信贷逾期的风险预估方法、装置、设备及存储介质制造方法及图纸

本申请实施例涉及一种信贷逾期的风险预估方法、装置、设备及存储介质，方法包括：构建目标用户对应信贷通讯录的目标关系图，信贷通讯录表征目标用户与相邻用户的信贷关系；基于目标关系图进行编码处理，得到对应的用户关系图；利用深度游走DeepWalk算法对用户关系图进行随机游走处理，得到用户关系图对应的特征向量；将特征向量输入到图卷积神经网络GCN模型中进行模型训练，输出特征向量对应的风险评估结果。通过运用深度游走得到关联用户的序列，再使用图卷积神经网络(GCN)构建风控模型，挖掘信贷用户复杂网络的关系型信息，预测信贷用户的逾期风险；由此，可以实现为信贷业务的人工智能大数据风控提供支持，提升客户信贷风控能力的技术效果。能力的技术效果。能力的技术效果。

【技术实现步骤摘要】
信贷逾期的风险预估方法、装置、设备及存储介质


[0001]本申请实施例涉及风控管理的
，尤其涉及一种信贷逾期的风险预估方法、装置、设备及存储介质。

技术介绍

[0002]在信贷场景下，用户信贷逾期的预测，一般对用户进行用户画像，根据用户的静态属性、动态行为等进行数据预处理和特征工程，综合运用统计学和业务领域知识提炼用于建模的特征，业务积累到一定数量的正、负样本以后利用逻辑回归、决策树以及梯度提升树等集成学习算法，甚至深度学习算法来建模，最后将模型的参数和模型文件保存下来，根据使用场景的不同进行离线或者在线的部署，来对新用户进行预测。
[0003]现有的技术方案通常需要对用户的行为进行分类，然后根据业务知识对不同类型的行为进行分时段的统计，从次数、频率、变化率、变化趋势等方面对用户进行多方面的描述以获取用户特征数据的特征工程。现有技术方案的模型仅仅关注与用户自身的数据和特征信息，缺乏挖掘用户与用户之间的关联关系等信息。

技术实现思路

[0004]鉴于此，为解决上述用户自身数据对于风险预测局限性的技术问题，本申请实施例提供一种信贷逾期的风险预估方法、装置、设备及存储介质。
[0005]第一方面，本申请实施例提供一种信贷逾期的风险预估方法，包括：
[0006]构建目标用户对应信贷通讯录的目标关系图，所述信贷通讯录表征目标用户与相邻用户的信贷关系；
[0007]基于所述目标关系图进行编码处理，得到对应的用户关系图；
[0008]利用深度游走DeepWalk算法对所述用户关系图进行随机游走处理，得到所述用户关系图对应的特征向量；
[0009]将所述特征向量输入到图卷积神经网络GCN模型中进行模型训练，输出所述特征向量对应的风险评估结果。
[0010]在一个可能的实施方式中，所述构建目标用户对应目标通讯录的目标关系图，包括：
[0011]获取目标用户的信贷通讯录；
[0012]对所述信贷通讯录中的全部用户进行编号处理，得到对应的用户编号，以及构建全部用户的关系词典；
[0013]基于所述用户编号和所述关系词典构建目标关系图。
[0014]在一个可能的实施方式中，所述基于所述目标关系图进行编码处理，得到对应的用户关系图，包括：
[0015]对所述目标关系图进行独热one
‑
hot编码处理，得到高维度的编码序列；
[0016]根据所述编码序列和所述目标关系图得到对应的用户关系图。
[0017]在一个可能的实施方式中，所述利用深度游走DeepWalk算法对所述用户关系图进行随机游走处理，得到所述用户关系图对应的特征向量，包括：
[0018]利用深度游走DeepWalk算法中的随机漫步Random Walk算法对用户关系图进行随机游走处理，得到所述用户关系图对应的全部的采样序列；
[0019]基于所述采样序列利用词向量word2vec算法进行自监督预测处理，得到所述采样序列对应的特征向量。
[0020]在一个可能的实施方式中，所述利用随机漫步Random Walk算法对用户关系图进行随机游走处理，得到所述用户关系图对应的全部的采样序列，包括：
[0021]利用所述Random Walk算法对所述用户关系图中的每个节点分别进行随机游走，获取每个所述节点的最大游走轨迹；
[0022]根据每个所述节点的最大游走轨迹确定一个节点的采样序列；
[0023]根据每个所述节点对应的最大游走轨迹得到所述用户关系图对应的全部的采样序列。
[0024]在一个可能的实施方式中，所述基于所述采样序列利用词向量word2vec算法进行自监督预测处理，得到所述采样序列对应的特征向量，包括：
[0025]获取所述采样序列的中心节点；
[0026]基于所述中心节点利用所述word2vec算法进行中心词的自监督预测处理，得到所述中心词的特征向量。
[0027]在一个可能的实施方式中，所述将所述特征向量输入到图卷积神经网络GCN模型中进行模型训练，输出所述特征向量对应的风险评估结果，包括：
[0028]获取特征向量中的目标用户对应的目标特征向量，以及获取所述特征向量中的相邻用户的相邻特征向量；
[0029]将所述目标特征向量和所述相邻特征向量输入到所述GCN模型中进行卷积和深度挖掘处理，输出卷积向量；
[0030]将所述卷积向量输入到深度神经网络DNN模型中进行逾期评估训练，输出对应的逾期概率；
[0031]根据所述逾期概率确定目标用户的风险评估结果。
[0032]第二方面，本申请实施例提供一种信贷逾期的风险预估装置，包括：
[0033]构图模块，用于构建目标用户对应信贷通讯录的目标关系图，所述信贷通讯录表征目标用户与相邻用户的信贷关系；
[0034]编码模块，用于基于所述目标关系图进行编码处理，得到对应的用户关系图；
[0035]游走模块，用于利用深度游走DeepWalk算法对所述用户关系图进行随机游走处理，得到所述用户关系图对应的特征向量；
[0036]评估模块，用于将所述特征向量输入到图卷积神经网络GCN模型中进行模型训练，输出所述特征向量对应的风险评估结果。
[0037]第三方面，本申请实施例提供一种电子设备，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的信贷逾期的风险预估程序，以实现第一方面中任一项所述的信贷逾期的风险预估方法。
[0038]第四方面，本申请实施例提供一种存储介质，所述存储介质存储有一个或者多个
程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现第一方面中任一项所述的信贷逾期的风险预估方法。
[0039]本申请实施例提供的信贷逾期的风险预估方案，通过构建目标用户对应信贷通讯录的目标关系图，所述信贷通讯录表征目标用户与相邻用户的信贷关系；基于所述目标关系图进行编码处理，得到对应的用户关系图；利用深度游走DeepWalk算法对所述用户关系图进行随机游走处理，得到所述用户关系图对应的特征向量；将所述特征向量输入到图卷积神经网络GCN模型中进行模型训练，输出所述特征向量对应的风险评估结果。通过运用深度游走得到关联用户的序列，再使用图卷积神经网络(GCN)构建风控模型，挖掘信贷用户复杂网络的关系型信息，预测信贷用户的逾期风险；由本方案，可以实现为信贷业务的人工智能大数据风控提供支持，提升客户信贷风控能力的技术效果。
附图说明
[0040]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0041]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，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地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0042]一个或多个实施例通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信贷逾期的风险预估方法，其特征在于，包括：构建目标用户对应信贷通讯录的目标关系图，所述信贷通讯录表征目标用户与相邻用户的信贷关系；基于所述目标关系图进行编码处理，得到对应的用户关系图；利用深度游走DeepWalk算法对所述用户关系图进行随机游走处理，得到所述用户关系图对应的特征向量；将所述特征向量输入到图卷积神经网络GCN模型中进行模型训练，输出所述特征向量对应的风险评估结果。2.根据权利要求1所述的方法，其特征在于，所述构建目标用户对应目标通讯录的目标关系图，包括：获取目标用户的信贷通讯录；对所述信贷通讯录中的全部用户进行编号处理，得到对应的用户编号，以及构建全部用户的关系词典；基于所述用户编号和所述关系词典构建目标关系图。3.根据权利要求1所述的方法，其特征在于，所述基于所述目标关系图进行编码处理，得到对应的用户关系图，包括：对所述目标关系图进行独热one
‑
hot编码处理，得到高维度的编码序列；根据所述编码序列和所述目标关系图得到对应的用户关系图。4.根据权利要求1所述的方法，其特征在于，所述利用深度游走DeepWalk算法对所述用户关系图进行随机游走处理，得到所述用户关系图对应的特征向量，包括：利用深度游走DeepWalk算法中的随机漫步Random Walk算法对用户关系图中的每个节点进行随机游走处理，得到所述用户关系图对应的全部的采样序列；基于所述采样序列利用词向量word2vec算法进行自监督预测处理，得到所述采样序列对应的特征向量。5.根据权利要求4所述的方法，其特征在于，所述利用随机漫步Random Walk算法对用户关系图进行随机游走处理，得到所述用户关系图对应的全部的采样序列，包括：利用所述Random Walk算法对所述用户关系图中的每个节点分别进行随机游走，获取每个所述节点的最大游走轨迹；根据每个所述节点的最大游走轨迹确定一个节点的采样序列；...

【专利技术属性】
技术研发人员：林智明，鲁海生，刘慈文，
申请(专利权)人：上海晓途网络科技有限公司，
类型：发明
国别省市：