[发明专利]一种金融信贷反欺诈方法、装置和介质

权利要求书

1.一种金融信贷反欺诈方法，其特征在于，包括以下步骤：

步骤一，构建金融信贷中的多关系时序网络：收集信贷中的数据，将申请人、卖方/商家、贷款机构和其他用户作为网络中的节点，其各自的属性当作每个节点的特征，节点之间存在社交关系、资本交易和设备依赖的连接关系作为连接边，对每个连接边记录其开始时间和结束时间；

步骤二，构建多关系时间切片网络：在由不同关系形成的网络下，根据连接形成的时间，将图进行划分，形成各个关系下不同时间切片下的网络；

步骤三：将网络中所有节点的属性进行转换，将所有节点映射到同一个特征空间，使得节点对在原特征空间之间的距离与转换后特征空间内的相距相近；

步骤四：利用转换后的特征，针对每一种关系，在每个时间切片内，对时间切片对应的时间戳进行嵌入表达学习，使用邻居聚合的方法，添加获得每个时间切片的编码向量，对节点信息特征进行更新；

步骤五：使用门控循环后期融合模型对不同关系各个时间的特征进行融合，获得融合各个关系与时间的总特征；

步骤六：利用节点属性转换前后的特征向量和门控循环后期融合模型获得的节点特征向量，对申请人用户节点进行无监督嵌入表征和有监督分类的联合学习，判断其是否有欺诈风险。

2.如权利要求1所述的一种金融信贷反欺诈方法，其特征在于，所述步骤二，具体为：根据多关系时序网络中各个关系网络中连接形成的时间，按照每X天或Y个月进行切分，其中两节点在该时间段内曾存在连接边，则认为所述的两节点在该时间切片存在连接边，从而获得各个网络关系的不同时间切片下的网络。

3.如权利要求1所述的一种金融信贷反欺诈方法，其特征在于，所述步骤三，具体为：

将不同节点包括申请人、商家、贷款机构和其他用户的属性特征转化为同一维度q的空间下，转化公式如下：

X′＝XW+B

H＝σ(X′W′+B′)

其中X∈R^n×k表示所有节点的属性特征矩阵，X′表示所有节点转化过程间变量，n表示所有节点的总个数，k表示所有节点的初始维度，W∈R^k×q、W′∈R^q×q、B∈R^n×q、B′∈R^n×q分别表示转化矩阵与偏置向量，是需学习的参数，σ(*)为非线性激活函数，H∈R^n×q表示节点转化后的特征，其中q表示特征转化后所有类型节点的统一特征维度，需满足节点对在原特征空间之间的距离与转换后特征空间内的相距相近，即对于节点对(i，j)特征映射的目标为最小化：考虑到所有的节点，则该部分特征转化的目标为最小化函数：

其中n表示所有节点的个数，h_i、h_j分别表示节点i和节点j转化后的特征，x_i、x_j分别表示节点i和节点j的原始属性特征。

4.如权利要求3所述的一种金融信贷反欺诈方法，其特征在于，所述步骤四，具体为：

使用注意力机制的方法，通过计算每个邻居节点的权重，使用加权平均的方法汇聚邻居节点信息，并对绝对时间进行嵌入表达，获得的每个时间切片的表征编码

其中是一维时间戳t的M维向量编码，α和β是需学习的参数；

对节点信息特征进行聚合更新，具体聚合更新的公式如下：

其中表示节点j在第r种关系下时间片t时的特征，符号[*，*]表示向量拼接操作，表示在第r种关系下时间片t时节点i为节点j的邻居节点，a^r(t)∈R^2q为需学习的参数，为第r种关系下时间切片t时节点i对节点j的权重，l为图神经网络的堆叠层数，L为整数，为在第r种关系下时间切片t时节点j的最后聚合更新信息特征。