【技术实现步骤摘要】
本专利技术涉及数据分析，尤其涉及一种信用评估模型生成方法、信用评估方法及装置。
技术介绍
1、金融领域中，信用评估能够帮助金融机构有效识别和控制信用风险；社会管理中，信用评估可以作为发放补贴、资质认定的参考；人力资源管理中，信用评估可以帮助雇主评估求职人选；因此信用评估在很多领域都具有重要意义。
2、现有技术通常采用机器学习算法建立信用评估模型，无法捕捉待评估目标与周边节点之间的深层次关联关系影响，从而影响评估效果；或是通过深度学习算法建立信用评估模型，对于评估结果的可解释性较差；此外，现有技术根据不同业务阶段场景构建不同信用评估模型，从而仅适用于对应的业务场景，无法在整个业务生命周期不同场景下都具有较好的预测能力。
技术实现思路
1、本专利技术提供一种信用评估模型生成方法、信用评估方法及装置，用于解决信用评估模型可解释性低、通用性不足，以及信用评估效果差的问题。
2、为了解决上述技术问题，本文的第一方面提供一种信用评估模型生成方法，所述方法包括：
3、获取客户社交边表、客户交易边表、客户节点表，以及不同业务场景下抽样的客户信息，所述客户社交边表包括客户的社交关系数据，所述客户交易边表包括客户的交易数据，所述客户节点表包括客户节点信息、预训练的机器学习模型对客户的信用评分及统计特征信息；
4、根据所述客户社交边表、客户交易边表及客户节点表，生成客户关联关系图谱；
5、根据所述不同业务场景下抽样的客户信息和所述客户关联关系图
6、根据所述信用评估数据集训练图神经网络模型，得到信用评估模型。
7、进一步地，所述客户社交边表的生成过程，包括：
8、根据所述客户的社交关系数据，构建社交有向图；
9、将所述社交有向图中的源节点和目标节点反转，得到社交反转有向图；
10、结合所述社交有向图和所述社交反转有向图，生成客户社交边表。
11、进一步地，所述客户交易边表的生成过程，包括：
12、根据所述客户的交易数据，确定各交易双方中的转账方和收款方；
13、根据预设关系特征、所述转账方和所述收款方之间的交易数据，构建交易有向图；其中，所述预设关系特征包括交易关系特征、关系类型特征、关系强度；
14、将所述各交易中的转账方和收款方进行交换，得到交换后的转账方和收款方；
15、根据预设关系特征、所述交换后的转账方和收款方，构建交易反转有向图；
16、结合所述交易有向图和所述交易反转有向图，生成客户交易边表。
17、进一步地，预设关系特征包括交易关系的预设关系特征和非交易关系的预设关系特征；
18、根据交易关系的交易关系特征，确定交易关系的关系强度；所述交易关系的交易关系特征包括交易金额；
19、根据非交易关系的关系类型特征，确定非交易关系的关系强度；所述非交易关系的关系类型特征包括量化的亲密关系特征。
20、进一步地，根据所述不同业务场景下抽样的客户信息和所述客户关联关系图谱，生成信用评估数据集，包括：
21、将不同业务场景下抽样的客户信息去重，得到客户信息集；
22、对比不同时段的客户信息集，确定重合客户信息；所述重合客户信息表示所述不同时段的客户信息集共同包含的客户信息；
23、从所述客户关联关系图谱中，提取不同时段客户信息集中客户信息的特征数据；
24、将所述不同时段客户信息集中，与所述重合客户信息相同的客户信息对应的特征数据和信用标签，划入当前时段对应的训练集中；将所述不同时段客户信息集中，与所述重合客户信息不相同的客户信息对应的特征数据和信用标签，部分划入至当前时段对应的训练集中；
25、根据不同时段的训练集，依次生成多个信用评估数据集；所述多个信用评估数据集用于依次训练所述图神经网络模型。
26、进一步地，根据如下公式表示所述图神经网络模型中各层的嵌入特征：
27、
28、
29、
30、其中，i表示节点i，j表示节点j，k表示节点k，n(i)表示节点i在图神经网络模型第n层的邻居节点集合，表示节点i在图神经网络模型第n+1层的嵌入特征，表示节点i在图神经网络模型第n层的嵌入特征，表示节点j在图神经网络模型第n层的嵌入特征，σ表示激活函数，αij表示节点j对节点i的注意力权重，b表示偏置，w1、w2、wself、wneigh、wneigh2、wedge均表示参数矩阵，scoreij表示节点j在节点i的注意力分数，scoreik表示节点k在节点i的注意力分数，eij表示节点i和节点j之间的关系特征，||||表示拼接运算。
31、进一步地，所述业务场景包括：贷前申请场景、贷中用信场景和贷中清退场景；
32、利用如下总损失函数训练所述图神经网络模型：
33、loss＝αapplapp+αloanlloan+αbalancelbalance；
34、其中，
35、
36、
37、lapp表示贷前申请场景下的损失函数，lloan表示贷中用信场景下的损失函数，lbalance表示贷中清退场景下的损失函数，napp表示贷前申请场景下的样本数量，nloan示贷中用信场景下的样本数量，nbalance示贷中清退场景下的样本数量，ln表示第n个样本的损失值，wyn表示第n个样本的计算权重，loss表示图神经网络模型的总损失函数，αapp表示贷前申请场景下的计算权重，αloan表示贷中用信场景下的计算权重，αbalance表示贷中清退场景下的计算权重。
38、本文的第二方面提供一种信用评估方法，所述方法包括：
39、将待预测客户的特征数据输入至利用前述任一实施例所述信用评估模型生成方法生成的所述信用评估模型中，得到该客户的信用评估结果。
40、本文的第三方面提供一种信用评估模型生成装置，所述装置包括：
41、获取模块，用于获取客户社交边表、客户交易边表、客户节点表，以及不同业务场景下抽样的客户信息，所述客户社交边表包括客户的社交关系数据，所述客户交易边表包括客户的交易数据，所述客户节点表包括客户节点信息、预训练的机器学习模型对客户的信用评分及统计特征信息；
42、图谱生成模块，用于根据所述客户社交边表、客户交易边表及客户节点表，生成客户关联关系图谱；
43、数据集生成模块，用于根据所述不同业务场景下抽样的客户信息和所述客户关联关系图谱，生成信用评估数据集；
44、模型生成模块，用于根据所述信用评估数据集训练图神经网络模型，得到信用评估模型。
45、本文的第四方面提供一种信用评估装置，所述装置包括：
46、信用评估模块，用于将待预测客户的特征数据输入至利用前述任一实施例所述信用评估模型本文档来自技高网...
【技术保护点】
1.一种信用评估模型生成方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述客户社交边表的生成过程，包括：
3.如权利要求1所述的方法，其特征在于，所述客户交易边表的生成过程，包括：
4.如权利要求3所述的方法，其特征在于，预设关系特征包括交易关系的预设关系特征和非交易关系的预设关系特征；
5.如权利要求1所述的方法，其特征在于，根据所述不同业务场景下抽样的客户信息和所述客户关联关系图谱，生成信用评估数据集，包括：
6.如权利要求1所述的方法，其特征在于，根据如下公式表示所述图神经网络模型中各层的嵌入特征：
7.如权利要求1所述的方法，其特征在于，所述业务场景包括：贷前申请场景、贷中用信场景和贷中清退场景；
8.一种信用评估方法，其特征在于，所述方法包括：
9.一种信用评估模型生成装置，其特征在于，所述装置包括：
10.一种信用评估装置，其特征在于，所述装置包括：
11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运
12.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被计算机设备的处理器执行时实现权利要求1至8任意一项所述方法。
13.一种计算机程序产品，所述计算机程序产品包括计算机程序，其特征在于，所述计算机程序被计算机设备的处理器执行时实现权利要求1至8任意一项所述方法。
...【技术特征摘要】
1.一种信用评估模型生成方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述客户社交边表的生成过程，包括：
3.如权利要求1所述的方法，其特征在于，所述客户交易边表的生成过程，包括：
4.如权利要求3所述的方法，其特征在于，预设关系特征包括交易关系的预设关系特征和非交易关系的预设关系特征；
5.如权利要求1所述的方法，其特征在于，根据所述不同业务场景下抽样的客户信息和所述客户关联关系图谱，生成信用评估数据集，包括：
6.如权利要求1所述的方法，其特征在于，根据如下公式表示所述图神经网络模型中各层的嵌入特征：
7.如权利要求1所述的方法，其特征在于，所述业务场景包括：贷前申请场景、贷中用信场景和贷中清退场景；...
【专利技术属性】
技术研发人员：郎潮，苗森，
申请(专利权)人：中国光大银行股份有限公司，
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。