[发明专利]基于时序特征和图神经网络的用户风险预测方法及装置

说明书

本发明公开了一种基于时序特征和图神经网络的用户风险预测方法及装置，所述方法包括：构建关系网络；根据节点在N个指定时间点的特征向量序列构建节点的时序特征向量；所述时序特征向量反映节点特征在各个指定时间点的均值和变化趋势；对各个邻节点进行采样，得到固定个数的邻节点的时序特征向量序列，并训练图神经网络；通过梯度下降法最小化目标函数，得到所述图神经网络参数；将待预测用户通话信息及通讯录信息输入所述图神经网络中得到输出结果；根据所述输出结果预测该用户的逾期风险。本发明综合用户之间的社交关系、以及用户特征在各个指定时间点的均值和变化趋势，提高了对用户风险预测的准确度。

技术领域

本发明涉及计算机信息处理技术领域，具体而言，涉及一种基于时序特征和图神经网络的用户风险预测方法、装置、电子设备及计算机可读介质。

背景技术

目前对于信贷用户的风险预测主要是基于深度学习和机器学习等，通过对用户的用户信息、金融属性、征信信息和消费行为数据等进行数据挖掘而得出。不管是深度学习，还是机器学习都只输入了个体用户的信息，无法结合用户之间的社交关系进行综合分析，从而降低了用户风险预测的准确度。

发明内容

本发明旨在解决无法结合用户之间的社交关系进行综合分析，从而降低了用户风险预测的准确度的技术问题。

为了解决上述技术问题，本发明第一方面提出一种基于时序特征和图神经网络的用户风险预测方法，所述方法包括：

基于历史用户通话信息、通讯录信息和逾期行为构建关系网络；

根据节点在N个指定时间点的特征向量序列构建节点的时序特征向量；所述时序特征向量反映节点特征在各个指定时间点的均值和变化趋势；

对各个邻节点进行采样，得到固定个数的邻节点；

根据所述固定个数的邻节点对应的时序特征向量序列训练图神经网络；

配置目标函数，通过梯度下降法最小化所述目标函数，得到所述图神经网络参数；

将待预测用户通话信息及通讯录信息输入所述图神经网络中得到输出结果；

根据所述输出结果预测该用户的逾期风险。

根据本发明一种优选实施方式，所述基于历史用户通话信息、通讯录信息和逾期行为构建关系网络包括：

以历史用户作为节点，历史用户的逾期行为作为节点标签，历史用户通话信息和通讯录信息作为边，构建关系网络。

根据本发明一种优选实施方式，所述通话信息包括：通话时长和/或在预定时间内的通话次数。

根据本发明一种优选实施方式，节点v在在N个指定时间点的特征向量序列为{x_v1、x_v2…x_vN}，则节点v的时序特征向量X_v为：

X_v＝Lstm({x_v1,x_v2…x_vN})。

根据本发明一种优选实施方式，所述根据所述固定个数的邻节点对应的时序特征向量序列训练图神经网络包括：

将节点v在第k-1层固定个数的邻节点对应的时序特征向量序列进行聚合，得到节点v在第k层的聚合向量；

其中，节点v在第k层的聚合向量为：

其中，σ为非线性激活函数，为平均节点v的邻节点在第k-1层的聚合向量，为节点v在第k-1层的时序特征向量，W_k和B_k为所述图神经网络的参数。

根据本发明一种优选实施方式，所述目标函数为：