【技术实现步骤摘要】
本专利技术实施例涉及计算机，尤其涉及一种信用评估方法、装置、设备及存储介质。
技术介绍
1、随着国内商业银行个人信用相关的金融业务快速扩张，信用违约风险也不断扩大，个人信用风险是商业银行所面临的主要风险之一。同时伴随着银行用户信息的爆炸式增长，利用人工来对用户的金融交易信息文本进行标注已经变得耗时、质量低下，且受到标注人主观意识的影响。
2、随着人工智能的不断进步，金融交易信息文本分类技术在过去10年间得到了快速的发展，利用机器自动实现对金融交易信息文本的标注变得具有现实意义，将重复且枯燥的文本标注任务交由计算机进行处理能够有效提升标注效率，同时提高所标注数据的一致性和质量。传统的金融交易信息文本分类方法包括朴素贝叶斯、k-近邻和支持向量机，它们主要依赖于手工提取的金融交易信息文本特征，过程复杂且准确率较低。深度学习技术不依赖于人工获取的金融交易信息文本特征，可以直接对金融交易信息文本中的内容进行学习、建模，且在海量数据场景下比传统机器学习方法有着更高的准确率。
3、目前，用于金融交易信息文本分类的深度学习方法大都使用卷积神经网络(convolutional neural network，cnn)、循环神经网络(recurrent neural networ，rnn)和图卷积网络(graph convolutional network，gcn)，其中图卷积网络可以从非结构化数据中提取到更加丰富的深层特征，并且能够在运算过程中保存数据的全局结构信息。现有的图卷积方法大都为整个金融交易信息生成的数据集构建一个
技术实现思路
1、本专利技术实施例提供一种信用评估方法、装置、设备及存储介质，解决了由于现有技术中对用户的信用评估时，忽略了用户的金融交易信息文本中词语之间的关系，且信息聚合能力差导致用户的信用评估的准确性低的问题。
2、根据本专利技术的一方面，提供了一种信用评估方法，包括：
3、获取目标用户的金融交易信息文本，并将所述目标用户的金融交易信息文本进行预处理，得到至少两个词语和至少两个词语之间的共现关系；
4、基于所述至少两个词语和至少两个词语之间的共现关系构建目标用户对应的目标信息图；
5、将所述目标信息图输入至目标分类模型，得到目标用户的信用评估结果，其中，所述目标分类模型通过训练集迭代训练待训练模型得到。
6、根据本专利技术的另一方面，提供了一种信用评估装置，该信用评估装置包括：
7、获取模块，用于获取目标用户的金融交易信息文本，并将所述目标用户的金融交易信息文本进行预处理，得到至少两个词语和至少两个词语之间的共现关系；
8、构建模块，用于基于所述至少两个词语和至少两个词语之间的共现关系构建目标用户对应的目标信息图；
9、得到模块，用于将所述目标信息图输入至目标分类模型，得到目标用户的信用评估结果，其中，所述目标分类模型通过训练集迭代训练待训练模型得到。
10、根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
11、至少一个处理器；以及
12、与所述至少一个处理器通信连接的存储器；其中，
13、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的信用评估方法。
14、根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的信用评估方法。
15、本专利技术实施例通过获取目标用户的金融交易信息文本，并将所述目标用户的金融交易信息文本进行预处理，得到至少两个词语和至少两个词语之间的共现关系；基于所述至少两个词语和至少两个词语之间的共现关系构建目标用户对应的目标信息图；将所述目标信息图输入至目标分类模型，得到目标用户的信用评估结果，其中，所述目标分类模型通过训练集迭代训练待训练模型得到，解决了由于现有技术中对用户的信用评估时，忽略了用户的金融交易信息文本中词语之间的关系，且信息聚合能力差导致用户的信用评估的准确性低的问题，能够提高对用户的信用评估的准确性。
16、应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种信用评估方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，通过训练集迭代训练待训练模型得到，包括：
3.根据权利要求2所述的方法，其特征在于，所述待训练模型包括：改进后的图卷积网络和卷积神经网络；
4.根据权利要求3所述的方法，其特征在于，所述改进后的图卷积网络包括：N层EdgeConv图卷积层，其中，所述EdgeConv图卷积层将当前节点与当前节点对应的相邻节点之间的差值作为当前节点的补充特征输入至改进后的图卷积网络中。
5.根据权利要求4所述的方法，其特征在于，所述改进后的图卷积网络前N-1个图卷积层与最后一个图卷积层通过跳跃连接的方式进行连接。
6.根据权利要求3所述的方法，其特征在于，所述卷积神经网络包括：卷积层和激活函数，其中，所述卷积层的卷积核为(1×m)，m为训练样本的特征维度，激活函数为LeakyReLU函数。
7.根据权利要求3所述的方法，其特征在于，将所述每一节点的节点信息进行聚合，得到每一训练样本对应的预测信用评估结果，包括：
8.一种信用评估装置，
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的信用评估方法。
...【技术特征摘要】
1.一种信用评估方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，通过训练集迭代训练待训练模型得到，包括：
3.根据权利要求2所述的方法，其特征在于，所述待训练模型包括：改进后的图卷积网络和卷积神经网络；
4.根据权利要求3所述的方法，其特征在于，所述改进后的图卷积网络包括：n层edgeconv图卷积层，其中，所述edgeconv图卷积层将当前节点与当前节点对应的相邻节点之间的差值作为当前节点的补充特征输入至改进后的图卷积网络中。
5.根据权利要求4所述的方法，其特征在于，所述改进后的图卷积网络前n-1个图卷积层与最后一个图卷积层通过跳跃连接的方式进行...
【专利技术属性】
技术研发人员：姚宁，
申请(专利权)人：中国农业银行股份有限公司，
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。