【技术实现步骤摘要】
本申请涉及人工智能领域、金融科技领域或者其他，具体而言，涉及一种客户信用风险信息的确定方法、装置及电子设备。
技术介绍
1、在金融领域，银行信用风险评估是一项重要的业务，对于银行的资本管理、信贷决策和风险控制都具有重要意义。传统的银行信用风险评估方法通常基于统计模型，如逻辑回归、线性判别分析、支持向量机等，这些模型需要人工选择和提取特征，依赖于专家知识和经验，难以捕捉客户信用数据中的复杂和非线性关系，导致评估结果的不准确和不稳定。首先，传统方法在特征选择和提取方面存在问题。由于客户信用数据的维度高、结构复杂、分布不均，人工选择和提取特征的过程往往主观和随意，容易忽略一些重要的特征或引入一些无关的特征，影响模型的泛化能力和预测效果。其次，传统方法在模型构建和训练方面存在问题。由于客户信用数据中存在噪声、缺失值、异常值等问题，传统方法的模型参数估计往往不稳定和不可靠，容易出现过拟合或欠拟合的现象，导致模型的准确性和稳健性降低。此外，传统方法的模型复杂度较高，计算量较大，难以满足实时性和高效性的要求。
2、针对相关技术中评估金融机构客户的信用风险时，由于从客户信用数据提取到的特征向量不准确，导致评估结果不准确的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本申请的主要目的在于提供一种客户信用风险信息的确定方法、装置及电子设备，以解决相关技术中评估金融机构客户的信用风险时，由于从客户信用数据提取到的特征向量不准确，导致评估结果不准确的问题。
2、为了实现上述
3、进一步地，在采用图自编码器构建所述目标客户信息对应的第一图结构之前，所述方法还包括：确定所述金融机构中历史客户的类群信息和客户关系；依据所述类群信息和所述客户关系划分不同区域，得到区域集合；在所述区域集合中的每个区域部署目标设备，其中，所述目标设备至少包括：采集客户信息的设备、计算客户信息的设备，所述目标设备配置有数据加密算法；依据所述目标设备采集所述历史客户的历史客户信息，以及处理所述历史客户的历史客户信息。
4、进一步地，在采用图自编码器构建所述目标客户信息对应的第一图结构之前，所述方法还包括：构建所述历史客户信息对应的初始图结构，以及所述初始图结构对应的初始邻接矩阵；将第一节点的相邻节点的节点信息输入编码器中进行计算，更新所述第一节点的节点信息，得到所述第一节点的特征向量，其中，所述第一节点是指所述历史客户信息对应的初始图结构中的节点；将所述第一节点的特征向量输入解码器中进行计算，重建所述历史客户信息对应的初始图结构中每条边的边信息，并重构所述初始邻接矩阵，得到重构邻接矩阵；计算所述初始邻接矩阵与所述重构邻接矩阵的损失函数值；依据所述损失函数值对所述编码器和所述解码器进行迭代训练，直到所述损失函数值小于第一预设阈值，得到所述图自编码器，以及所述图自编码器输出的所述历史客户信息对应的第一图结构。
5、进一步地，在采用自注意力机制更新所述第一图结构中每个节点的特征向量，得到所述目标客户信息对应的第二图结构之前，所述方法还包括：采用预设的自注意力机制计算第二节点和每个第三节点之间的权重，其中，所述第二节点是所述历史客户信息对应的第一图结构中的节点，所述第三节点是指所述第二节点的相邻节点；对每个第三节点的特征向量和每个第三节点对应的权重进行计算，得到所述第二节点的特征向量；依据所述第二节点的特征向量调整所述第二节点和每个第三节点之间的权重；采用所述第二节点和每个第三节点之间的权重对所述第一图结构中节点的特征向量进行迭代更新，直到权重的变化量小于第二预设阈值，得到所述历史客户信息对应的第二图结构，并依据计算出的权重确定所述自注意力机制。
6、进一步地，在得到所述历史客户信息对应的第二图结构之后，所述方法还包括：依据所述历史客户信息对应的第二图结构中每个节点的特征向量计算每个节点的风险误差特征值，并将每个节点的风险误差特征值添加到所述历史客户信息对应的第二图结构的节点的特征向量中；从所述历史客户信息对应的第二图结构中每个节点的特征向量中提取时间特征，并提取每个节点与其他节点的相似度特征；对所述时间特征和所述相似度特征进行特征融合，并采用融合后的特征向量更新所述历史客户信息对应的第二图结构中每个节点的特征向量。
7、进一步地，在采用所述目标客户的特征向量与金融机构在每个区域的客户信用数据库中的数据进行匹配，得到目标匹配结果之前，所述方法还包括：在所述历史客户信息对应的第二图结构中提取每个历史客户的特征向量；计算每个历史客户的特征向量与其他历史客户的特征向量之间的平均距离，并依据所述平均距离对所述历史客户进行聚类，得到初始聚类结果；计算所述初始聚类结果中每一类历史客户的聚类中心，依据计算出的聚类中心再次执行聚类过程，直到聚类次数达到预设聚类次数，得到目标聚类结果；依据所述目标聚类结果确定所述金融机构在每个区域的客户信用数据库。
8、进一步地，采用所述目标客户的特征向量与金融机构在每个区域的客户信用数据库中的数据进行匹配，得到目标匹配结果包括：计算第一客户信用数据库和第二客户信用数据库之间的目标聚类点，其中，所述第一客户信用数据库和所述第二客户信用数据库均是所述金融机构在不同区域的客户信用数据库，且所述第一客户信用数据库不同于所述第二客户信用数据库；采用所述目标客户的特征向量与所述目标聚类点进行匹配，得到第一匹配结果；在所述第一匹配结果指示匹配成功的情况下，将所述目标客户的特征向量与所述第一客户信用数据库和所述第二客户信用数据库进行匹配，得到所述目标匹配结果；在所述第一匹配结果指示匹配失败的情况下，将所述目标客户的特征向量与每个客户信用数据库进行匹配，得到所述目标匹配结果。
9、进一步地，依据所述目标匹配结果确定所述目标客户的信用风险信息包括：在所述目标匹配结果指示匹配成功的情况下，确定所述目标客户匹配的客户类群，得到目标类群；依据所述目标类群的信用风险信息确定所述目标客户的信用风险信息；在所述目标匹配结果指示匹配失败的情况下，确定所述目标客户的信用风险信息为预设的信用风险信息。
10、为了实现上述目的，根据本申请的另一方面，提供了一种客户信用风险信息的确定装置，该装置包括：第本文档来自技高网...
【技术保护点】
1.一种客户信用风险信息的确定方法，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，在采用图自编码器构建所述目标客户信息对应的第一图结构之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，在采用图自编码器构建所述目标客户信息对应的第一图结构之前，所述方法还包括：
4.根据权利要求2所述的方法，其特征在于，在采用自注意力机制更新所述第一图结构中每个节点的特征向量，得到所述目标客户信息对应的第二图结构之前，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，在得到所述历史客户信息对应的第二图结构之后，所述方法还包括：
6.根据权利要求2所述的方法，其特征在于，在采用所述目标客户的特征向量与金融机构在每个区域的客户信用数据库中的数据进行匹配，得到目标匹配结果之前，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，采用所述目标客户的特征向量与金融机构在每个区域的客户信用数据库中的数据进行匹配，得到目标匹配结果包括：
8.根据权利要求1所述的方法，其特征在于，依
9.一种客户信用风险信息的确定装置，其特征在于，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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至8中任意一项所述的客户信用风险信息的确定方法。
11.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至8中任意一项所述的客户信用风险信息的确定方法。
...【技术特征摘要】
1.一种客户信用风险信息的确定方法，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，在采用图自编码器构建所述目标客户信息对应的第一图结构之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，在采用图自编码器构建所述目标客户信息对应的第一图结构之前，所述方法还包括：
4.根据权利要求2所述的方法，其特征在于，在采用自注意力机制更新所述第一图结构中每个节点的特征向量，得到所述目标客户信息对应的第二图结构之前，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，在得到所述历史客户信息对应的第二图结构之后，所述方法还包括：
6.根据权利要求2所述的方法，其特征在于，在采用所述目标客户的特征向量与金融机构在每个区域的客户信用数据库中的数据进行匹配，得到目标匹配结果之前，所述方法还包括：
7....
【专利技术属性】
技术研发人员：李东霖，李戎，胡莹，高雨杉，
申请(专利权)人：中国工商银行股份有限公司，
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。