神经网络子模型。3.根据权利要求2所述的方法，其特征在于，所述基于各所述第二用户节点的用户特征数据和所述N个风险预测得分，对所述分类树模型进行训练，得到训练后的分类树模型，包括：将每个所述第二用户节点的用户特征数据和所述N个风险预测得分输入至所述分类树模型，得到各所述第二用户节点的第二预测标签；基于所述第二用户节点的第二预测标签和真实标签，对所述分类树模型进行训练，得到训练后的分类树模型。4.根据权利要求1所述的方法，其特征在于，所述获取N个第一样本图数据，包括：获取预先构建的第一原始图数据，以及确定所述N个图神经网络子模型分别对应的节点关联方式；针对每个所述节点关联方式，基于所述节点关联方式对应的至少一个目标关联维度，删除所述第一原始图数据中非目标关联维度对应的连接边，得到所述节点关联方式对应的第一样本图数据。5.根据权利要求4所述的方法，其特征在于，所述确定所述N个图神经网络子模型分别对应的节点关联方式，包括：基于M个预设关联维度，确定N个节点关联方式；M为大于1的整数，且N大于或等于M；
将所述N个节点关联方式确定为所述N个图神经网络子模型分别对应的节点关联方式。6.根据权利要求5所述的方法，其特征在于，所述基于M个预设关联维度，确定N个节点关联方式，包括：基于每个所述预设关联维度，确定第一关联方式；每个所述第一关联方式对应的至少一个目标关联维度的数量为1；基于部分所述预设关联维度，确定第二关联方式；每个所述第二关联方式对应的至少一个目标关联维度的数量为大于1且小于M的整数；基于所有所述预设关联维度，确定第三关联方式；所述第三关联方式对应的至少一个目标关联维度的数量为M；基于M个所述第一关联方式、P个所述第二关联方式和一个所述第三关联方式中至少一项，确定N个节点关联方式；P为小于或等于N且大于1的整数。7.根据权利要求1所述的方法，其特征在于，所述多个第一用户节点包括具有真实标签的第一类样本节点和不具有真实标签的第二类样本节点，所述图神经网络子模型包括输入网络层、特征聚合层和输出网络层；所述将所述图神经网络子模型对应的第一样本图数据输入至所述图神经网络子模型，输出所述第一用户节点的第一预测标签，包括：所述输入网络层用于基于所述图神经网络子模型对应的第一样本图数据，得到所述第一用户节点对应的用户特征向量；所述特征聚合层用于针对每个所述第一用户节点，基于所述第一用户节点的关联用户节点的用户特征向量，对所述第一用户节点的用户特征向量进行聚合处理，得到所述第一用户节点的聚合特征向量；所述关联用户节点包括第一类样本节点和/或第二类样本节点；所述输出网络层用于基于所述第一用户节点的所述聚合特征向量，对所述第一用户节点进行风险识别，输出所述第一用户节点的第一预测标签。8.根据权利要求7所述的方法，其特征在于，所述基于所述第一用户节点的第一预测标签和真实标签，对所述图神经网络子模型进行训练，得到训练后的图神经网络子模型，包括：针对每个所述第一类样本节点，基于所述第一类样本节点的第一预测标签和真实标签，确定所述第一类样本节点对应的损失值；基于各所述第一类样本节点对应的损失值，对所述图神经网络子模型的模型参数进行迭代更新，得到训练后的图神经网络子模型。9.根据权利要求2所述的方法，其特征在于，所述多个第二用户节点包括第一类孤点和第二类孤点，所述N个第二样本图数据是基于第二原始图数据进行边删除处理得到的，所述第一类孤点包括所述第二原始图数据中的孤点，所述第二类孤点包括所述第二原始图数据中的非孤点且至少一个所述第二样本图数据中的孤点；所述第一类孤点的N个风险预测得分均为空，所述第二类孤点的N个风险预测得分中部分风险预测...

【专利技术属性】
技术研发人员：陈实，蒋靓，林亚臣，黄菁，
申请(专利权)人：马上消费金融股份有限公司，
类型：发明
国别省市：