风险传导速率的预测方法、相关装置及计算机存储介质制造方法及图纸

本申请提供一种风险传导速率的预测方法、相关装置及计算机存储介质，该方法包括：首先，获取目标社区的基本信息；其中，基本信息包括社区规模以及社区内的客户情况；然后，将所述目标社区的基本信息输入至风险预测模型中，输出得到目标社区的风险预测结果；其中，所述目标社区的风险预测结果包括所述目标社区是否会成为风险社区以及成为风险社区需要的天数；所述风险预测模型由多个训练样本风险社区的信息对决策树算法模型进行训练得到；最终，根据所述目标社区成为风险社区需要的天数以及所述目标社区的社区规模，预测得到所述目标社区的风险传导速率。从而有效的对风险传导速率进行预测，进而可以达到全流程地在社区体系下进行风险管控的目的。进行风险管控的目的。进行风险管控的目的。

Prediction method of risk conduction rate, related devices and computer storage media

【技术实现步骤摘要】
风险传导速率的预测方法、相关装置及计算机存储介质


[0001]本申请涉及计算机
，特别涉及一种风险传导速率的预测方法、相关装置及计算机存储介质。

技术介绍

[0002]目前，业界已有的对社区风险传导的评估，主要是建立在点对点的传导模式基础上，仅对社区的风险等级进行评估，缺少对社区风险传导速率的监测，对社区风险劣变情况没有定量性的研究，还未能实现动态的全景社区风险探测能力。

技术实现思路

[0003]有鉴于此，本申请提供一种风险传导速率的预测方法、相关装置及计算机存储介质，可以有效的对风险传导速率进行预测，从而可以达到全流程地在社区体系下进行风险管控的目的。
[0004]本申请第一方面提供了一种风险传导速率的预测方法，包括：
[0005]获取目标社区的基本信息；其中，所述基本信息包括社区规模以及社区内的客户情况；
[0006]将所述目标社区的基本信息输入至风险预测模型中，输出得到目标社区的风险预测结果；其中，所述目标社区的风险预测结果包括所述目标社区是否会成为风险社区以及成为风险社区需要的天数；所述风险预测模型由多个训练样本风险社区的信息对决策树算法模型进行训练得到；所述训练样本风险社区中至少包括一个风险客户及多个普通客户；所述训练样本风险社区的信息包括所述训练样本风险社区的实际风险结果；所述训练样本风险社区的实际风险结果包括训练样本风险社区是否为风险社区以及成为风险社区的天数；
[0007]根据所述目标社区成为风险社区需要的天数以及所述目标社区的社区规模，预测得到所述目标社区的风险传导速率。
[0008]可选的，所述风险预测模型的构建方法，包括：
[0009]构建风险社区的训练样本集；其中，所述风险社区的训练样本集包括多个训练样本风险社区的信息；所述训练样本风险社区中至少包括一个风险客户及多个普通客户；所述训练样本风险社区的信息包括所述训练样本风险社区的实际风险结果；所述训练样本风险社区的实际风险结果包括训练样本风险社区是否为风险社区以及成为风险社区的天数；
[0010]针对每一个所述训练样本风险社区，提取所述训练样本风险社区的特征信息；其中，所述训练样本风险社区的特征信息包括：图模式特征、社区业务特征和社区结构特征；
[0011]通过网络嵌入的方式将所述图模式特征、社区业务特征和社区结构特征转换为低维特征向量；
[0012]将所述低维特征向量输入至决策树算法模型中，输出得到所述训练样本风险社区的风险预测结果；其中，所述训练样本风险社区的风险预测结果包括所述训练样本风险社
区是否会成为风险社区以及成为风险社区需要的天数；
[0013]利用所述训练样本风险社区的风险预测结果与所述训练样本风险社区的实际风险结果之间的误差对所述决策树算法模型中的参数进行调整，直至所述训练样本风险社区的风险预测结果与所述训练样本风险社区的实际风险结果之间的误差满足预设的收敛条件，将所述决策树算法模型作为风险预测模型。
[0014]可选的，所述针对每一个所述训练样本风险社区，提取所述训练样本风险社区的特征信息，包括：
[0015]针对每一个所述训练样本风险社区，利用全量关系图谱和所述训练样本风险社区中的风险源节点，构建得到训练样本风险社区的图模式特征；其中，所述全量关系图谱包括：个人到个人客户的关系，个人客户到企业客户的关系和企业客户到企业客户的关系；
[0016]通过统计方法对获取得到的训练样本风险社区中的客户的业务基本特征与行为特征指标，构建得到训练样本风险社区的业务特征；
[0017]通过训练样本风险社区内的风险客户的分布、不同类型风险客户的占比数据、不同关系类型的占比数据，构建训练样本风险社区的社区结构特征。
[0018]可选的，所述针对每一个所述训练样本风险社区，利用全量关系图谱和所述训练样本风险社区中的风险源节点，构建得到图模式特征，包括：
[0019]针对每一个所述训练样本风险社区，将所述训练样本风险社区的全量关系图谱上独立个体作为一个节点，以社区内风险源节点为起点；
[0020]提取具备风险传导性质的关联关系；其中，所述关联关系包括一度关联和多度关联；
[0021]根据所述训练样本风险社区内的风险传导路径，构建风险边，并部署风险传导图谱；
[0022]在所述风险传导图谱中取节点对的基本属性特征，读取传导所述节点对集合；其中，所述节点对为所述风险传导图谱中具有风险传导关系的两个节点；
[0023]读取每一个所述关系类型的权重，并遍历每一个所述风险边，拆分得到风险传导子图；
[0024]在所述风险传导子图内通过相应的风险边计算节点对的邻域、节点中心度、路径、节点间成圈图模式特征。
[0025]可选的，所述根据所述目标社区成为风险社区需要的天数以及所述目标社区的社区规模，预测得到所述目标社区的风险传导速率，包括：
[0026]将所述目标社区成为风险社区需要的天数以及所述目标社区的社区规模的积的倒数，作为所述目标社区的风险传导速率。
[0027]本申请第二方面提供了一种风险传导速率的预测装置，包括：
[0028]第一获取单元，用于获取目标社区的基本信息；其中，所述基本信息包括社区规模以及社区内的客户情况；
[0029]第一输入单元，用于将所述目标社区的基本信息输入至风险预测模型中，输出得到目标社区的风险预测结果；其中，所述目标社区的风险预测结果包括所述目标社区是否会成为风险社区以及成为风险社区需要的天数；所述风险预测模型由多个训练样本风险社区的信息对决策树算法模型进行训练得到；所述训练样本风险社区中至少包括一个风险客
户及多个普通客户；所述训练样本风险社区的信息包括所述训练样本风险社区的实际风险结果；所述训练样本风险社区的实际风险结果包括训练样本风险社区是否为风险社区以及成为风险社区的天数；
[0030]预测单元，用于根据所述目标社区成为风险社区需要的天数以及所述目标社区的社区规模，预测得到所述目标社区的风险传导速率。
[0031]可选的，所述风险预测模型的构建单元，包括：
[0032]训练样本构建单元，用于构建风险社区的训练样本集；其中，所述风险社区的训练样本集包括多个训练样本风险社区的信息；所述训练样本风险社区中至少包括一个风险客户及多个普通客户；所述训练样本风险社区的信息包括所述训练样本风险社区的实际风险结果；所述训练样本风险社区的实际风险结果包括训练样本风险社区是否为风险社区以及成为风险社区的天数；
[0033]提取单元，用于针对每一个所述训练样本风险社区，提取所述训练样本风险社区的特征信息；其中，所述训练样本风险社区的特征信息包括：图模式特征、社区业务特征和社区结构特征；
[0034]转换单元，用于通过网络嵌入的方式将所述图模式特征、社区业务特征和社区结构特征转换为低维特征向量；
[0035]第二输入单元，用于将所述低维特征向量输入至决策树算法模型中，输出得到所述训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风险传导速率的预测方法，其特征在于，包括：获取目标社区的基本信息；其中，所述基本信息包括社区规模以及社区内的客户情况；将所述目标社区的基本信息输入至风险预测模型中，输出得到目标社区的风险预测结果；其中，所述目标社区的风险预测结果包括所述目标社区是否会成为风险社区以及成为风险社区需要的天数；所述风险预测模型由多个训练样本风险社区的信息对决策树算法模型进行训练得到；所述训练样本风险社区中至少包括一个风险客户及多个普通客户；所述训练样本风险社区的信息包括所述训练样本风险社区的实际风险结果；所述训练样本风险社区的实际风险结果包括训练样本风险社区是否为风险社区以及成为风险社区的天数；根据所述目标社区成为风险社区需要的天数以及所述目标社区的社区规模，预测得到所述目标社区的风险传导速率。2.根据权利要求1所述的预测方法，其特征在于，所述风险预测模型的构建方法，包括：构建风险社区的训练样本集；其中，所述风险社区的训练样本集包括多个训练样本风险社区的信息；所述训练样本风险社区中至少包括一个风险客户及多个普通客户；所述训练样本风险社区的信息包括所述训练样本风险社区的实际风险结果；所述训练样本风险社区的实际风险结果包括训练样本风险社区是否为风险社区以及成为风险社区的天数；针对每一个所述训练样本风险社区，提取所述训练样本风险社区的特征信息；其中，所述训练样本风险社区的特征信息包括：图模式特征、社区业务特征和社区结构特征；通过网络嵌入的方式将所述图模式特征、社区业务特征和社区结构特征转换为低维特征向量；将所述低维特征向量输入至决策树算法模型中，输出得到所述训练样本风险社区的风险预测结果；其中，所述训练样本风险社区的风险预测结果包括所述训练样本风险社区是否会成为风险社区以及成为风险社区需要的天数；利用所述训练样本风险社区的风险预测结果与所述训练样本风险社区的实际风险结果之间的误差对所述决策树算法模型中的参数进行调整，直至所述训练样本风险社区的风险预测结果与所述训练样本风险社区的实际风险结果之间的误差满足预设的收敛条件，将所述决策树算法模型作为风险预测模型。3.根据权利要求2所述的预测方法，其特征在于，所述针对每一个所述训练样本风险社区，提取所述训练样本风险社区的特征信息，包括：针对每一个所述训练样本风险社区，利用全量关系图谱和所述训练样本风险社区中的风险源节点，构建得到训练样本风险社区的图模式特征；其中，所述全量关系图谱包括：个人到个人客户的关系，个人客户到企业客户的关系和企业客户到企业客户的关系；通过统计方法对获取得到的训练样本风险社区中的客户的业务基本特征与行为特征指标，构建得到训练样本风险社区的业务特征；通过训练样本风险社区内的风险客户的分布、不同类型风险客户的占比数据、不同关系类型的占比数据，构建训练样本风险社区的社区结构特征。4.根据权利要求3所述的预测方法，其特征在于，所述针对每一个所述训练样本风险社区，利用全量关系图谱和所述训练样本风险社区中的风险源节点，构建得到图模式特征，包括：针对每一个所述训练样本风险社区，将所述训练样本风险社区的全量关系图谱上独立
个体作为一个节点，以社区内风险源节点为起点；提取具备风险传导性质的关联关系；其中，所述关联关系包括一度关联和多度关联；根据所述训练样本风险社区内的风险传导路径，构建风险边，并部署风险传导图谱；在所述风险传导图谱中取节点对的基本属性特征，读取传导所述节点对集合；其中，所述节点对为所述风险传导图谱中具有风险传导关系的两个节点；读取每一个所述关系类型的权重，并遍历每一个所述风险边，拆分得到风险传导子图；在所述风险传导子图内通过相应的风险边计算节点对的邻域、节点中心度、路径、节点间成圈图模式特征。5.根据权利要求1所述的预测...

【专利技术属性】
技术研发人员：聂宇达，刘颖，吴倩倩，兰舒，
申请(专利权)人：中国建设银行股份有限公司，
类型：发明
国别省市：