复杂关系网络的信息分析方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及大数据领域，公开了一种复杂关系网络的信息分析方法、装置、设备及存储介质，用于增强对社区群组风险的识别和把控能力。复杂关系网络的信息分析方法包括：对待分析的复杂关系网络进行网络拓扑结构的划分获得社区以及社区信息；对社区信息进行线性降维处理得到社区特征，根据社区特征得到社区特征向量；计算每两个社区特征向量之间的目标相似度，根据目标相似度确定候选社区信息；获得目标社区信息，根据目标社区信息生成社区加权图；获取社区加权图中的待评估社区、加权风险值以及待评估社区的风险值，通过预置标签传播算法分析加权风险值以更新待评估社区的风险值，通过更新后的风险值获得待评估社区的风险程度和对于风险的识别度。

【技术实现步骤摘要】
复杂关系网络的信息分析方法、装置、设备及存储介质
本专利技术涉及风险管控领域，尤其涉及一种复杂关系网络的信息分析方法、装置、设备及存储介质。
技术介绍
社区发现是一种复杂关系网络进行群组识别的高效方法，许多高效的社区发现算法已被提出和运用。在反欺诈领域，社区发现算法的应用也是十分广泛，特别是在欺诈群组识别方向上。通过社区发现算法对复杂关系网络进行社区划分，对社区划分所得的社区进行风险传播和风险分析，得到社区的风险值。在现有的技术中，由于对复杂关系网络中的风险传播往往局限在有实际联系的实体之间，仅对复杂关系网络中有实际联系的实体所划分的分析社区进行风险传播和风险分析，无法对于在复杂关系网络中不是相邻的但是具有与分析社区相同或相似特征的关联社区之间进行关联的风险值分析，而对于具有与分析社区相同或相似特征的关联社区来说，具有较大的社区风险事件的发生概率，对分析社区的风险分析具有较大影响，因而，导致对社区群组风险的识别和把控能力弱。
技术实现思路
本专利技术的主要目的在于解决对社区群组风险的识别和把控能力弱的问题。本专利技术第一方面提供了一种复杂关系网络的信息分析方法，包括：获取待分析的复杂关系网络，通过预置算法对所述复杂关系网络进行网络拓扑结构的划分，获得社区以及每个所述社区对应的社区信息；对所述社区信息进行线性降维处理得到社区特征，对所述社区特征进行词向量转换处理，得到社区特征向量；计算每两个社区特征向量之间的目标相似度，根据所述目标相似度确定候选社区信息；r>对所述候选社区信息进行风险值标记得到目标社区信息，将所述目标社区信息和所述目标相似度填充至预置的领接表，根据所述领接表生成社区加权图，所述领接表用于指示所述社区加权图的数据域所对应的指针数组；获取所述社区加权图中的待评估社区、加权风险值以及所述待评估社区的风险值，通过预置标签传播算法分析所述加权风险值以更新所述待评估社区的风险值，通过更新后的风险值获得所述待评估社区的风险程度和对于风险的识别度，所述加权风险值用于指示与所述待评估社区连接或相邻的社区的风险值乘以所述目标相似度后的值。可选的，在本专利技术第一方面的第一种实现方式中，所述对所述候选社区信息进行风险值标记得到目标社区信息，将所述目标社区信息和所述相似度填充至预置的领接表，根据所述领接表生成社区加权图，包括：对所述候选社区信息进行风险评估得到风险值，建立所述风险值与所述候选社区信息的对应关系，将建立对应关系的候选社区信息作为目标社区信息；将所述目标社区信息中的任意一个目标社区信息作为第一社区信息，将所述目标社区信息中除所述第一社区信息之外的目标社区信息作为第二社区信息，获取所述第一社区信息对应的社区特征向量与所述第二社区信息对应的社区特征向量之间的目标相似度；按照所述第一社区信息对应的社区特征向量与所述第二社区信息对应的社区特征向量之间的目标相似度的值从大到小对所述第一社区信息和所述第二社区信息进行排序，获得排序信息；将所述第一社区信息对应的社区作为节点，根据所述排序信息依次将所述第二社区信息对应的社区作为所述节点的连接节点，将所述目标相似度作为连接两个社区的弧上的标记权重值；将所述节点、所述连接节点和所述标记权重值存储至预置的领接表中，对所述领接表进行图像元素转换得到社区加权图。可选的，在本专利技术第一方面的第二种实现方式中，所述获取所述社区加权图中的待评估社区、加权风险值以及所述待评估社区的风险值，通过预置标签传播算法分析所述加权风险值以更新所述待评估社区的风险值，通过更新后的风险值获得所述待评估社区的风险程度和对于风险的识别度，包括：获取待评估需求，根据所述待评估需求遍历所述社区加权图，获得符合所述待评估需求的待评估社区以及所述待评估社区的风险值；将所述待评估社区作为起始节点，根据所述起始节点对所述社区加权图进行随机游走，获得序列数据；获取并标记所述序列数据中与所述起始节点连接的节点对应的社区，以及在目标社区中获取并标记与所述起始节点相邻的节点对应的社区，得到周边社区，所述目标社区用于指示所述序列数据中不与所述起始节点连接的节点对应的社区；读取所述周边社区标记的风险值和所述标记权重值，计算所述风险值和所述标记权重值的乘积，将所述乘积作为所述周边社区的加权风险值；将所述加权风险值代入预置标签传播算法的预设计算策略中进行计算，得到更新后的风险值，通过更新后的风险值获得所述待评估社区的风险程度和对于风险的识别度，所述预设计算策略包括累加型计算策略、最值型计算策略和众举型计算策略中的至少一种，以及预设加权比值计算策略。可选的，在本专利技术第一方面的第三种实现方式中，所述将所述加权风险值代入预置标签传播算法的预设计算策略中进行计算，得到更新后的风险值，通过更新后的风险值获得所述待评估社区的风险程度和对于风险的识别度，包括：根据所述累加型计算策略将所述加权风险值进行累加求和计算，得到第一风险值；或者，根据所述最值型计算策略按照值从大到小的顺序对所述加权风险值进行排序，将排序为第一顺位的加权风险值作为第二风险值；或者，根据众举型计算策略赋予所述加权风险值新的权重值，按照值从大到小的顺序对所述新的权重值进行排序，将所述新的权重值排序为第一顺位的加权风险值作为第三风险值；根据所述预设加权比值计算策略计算所述第一风险值、所述第二风险值和第三风险值中的至少一项的加权值，将所述加权值作为所述待评估社区的更新后的风险值，通过更新后的风险值获得所述待评估社区的风险程度和对于风险的识别度。可选的，在本专利技术第一方面的第四种实现方式中，在所述获取所述社区加权图中的待评估社区、加权风险值以及所述待评估社区的风险值，通过预置标签传播算法分析所述加权风险值以更新所述待评估社区的风险值，通过更新后的风险值获得所述待评估社区的风险程度和对于风险的识别度之后，还包括：通过预置的聚类算法对所述目标风险值进行聚类分析，得到预警风险类别，根据所述预警风险类别和所述目标风险值从历史存储的历史策略方案中获取对应的目标策略方案，建立所述预警风险类别、所述目标策略方案和所述目标风险值三者之间的关联关系。可选的，在本专利技术第一方面的第五种实现方式中，所述计算每两个社区特征向量之间的目标相似度，根据所述目标相似度确定候选社区信息，包括：计算每两个社区特征向量之间的目标相似度，将所述每两个社区特征向量之间的目标相似度生成矩阵，得到相似度矩阵；对所述相似度矩阵中每个元素的值与预设阈值进行对比分析，获得每个元素的值均大于预设阈值的目标相似度矩阵，将所述目标相似矩阵对应的社区信息作为候选社区信息。可选的，在本专利技术第一方面的第六种实现方式中，所述获取待分析的复杂关系网络，通过预置算法对所述复杂关系网络进行网络拓扑结构的划分，获得社区以及每个所述社区对应的社区信息，包括：获取业务信息和所述业务信息中的业务需求，根据所述业务需求获得对应的复杂关系网络；获取所述复杂关系网络中的社区群组本文档来自技高网...

【技术保护点】
1.一种复杂关系网络的信息分析方法，其特征在于，所述复杂关系网络的信息分析方法包括：/n获取待分析的复杂关系网络，通过预置算法对所述复杂关系网络进行网络拓扑结构的划分，获得社区以及每个所述社区对应的社区信息；/n对所述社区信息进行线性降维处理得到社区特征，对所述社区特征进行词向量转换处理，得到社区特征向量；/n计算每两个社区特征向量之间的目标相似度，根据所述目标相似度确定候选社区信息；/n对所述候选社区信息进行风险值标记得到目标社区信息，将所述目标社区信息和所述目标相似度填充至预置的领接表，根据所述领接表生成社区加权图，所述领接表用于指示所述社区加权图的数据域所对应的指针数组；/n获取所述社区加权图中的待评估社区、加权风险值以及所述待评估社区的风险值，通过预置标签传播算法分析所述加权风险值以更新所述待评估社区的风险值，通过更新后的风险值获得所述待评估社区的风险程度和对于风险的识别度，所述加权风险值用于指示与所述待评估社区连接或相邻的社区的风险值乘以所述目标相似度后的值。/n

【技术特征摘要】
1.一种复杂关系网络的信息分析方法，其特征在于，所述复杂关系网络的信息分析方法包括：
获取待分析的复杂关系网络，通过预置算法对所述复杂关系网络进行网络拓扑结构的划分，获得社区以及每个所述社区对应的社区信息；
对所述社区信息进行线性降维处理得到社区特征，对所述社区特征进行词向量转换处理，得到社区特征向量；
计算每两个社区特征向量之间的目标相似度，根据所述目标相似度确定候选社区信息；
对所述候选社区信息进行风险值标记得到目标社区信息，将所述目标社区信息和所述目标相似度填充至预置的领接表，根据所述领接表生成社区加权图，所述领接表用于指示所述社区加权图的数据域所对应的指针数组；
获取所述社区加权图中的待评估社区、加权风险值以及所述待评估社区的风险值，通过预置标签传播算法分析所述加权风险值以更新所述待评估社区的风险值，通过更新后的风险值获得所述待评估社区的风险程度和对于风险的识别度，所述加权风险值用于指示与所述待评估社区连接或相邻的社区的风险值乘以所述目标相似度后的值。


2.根据权利要求1所述的复杂关系网络的信息分析方法，其特征在于，所述对所述候选社区信息进行风险值标记得到目标社区信息，将所述目标社区信息和所述相似度填充至预置的领接表，根据所述领接表生成社区加权图，包括：
对所述候选社区信息进行风险评估得到风险值，建立所述风险值与所述候选社区信息的对应关系，将建立对应关系的候选社区信息作为目标社区信息；
将所述目标社区信息中的任意一个目标社区信息作为第一社区信息，将所述目标社区信息中除所述第一社区信息之外的目标社区信息作为第二社区信息，获取所述第一社区信息对应的社区特征向量与所述第二社区信息对应的社区特征向量之间的目标相似度；
按照所述第一社区信息对应的社区特征向量与所述第二社区信息对应的社区特征向量之间的目标相似度的值从大到小对所述第一社区信息和所述第二社区信息进行排序，获得排序信息；
将所述第一社区信息对应的社区作为节点，根据所述排序信息依次将所述第二社区信息对应的社区作为所述节点的连接节点，将所述目标相似度作为连接两个社区的弧上的标记权重值；
将所述节点、所述连接节点和所述标记权重值存储至预置的领接表中，对所述领接表进行图像元素转换得到社区加权图。


3.根据权利要求2所述的复杂关系网络的信息分析方法，其特征在于，所述获取所述社区加权图中的待评估社区、加权风险值以及所述待评估社区的风险值，通过预置标签传播算法分析所述加权风险值以更新所述待评估社区的风险值，通过更新后的风险值获得所述待评估社区的风险程度和对于风险的识别度，包括：
获取待评估需求，根据所述待评估需求遍历所述社区加权图，获得符合所述待评估需求的待评估社区以及所述待评估社区的风险值；
将所述待评估社区作为起始节点，根据所述起始节点对所述社区加权图进行随机游走，获得序列数据；
获取并标记所述序列数据中与所述起始节点连接的节点对应的社区，以及在目标社区中获取并标记与所述起始节点相邻的节点对应的社区，得到周边社区，所述目标社区用于指示所述序列数据中不与所述起始节点连接的节点对应的社区；
读取所述周边社区标记的风险值和所述标记权重值，计算所述风险值和所述标记权重值的乘积，将所述乘积作为所述周边社区的加权风险值；
将所述加权风险值代入预置标签传播算法的预设计算策略中进行计算，得到更新后的风险值，通过更新后的风险值获得所述待评估社区的风险程度和对于风险的识别度，所述预设计算策略包括累加型计算策略、最值型计算策略和众举型计算策略中的至少一种，以及预设加权比值计算策略。


4.根据权利要求3所述的复杂关系网络的信息分析方法，其特征在于，所述将所述加权风险值代入预置标签传播算法的预设计算策略中进行计算，得到更新后的风险值，通过更新后的风险值获得所述待评估社区的风险程度和对于风险的识别度，包括：
根据所述累加型计算策略将所述加权风险值进行累加求和计算，得到第一风险值；或者，根据所述最值型计算策略按照值从大到小的顺序对所述加权风险值进行排序，将排序为第一顺位的加权风险值作为第二风险值；或者，根据众举型计算策略赋予所...

【专利技术属性】
技术研发人员：赵世泉，
申请(专利权)人：深圳壹账通智能科技有限公司，
类型：发明
国别省市：广东;44