基于制造技术

本说明书实施例提供基于

【技术实现步骤摘要】
基于Motif保持的用户表征学习方法、用户信用风险预测方法及装置


[0001]本说明书实施例通常涉及人工智能领域，尤其涉及基于
Motif
保持的用户表征学习方法
、
用户信用风险预测方法及装置
。

技术介绍

[0002]信用风险逾期预测对于信用风险管理而言至关重要
。
信用风险逾期预测通常被建模为二分类模型
。
在进行信用风险逾期预测时，采用二分类模型来对用户的统计特征进行用户表征，随后使用用户表征来进行信用风险逾期预测
。
然而互联网场景存在大量薄信息用户，这些用户自身的统计特征信息非常稀少，从而使得基于统计特征的用户表征不能准确地反映用户固有特性，由此降低用户信用风险逾期预测的精度
。

技术实现思路

[0003]本说明书实施例提供基于
Motif
保持的用户表征学习方法
、
用户信用风险预测方法及装置
。
利用该基于
Motif
保持的用户表征学习方案，通过对用户初本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
Motif
保持的用户表征学习方法，包括：根据用户社交关系图构建至少一个
Motif
图；经由所述用户表征学习模型的图表征学习层，对目标用户的用户初始表征分别执行所述用户社交关系图和各个
Motif
图下的图表征学习来学习出所述目标用户在各个图下的用户表征；经由所述用户表征学习模型的表征增强层，使用所述用户社交关系图下的用户表征来对各个
Motif
图下的用户表征进行表征增强，以得到各个
Motif
图下的经过表征增强后的用户表征；以及经由所述用户表征学习模型的表征融合层，对各个
Motif
图下的经过表征增强后的用户表征进行表征融合，得到所述目标用户的最终用户表征
。2.
如权利要求1所述的用户表征学习方法，其中，经由所述用户表征学习模型的表征增强层，使用所述用户社交关系图下的用户表征来对各个
Motif
图下的用户表征进行表征增强，以得到各个
Motif
图下的经过表征增强后的用户表征包括：经由所述用户表征学习模型的表征增强层，使用所述用户社交关系图下的用户表征来对各个
Motif
图下的用户表征进行基于门控机制的表征增强，以得到各个
Motif
图下的经过表征增强后的用户表征，每个
Motif
图所对应的门控组件根据该
Motif
图下的用户表征构建
。3.
如权利要求1所述的用户表征学习方法，其中，所述用户表征学习模型还包括
Motif
图构建层，根据用户社交关系图构建至少一个
Motif
图包括：经由所述用户表征学习模型的
Motif
图构建层，根据用户社交关系图构建至少一个
Motif
图
。4.
如权利要求1所述的用户表征学习方法，其中，所述图表征学习层被实现为图注意力网络
。5.
如权利要求1所述的用户表征学习方法，其中，每个
Motif
图至少包括三个用户节点
。6.
如权利要求5所述的用户表征学习方法，其中，所述至少一个
Motif
图自三节点
Motif
图开始按照节点递增方式构建，并且所构建的
Motif
图的总数根据用户表征学习所使用的计算能力确定
。7.
如权利要求1所述的用户表征学习方法，其中，所述表征融合层被实现为
Motif
级注意力网络
。8.
如权利要求1所述的用户表征学习方法，其中，所述用户表征学习模型的模型训练时所使用的损失函数包括使用样本权重加权后的损失函数，每个训练样本的样本权重基于
Motif
分布确定
。9.
如权利要求8所述的用户表征学习方法，其中，每个训练样本的样本权重使用基于
Motif
的课程学习机制学习出
。10.
如权利要求8所述的用户表征学习方法，其中，每个训练样本的样本权重采用该训练样本的
Motif
分布与训练样本集的样本平均
Motif
分布之间的距离表征
。11.
如权利要求1所述的用户表征学习方法，其中，所述用户表征学习模型还包括特征表征层，所述用户表征学习方法还包括：经由用户表征学习模型的特征表征层，根据所述目标用户的用户特征生成所述用户初
始表征
。12.
如权利要求
11
所述的用户表征学习方法，其中，所述用户特征包括用户属性特征
、
用户行为特征和用户信贷历史特征
。13.
一种用户信用风险预测方法，包括：经由用户信用风险预测模型的特征表征层，根据目标用户的用户属性特征
、
用户行为特征和用户信贷历史特征生成所述目标用户的用户初始表征；根据用户社交关系图构建至少一个
Motif
图；经由所述用户信用风险预测模型的图表征学习层，对所述用户初始表征分别执行所述用户社交关系图和各个
Motif
图下的图表征学习来学习出所述目标用户在各个图下的用户表征；经由所述用户信用风险预测模型的表征增强层，使用所述用户社交关系图下的用户表征来对各个
Motif
图下的用户表征进行表征增强，以得到各个
Motif
图下的经过表征增强后的用户表征；经由所述用户信用风险预测模型的表征融合层，对各个
Motif
图下的经过...

【专利技术属性】
技术研发人员：王岱鑫，张志强，周俊，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：