基于图神经网络的资金风险识别方法、计算机装置及计算机可读存储介质制造方法及图纸

本发明专利技术提供一种基于图神经网络的资金风险识别方法、计算机装置及计算机可读存储介质，该方法包括获取金融交易的付款账号与收款账号，根据付款账号与收款账号的交易情况制作交易图：将付款账号与收款账号作为交易图的节点，将付款账号与收款账号的交易关系作为交易图的边；对交易图的节点与边的表征进行联合学习，将边信息融合到节点并获取节点嵌入表示信息和边嵌入表示信息；将各节点的节点嵌入表示信息输出全连接神经网络，并预测获得各节点的异常概率，如节点的若异常概率大于预设概率，则确定该节点为异常节点；根据异常节点提示资金交易风险。本发明专利技术还提供实现上述方法的计算机装置及计算机可读存储介质。本发明专利技术能提高异常账号识别的准确性。常账号识别的准确性。常账号识别的准确性。

【技术实现步骤摘要】
基于图神经网络的资金风险识别方法、计算机装置及计算机可读存储介质


[0001]本专利技术涉及金融风险的识别
，具体地，是一种将基于图神经网络的资金风险识别方法，还涉及实现该方法的计算机装置及计算机可读存储介质。

技术介绍

[0002]电网企业的资金流动大，资金交易频繁，属于典型的资金密集型企业。目前电网企业在资金安全管理方面普遍存在资金监控信息化程度低和监督监控不完善等问题，为改变现有监控系统低效、信息孤岛的现状，需要构建基于大数据的集安全监控、信息共享、数据分析、决策支撑为一体的资金智能安全防控平台，实现信息化的资金安全管理模式。其中，对资金交易的异常检测是电网企业的资金风险识别的重要手段，分析异常数据有助于企业理解其背后的形成机制，从而做出相应决策，避免损失。
[0003]传统的异常检测方法通常需要手工整理特征数据，将异常检测问题转化为分类问题。这种处理方式效率低下，随着业务数据的增长，异常检测的工作量不断增加，传统的处理方式需要手工整理特征数据的情况下，将难以满足日益增加的数据量的处理需求。
[0004]近年来，图神经网络成为分析处理结构化数据的重要手段。图神经网络通过学习包含节点自身特征和邻居信息的嵌入表示，以更好完成数据的分类、重建、回归等下游任务。相较于传统的异常检测方法，图异常检测能够利用不同实体之间的关联信息，更好服务于资金风险识别等实际场景。此外，图神经网络的异常检测方法还可以应用在网络安全、欺诈检测、金融风控、故障监测等实际场景中。
[0005]然而，通用的图神经网络(如图卷积网络等)主要针对正常数据设计，在异常检测任务上容易遇到“过平滑”(over
‑
smoothing)的问题，即异常节点和正常节点的表达难以区分，影响异常检测的准确率。例如，在金融欺诈检测的实际应用中，异常账号通常会先与多个正常账号进行正常交易来伪装自己，降低自身可疑程度，之后再展开违规交易。这种“关系欺诈”进一步增加了图异常检测的难度。
[0006]为了解决上述困难，现有的一些研究提出了针对异常检测任务的图神经网络模型，包括(1)利用注意力机制从多个视图聚合邻域信息；(2)利用重采样方法聚合不同类别的邻域信息；(3)设计额外的损失函数来辅助图神经网络的训练等。这些方法主要从空域的角度设计图神经网络来处理异常，但都未很好的同时利用到图形中的节点和边的信息，未能够充分利用图中潜藏的信息和模式进行异常检测，异常检测的准确性仍有待提高。

技术实现思路

[0007]本专利技术的第一目的是提供一种充分利用节点和边的信息对异常进行检测的基于图神经网络的资金风险识别方法。
[0008]本专利技术的第二目的是提供一种实现上述基于图神经网络的资金风险识别方法的计算机装置。
[0009]本专利技术的第三目的是提供一种实现上述基于图神经网络的资金风险识别方法的计算机可读存储介质。
[0010]为实现本专利技术的第一目的，本专利技术提供的基于图神经网络的资金风险识别方法包括获取金融交易的付款账号与收款账号，根据付款账号与收款账号的交易情况制作交易图：将付款账号与收款账号作为交易图的节点，将付款账号与收款账号的交易关系作为交易图的边；对交易图的节点与边的表征进行联合学习，将边信息融合到节点并获取节点嵌入表示信息和边嵌入表示信息；将各节点的节点嵌入表示信息输出全连接神经网络，并预测获得各节点的异常概率，如节点的若异常概率大于预设概率，则确定该节点为异常节点；根据异常节点提示资金交易风险。
[0011]由上述方案可见，在制作交易图后，提取了节点和边的信息后，对交易图的节点与边的表征进行联合学习，将边信息融合到节点并获取节点嵌入表示信息和边嵌入表示信息，通过联合学习的方式可以充分利用交易图中潜藏的信息和模式进行异常检测，提高异常检测的准确性。
[0012]另外，区别于现有的资金风险识别的方法，本专利技术使用图神经网络识别风险，无需手工制作节点或者边的特征，可以对大规模高维数据银行交易流水自动、准确的进行风险识别判断，提高资金风险检测的效率。
[0013]一个优选的方案是，制作交易图时，还计算每一节点的特征向量：获取每一节点的内容，对节点的内容进行分词，获得节点的多个第一词，使用随机初始化的方式得到各第一词的第一词向量表示形式，对该节点的第一词向量进行编码，获得该节点的特征向量。
[0014]由此可见，通过对节点进行分词并进行编码，获得该节点的特征向量，可以为后续的联合学习提供相应的信息，有利于后面的联合学习的开展。
[0015]进一步的方案是，制作交易图时，还计算每一边的特征向量：获取每一边的内容，对边的内容进行分词，获得边的多个第二词，使用随机初始化的方式得到各第二词的第二词向量表示形式，对该边的第二词向量进行编码，获得该边的特征向量。
[0016]这样，对边也采用与节点相同的方式进行分词并编码，可以获得边的特征向量，为后续的联合学习提供相应的信息。
[0017]更进一步的方案是，对交易图的节点与边的表征进行联合学习时，采用节点的特征向量与边的特征向量进行联合学习。
[0018]可见，联合学习的时候，应用节点的特征向量与边的特征向量作为输入的信息，使得联合学习具有可解释性，有利于联合学习结果的改进。
[0019]一个优选的方案是，对交易图的节点与边的表征进行联合学习包括：构建节点和边的损失函数，以损失函数最小为目的，通过迭代计算获得节点嵌入表示信息和边嵌入表示信息。
[0020]由此可见，通过构建损失函数并且对损失函数进行迭代计算，能够使用简单的方式计算出节点嵌入表示信息和边嵌入表示信息，提升异常检测效率。
[0021]优选的方案是，损失函数包含有以下的至少一项：节点相似度约束、边相似度约束、节点和边的相似度约束、参数正则化约束。
[0022]可见，通过设定相应的约束条件，使得损失函数能够快速收敛，也是的损失函数的计算获得准确的结果。
[0023]进一步的方案是，将节点的节点嵌入表示信息输出全连接神经网络后，接入到归一化指数函数层，并计算获得各节点的异常概率。
[0024]这样，通过全连接神经网络以及归一化指数函数层的计算，可以获得各节点的异常概率，使得节点异常计算更加准确。
[0025]为实现上述的第二目的，本专利技术提供的计算机装置包括处理器以及存储器，存储器存储有计算机程序，计算机程序被处理器执行时实现上述基于图神经网络的资金风险识别方法的各个步骤。
[0026]为实现上述的第三目的，本专利技术提供计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述基于图神经网络的资金风险识别方法的各个步骤。
附图说明
[0027]图1是本专利技术基于图神经网络的资金风险识别方法实施例的技术路线图。
[0028]图2是本专利技术基于图神经网络的资金风险识别方法实施例的流程图。
[0029]以下结合附图及实施例对本专利技术作进一步说明。
具体实施方式
[0030]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图神经网络的资金风险识别方法，其特征在于，包括：获取金融交易的付款账号与收款账号，根据所述付款账号与所述收款账号的交易情况制作交易图：将所述付款账号与所述收款账号作为所述交易图的节点，将所述付款账号与所述收款账号的交易关系作为所述交易图的边；对所述交易图的节点与边的表征进行联合学习，将边信息融合到节点并获取节点嵌入表示信息和边嵌入表示信息；将各所述节点的节点嵌入表示信息输出全连接神经网络，并预测获得各所述节点的异常概率，如所述节点的若异常概率大于预设概率，则确定该节点为异常节点；根据所述异常节点提示资金交易风险。2.根据权利要求1所述的基于图神经网络的资金风险识别方法，其特征在于：制作所述交易图时，还计算每一所述节点的特征向量：获取每一所述节点的内容，对所述节点的内容进行分词，获得所述节点的多个第一词，使用随机初始化的方式得到各所述第一词的第一词向量表示形式，对该节点的第一词向量进行编码，获得该节点的特征向量。3.根据权利要求2所述的基于图神经网络的资金风险识别方法，其特征在于：制作所述交易图时，还计算每一所述边的特征向量：获取每一所述边的内容，对所述边的内容进行分词，获得所述边的多个第二词，使用随机初始化的方式得到各所述第二词的第二词向量表示形式，对该边的第二词向量进行编码，获得该边的特征向量。4.根据权利要求3所述的基于图神经网络的资金风险识别方法，其特征在于：对所述交易图的...

【专利技术属性】
技术研发人员：李玫，丁德智，
申请(专利权)人：远光软件股份有限公司，
类型：发明
国别省市：