[发明专利]用于预定申请人的信用判定模型的训练方法、装置和电子设备

权利要求书

1.一种用于预定申请人的信用判定模型的训练方法，其特征在于，包括：

获取所述预定申请人的有关数据；

获取用于所述预定申请人的关系图谱；

基于所述关系图谱进行样本筛选以获得用于模型建立的样本数据；

基于所述用于模型建立的样本数据提取特征；以及

使用提取出的特征训练所述用于预定申请人的信用判定模型。

2.如权利要求1所述的用于预定申请人的信用判定模型的训练方法，其特征在于，获取所述预定申请人的有关数据包括数据范围确认和数据预处理。

3.如权利要求1所述的用于预定申请人的信用判定模型的训练方法，其特征在于，用于所述预定申请人的关系图谱的构建包括：

确定用于关系图谱构建的数据；

确定异构图中的节点和关系；

整理节点属性和关系属性；

对于所述异构图进行超点筛除；

对于所述异构图进行关系筛选；

进行所述异构图的关系权重的训练；以及

对所述异构图进行社区发现以获得所述用于所述预定申请人的关系图谱。

4.如权利要求3所述的用于预定申请人的信用判定模型的训练方法，其特征在于，对于所述异构图进行超点筛除包括：

进行超点范围界定，其中，入度数量大于预定阈值的关联节点为所述超点；以及，

进行超点评估，所述超点评估包括以下标准中的至少一个：

节点为IP类型，且关联客户节点最近登录时间中位数差值平均值大于阈值；

节点为地址类型，且关联客户节点最近输入时间中位数差值平均值大于阈值；

节点为设备类型，且关联客户节点最近登录时间中位数差值平均值大于阈值；以及，

节点为地址类型，且为非标准地。

5.如权利要求3所述的用于预定申请人的信用判定模型的训练方法，其特征在于，对于所述异构图进行关系筛选包括：

选择符合低同标签检验指标、低异标签检验指标、高连通系数指标和高平均聚类系数指标中的至少一个的关系类型作为所选的关系。

6.如权利要求5所述的用于预定申请人的信用判定模型的训练方法，其特征在于，所述同标签检验指标用于反映网络中正样本与负样本用户节点的关联紧密程度，计算结果等于正样本和负样本节点形成的边/总边数，且表示为：

7.如权利要求5所述的用于预定申请人的信用判定模型的训练方法，其特征在于，所述异标签检验指标用于反映正样本和负样本节点之间的紧密程度，计算结果等于正样本和负样本节点形成的边的观察值/正样本和负样本节点形成的边期望值，且如果指标结果小于1，则表示与随机网络相比，正样本和负样本节点的关联稀疏，且表示为：

8.如权利要求5所述的用于预定申请人的信用判定模型的训练方法，其特征在于，所述连通系数指标用于反映网络的稠密程度，该值越接近于1表征网络越稠密，且表示为：

其中β为连通分支数，N_i为第i个连通分支中的节点数量，N为网络中的节点总数目，且L_i为第i个连通分支的平均最短路径。

9.如权利要求5所述的用于预定申请人的信用判定模型的训练方法，其特征在于，所述平均聚类系数指标等于网络中所有节点的节点聚类系数加和平均值，且节点聚类系数是与节点i直接相连的所有邻居节点(不包括节点i)之间的实际边数与这些邻居节点之间最大可能边数之间的比值，表示为：

其中K代表节点i的所有邻居点的边数，L代表节点i的度。

10.如权利要求3所述的用于预定申请人的信用判定模型的训练方法，其特征在于，进行所述异构图的关系权重的训练包括：

基于关联性质乘以时间属性计算所述异构图的关系权重，表示为：

权重＝a×e^-b

其中a表示在该关系的同构图中同标签检验指标的值，b表示时间衰减系数。