[发明专利]一种基于混合策略的跨平台信用社区影响力度量方法

权利要求书

1.一种基于混合策略的跨平台信用社区影响力度量方法，其特征在于：包括如下步骤：

S1：利用信用知识图谱技术构建信用主体关联结构模型；

S2：分析信用风险在信用主体关联结构中的传递模式，提出不同传递模式下的影响力度量方法；

S3：当信用主体发生变化时，通过广度优先算法查找多层次的信用风险传递结点，并利用信用风险传递影响力计算方法计算受影响的程度；

S4：构建启发式方法对信用主体关联结构中的结点进行社区的划分；

S5：利用混合策略查找各社区中具有重要影响力的关键结点及全局关键结点；

其中，构建信用主体关联结构模型的过程包括：

对采集的信用主体数据进行预处理、实体识别及关系抽取、实体对齐及生成知识图谱；

依据构建的信用知识图谱，提取相关的信用主体及其关联关系；

构建深度学习模型，并利用深度学习方法得出各类关联关系强度的经验值。

2.根据权利要求1所述的一种基于混合策略的跨平台信用社区影响力度量方法，其特征在于：所述步骤S1中，构建信用主体关联结构模型，通过有向图G＝(V,E)描述信用主体关联结构，其中V代表结点：信用主体的集合，E代表边：关联关系；该信用主体关联结构数学模型为一个N阶方阵M，具体为：

其中权值w_i,j(0＜w_i,j＜1)代表了有向图中的任一条边＜i,j＞∈E的权重，即节点i对节点j的影响强度；d_i,j表示任意的两个信用主体i和j之间是否有关联及其关联强度。

3.根据权利要求1所述的一种基于混合策略的跨平台信用社区影响力度量方法，其特征在于：所述步骤S2中，不同传递模式下的影响力度量方法具体包括单路径连续传递结点i对结点j产生的影响力和多路径复合传递结点i对结点j产生的影响力；

其中单路径连续传递结点i对结点j产生的影响力的公式为：其中某个结点i发生信用风险，则其对自身的影响力ρ_i,i＝1；ρ_i,j为单路径连续传递结点i对结点j产生的影响力；

多路径复合传递结点i对结点j产生的影响力的公式为：

其中pre为j的任意直接前驱结点，ρ_i,pre为发生信用风险的源点i对结点pre的影响力，ρ_i,j为多路径复合传递结点i对结点j产生的影响力。

4.根据权利要求1所述的一种基于混合策略的跨平台信用社区影响力度量方法，其特征在于：所述深度学习模型包括CNN层和编码层；所述CNN层包括卷积层、池化层和全连接层；所述编码层包括卷积编码层和卷积解码层；

所述深度学习模型需进行训练，具体步骤为：

将训练集输入所述深度学习模型中，所述编码层对所述训练集进行无监督预训练，获取所述训练集的初步特征；

利用提取的特征初始化所述卷积层，得到训练样本标签；

所述CNN层依次对预训练后的所述训练集进行卷积、池化和全连接处理；

所述编码层对卷积处理的所述训练集进行卷积编码和解码处理，输出数据反馈至所述卷积层；

所述CNN层结束所述全连接处理后输出识别结果并判断是否与所述训练样本标签一致。

5.根据权利要求4所述的一种基于混合策略的跨平台信用社区影响力度量方法，其特征在于：所述深度学习模型的训练过程中，若识别结果与所述训练样本标签一致，则停止迭代训练，所述深度学习模型训练完成；若识别结果与所述训练样本标签不一致，则继续进行迭代训练，直至判断结果一致时停止训练，输出所述深度学习模型。

6.根据权利要求1所述的一种基于混合策略的跨平台信用社区影响力度量方法，其特征在于：所述步骤S4中，根据结点的度中心性和结点间的关联关系对信用主体进行社区的划分；所述步骤S5中，每个子社区的结点计算其对其他结点的影响力，依据影响力大小，搜索社区的关键结点；根据度中心性和对其他结点影响力的大小，搜索全域范围的关键结点。