【技术实现步骤摘要】
本专利技术涉及计算机，具体涉及一种基于知识图谱注意力网络的风险客户判定方法及装置。
技术介绍
1、本部分旨在为权利要求书中陈述的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
2、随着互联网行业的快速发展，各类业务、产品、交易类型越来越多，由此产生的业务风险也越来越高。目前，对客户风险识别的方法一般是通过其行为来分析，一种是通过天眼查等企业查询渠道，在客户发生实际交易不良信息后，通过数据记录，获取天眼查接口信息来判断客户所处风险类型，进而为企业交易提供风险信息，从而进行风险规避，但是此种方式属于客户已经存在大量风险的情况的事后查询与补救，不仅被动而且具有滞后性，缺乏时效性，无法预判客户的风险情况。另一种是通过企业间的交易数据，通过线性回归、预测等算法获取交易详情信息，从而为企业业务人员提供判断依据，但是没有有效利用企业间的关联关系，忽视了企业间的内在联系，导致对于客户的风险判定不够精准，未能有效降低企业运营风险。
技术实现思路
1、针对上述技术问题，本专利技术创造提出了一种基于知识图谱注意力网络的风险客户判定方法及装置，能够精准预测客户是否有形成风险客户的趋势，同时对客户风险类型的种类进行判断，进而为企业的交易提供早前判断，降低企业运营风险。
2、为解决上述技术问题，本专利技术所采用的技术方案包括四个方面。
3、第一方面，提供了一种基于知识图谱注意力网络的风险客户判定方法，包括以下步骤：
4、获取客户数据，
5、基于所述客户数据构建知识图谱；
6、通过所述知识图谱建立客户关系型的数据结构模型；
7、基于注意力网络提取知识图谱的特征信息，并利用注意力网络向所述数据结构模型添加高阶非线性特征，得到更新后的数据结构模型；
8、基于所述知识图谱与更新后的数据结构模型对客户进行客户风险预测，得到客户风险预测结果。
9、在一些实施例中，所述注意力网络包括全局池化层；所述全局池化层包括求平均层；所述求平均层包括最大池化层与平均池化层；所述求平均层为最大池化层计算的特征值与平均池化层计算的特征值的均值。
10、在一些实施例中，所述最大池化的数学公式模型为：
11、pm＝max[a11,a12,a13,...,ann]；
12、所述平均池化的数学公式模型为：
13、所述求平均层的数学公式模型为：
14、式中，ann表示每个数据维度的值，n表示选定区域的大小。
15、在一些实施例中，所述通过所述知识图谱建立客户关系型的数据结构模型，包括：
16、通过所述知识图谱建立特征矩阵；所述特征矩阵包括客户属性特征、客户交易行为特征以及疑似风险行为特征；
17、根据所述特征矩阵构建以客户特征为节点的数据结构模型。
18、在一些实施例中，所述客户属性特征包括企业名称、企业编码、企业高管、产品物料、客户类型、近期交易企业信息；所述客户交易行为特征包括交易完成状态、交易持续日期、打款信息、交易币种、最近一次交易时间间隔；所述疑似风险行为特征包括打款时间、历史风险企业交易、延迟交货时间、宏观政策变动。
19、在一些实施例中，所述基于注意力网络提取知识图谱的特征信息，包括：
20、利用多维度信息，将客户与供应商的交易信息及属性信息采用向量表示；
21、将向量输入神经网络模型里训练，并以客户表示与风险类型表示的相关性作为训练目标，完成特征抽取。
22、在一些实施例中，所述更新后的数据结构模型表示为：
23、
24、式中，ω表示高阶非线性特征；x表示输入特征；f(x)是用神经网络对输入特征x进行特征抽取建模。
25、在一些实施例中，所述基于所述知识图谱与更新后的数据结构模型对客户进行客户风险预测，得到客户风险预测结果，包括：
26、根据所述知识图谱与数据结构模型预测客户是否有形成风险客户的趋势；
27、若是，对客户风险类型的种类进行判断，确定客户风险类型，得到客户风险预测结果。
28、第二方面，提供了一种风险客户判定装置，包括：
29、数据获取模块，用于获取客户数据；
30、第一构建模块，用于基于所述客户数据构建知识图谱；
31、第二构建模块，用于通过所述知识图谱建立客户关系型的数据结构模型；
32、处理模块，基于注意力网络提取知识图谱的特征信息，并利用注意力网络向所述数据结构模型添加高阶非线性特征，得到更新后的数据结构模型；
33、风险预测模块，用于基于所述知识图谱与更新后的数据结构模型对客户进行客户风险预测，得到客户风险预测结果。
34、第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的风险客户判定方法的步骤。
35、第四方面，提供了一种计算机可读存储介质，所述计算机程序被处理器执行时实现如权前述的风险客户判定方法的步骤。
36、与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
37、本申请提供了一种基于知识图谱注意力网络的风险客户判定方法及装置，该判定方法包括：获取客户数据，所述客户数据包括客户天眼查接口信息以及历史交易信息；基于所述客户数据构建知识图谱；通过所述知识图谱建立客户关系型的数据结构模型；基于注意力网络提取知识图谱的特征信息，并利用注意力网络向所述数据结构模型添加高阶非线性特征，得到更新后的数据结构模型；基于所述知识图谱与更新后的数据结构模型对客户进行客户风险预测，得到客户风险预测结果。通过该方法依据客户天眼查接口信息与历史交易信息构建数据模型，有效利用企业间的关联联系以及内在联系，提高客户风险预测的精准性，同时利用注意力网络为数据模型添加了高阶的非线性信息，能够更精准预测客户是否有形成风险客户的趋势，同时对客户风险类型的种类进行判断，进而为企业的交易提供早前判断，降低企业运营风险。
本文档来自技高网...【技术保护点】
1.一种基于知识图谱注意力网络的风险客户判定方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于知识图谱注意力网络的风险客户判定方法，其特征在于，所述注意力网络包括全局池化层；所述全局池化层包括求平均层；所述求平均层包括最大池化层与平均池化层；所述求平均层为最大池化层计算的特征值与平均池化层计算的特征值的均值。
3.根据权利要求2所述的一种基于知识图谱注意力网络的风险客户判定方法，其特征在于，所述最大池化的数学公式模型为：PM＝Max[a11,a12,a13,...,ann]；
4.根据权利要求1所述的一种基于知识图谱注意力网络的风险客户判定方法，其特征在于，所述通过所述知识图谱建立客户关系型的数据结构模型，包括：
5.根据权利利要求4所述的一种基于知识图谱注意力网络的风险客户判定方法，其特征在于，所述客户属性特征包括企业名称、企业编码、企业高管、产品物料、客户类型、近期交易企业信息；所述客户交易行为特征包括交易完成状态、交易持续日期、打款信息、交易币种、最近一次交易时间间隔；所述疑似风险行为特征包括打款时间、历史风险
6.根据权利要求1所述的一种基于知识图谱注意力网络的风险客户判定方法，其特征在于，所述基于注意力网络提取知识图谱的特征信息，包括：
7.根据权利要求1所述的一种基于知识图谱注意力网络的风险客户判定方法，其特征在于，所述更新后的数据结构模型表示为：
8.根据权利利要求1所述的一种基于知识图谱注意力网络的风险客户判定方法，其特征在于，所述基于所述知识图谱与更新后的数据结构模型对客户进行客户风险预测，得到客户风险预测结果，包括：
9.一种风险客户判定装置，其特征在于，包括：
10.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述的风险客户判定方法的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的风险客户判定方法的步骤。
...【技术特征摘要】
1.一种基于知识图谱注意力网络的风险客户判定方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于知识图谱注意力网络的风险客户判定方法，其特征在于，所述注意力网络包括全局池化层；所述全局池化层包括求平均层；所述求平均层包括最大池化层与平均池化层；所述求平均层为最大池化层计算的特征值与平均池化层计算的特征值的均值。
3.根据权利要求2所述的一种基于知识图谱注意力网络的风险客户判定方法，其特征在于，所述最大池化的数学公式模型为：pm＝max[a11,a12,a13,...,ann]；
4.根据权利要求1所述的一种基于知识图谱注意力网络的风险客户判定方法，其特征在于，所述通过所述知识图谱建立客户关系型的数据结构模型，包括：
5.根据权利利要求4所述的一种基于知识图谱注意力网络的风险客户判定方法，其特征在于，所述客户属性特征包括企业名称、企业编码、企业高管、产品物料、客户类型、近期交易企业信息；所述客户交易行为特征包括交易完成状态、交易持续日期、打款信息、交易币种、最近一次交易时间间隔；...
【专利技术属性】
技术研发人员：龚真颖，李涛，姜霄，柴永强，沈殿林，田文佳，
申请(专利权)人：中国石油化工股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。