[发明专利]训练和使用关系网络嵌入模型的方法及装置

说明书

本说明书实施例提供一种训练关系网络的嵌入模型的方法，包括，从关系网络获取标定节点，各标定节点具有对应的标签值以示出对应用户的信用等级。然后，确定标定节点的节点特征，邻居节点集，以及与各个邻居节点之间的各个连接边的边特征。基于节点特征、边特征和第一参数集，确定各个标定节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量；然后执行多级向量迭代，以确定各个标定节点的多级迭代的节点嵌入向量。进一步地，基于标定节点的多级迭代的节点嵌入向量，和预测参数集，确定该节点的预测值；最后调整各个参数值，使得损失函数达到最小，其中损失函数基于各个标定节点的预测值和标签值而确定。

技术领域

本说明书一个或多个实施例涉及关系网络和图嵌入领域，尤其涉及训练关系网络的嵌入模型，以及使用该模型分析关系网络的方法和装置。

背景技术

信用风险是金融企业面对的基本风险之一，如何有效的控制信用风险是金融风险管理者最为关心的问题。随着经济全球化和金融自由化进程的加快，以及互联网金融的快速发展，金融市场面临的风险日益复杂。风险控制作为一个金融企业发展的根本，风险评估模型自然是企业研究的重中之重，好的评估模型能够降低公司的坏账数量提高公司盈利，同时也能吸引更多用户。

在信用评估模型中，描述用户自身的数据越全面，对用户信用风险评估就越准确。但实际上，所有商业机构获取的用户数据都是不完整的，例如，电子钱包平台往往无法获得用户在银行存款、借贷的数据。因此，对于数据不丰富的个体用户而言，他可能因为信用评估的得分过低而享受不到应有的服务，也可能因为得分过高享受更多的借贷权利，从而对企业产生一定的风险。

传统的风控模型并不能够完全利用数据的价值，传统模型以特征挖掘为主，根据不同业务挖掘与风险相关性高的特征，利用决策树、逻辑回归和instance-based深度学习等模型进行风险评估。由于这些模型只使用每一个样本自身的特征，无法对其他特征进行整合，因此，不能全面地利用数据价值进行全面的信用评估。

因此，希望能有改进的方案，能够基于更丰富的数据对用户信用进行更全面、更有效的分析。

发明内容

本说明书一个或多个实施例描述了训练关系网络的嵌入模型，以及使用该嵌入模型进行节点嵌入和节点分析的方法。通过上述嵌入模型，可以对综合型的关系网络进行深度全面地学习，从而为关系网络中用户的信用评估提供基础。

根据第一方面，提供了一种训练关系网络的嵌入模型的方法，所述关系网络包括与多个用户对应的多个节点，具有关联关系的用户之间通过连接边互相连接，所述关联关系包括人际关系、媒介关系和资金关系中的至少一种，所述方法包括：

从所述关系网络获取多个标定节点，各标定节点具有对应的标签值，所述标签值示出与标定节点对应的用户的信用等级；

确定各个标定节点的节点特征，邻居节点集，以及与邻居节点集中各个邻居节点之间的各个连接边的边特征；

基于所述节点特征、所述边特征和第一参数集，确定各个标定节点的初级迭代的节点嵌入向量，以及各个连接边的初级迭代的边嵌入向量；

执行多级向量迭代，以确定各个标定节点的多级迭代的节点嵌入向量，其中所述多级向量迭代的每级向量迭代包括，对于各个标定节点，至少基于其各个邻居节点的上一级迭代的节点嵌入向量，各个连接边的上一级迭代的边嵌入向量，以及第二参数集，确定该节点的本级迭代的节点嵌入向量；

对于各个标定节点，基于该节点的多级迭代的节点嵌入向量，和预测参数集，确定该节点的预测值；

调整所述第一参数集、第二参数集和预测参数集中的参数值，使得预定义的损失函数达到最小，其中所述损失函数基于各个标定节点的预测值和标签值而确定。

在一个实施例中，通过以下方式确定各个标定节点的节点特征：