风险评估方法、装置和存储介质

1.本技术涉及信息处理技术领域，特别是涉及一种风险评估方法、装置和存储介质。


背景技术：

2.针对银行等金融机构提供的个人信用贷款服务，通过借款人提供的个人信息和相关申请材料，来对借款人的资信情况或逾期风险进行评估，进而决定是否向借款人发放贷款以及发放贷款的金额。
3.目前，主要使用静态框架的神经网络对借款人的资信情况进行学习，再进一步进行逾期风险的评估。然而，借款人的资信情况在不同时间段并不完全相同，现有方法并不能捕捉到借款人动态变化的风险评估情况。因此，如何动态地进行风险评估，进而准确得到借款人的评估结果是本技术要解决的问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高风险评估准确性的风险评估方法、装置、计算机设备和存储介质。
5.第一方面，本技术提供了一种风险评估方法。所述方法包括：
6.获取评估时间内的目标用户，并确定所述评估时间对应的用户关联图；所述用户关联图包括所述目标用户对应的目标节点；
7.确定与所述目标节点相邻的、位于不同层级的多个邻居节点集，并对多个所述邻居节点集进行聚合处理，得到所述目标节点的目标节点特征；
8.确定所述评估时间对应的历史时间，并获取风险评估模型在对所述历史时间内的所述目标用户进行风险评估时所输出的历史隐藏状态；
9.通过所述风险评估模型，并根据所述目标节点特征和所述历史隐藏状态，确定所述评估时间内的实际隐藏状态；
10.根据所述实际隐藏状态，对所述评估时间内的所述目标用户进行风险评估，得到风险评估结果。
11.在一个实施例中，确定所述评估时间所对应的用户关联图，包括：获取初始关联图；所述初始关联图包括多个节点和多个连边；所述连边包括每个所述节点之间进行关联的关联时间；确定所述目标用户在所述初始关联图中的目标节点，并确定每个连边各自对应的关联时间是否属于所述评估时间；若属于，则根据所述连边和所述目标节点，从所述初始关联图中提取出所述评估时间所对应的用户关联图。
12.在一个实施例中，在所述获取初始关联图之前还包括：获取多个待关联的节点；所述待关联的节点包括用户的属性特征；所述属性特征至少包括用户的账户特征、身份特征和设备特征；确定每个所述待关联的节点之间的关联关系；所述关联关系至少包括邀请关系、配偶关系和设备关系；根据所述关联关系对各所述待关联的节点之间进行关联，得到初始关联图。
13.在一个实施例中，对多个所述邻居节点集进行聚合处理，得到所述目标节点的目标节点特征，包括：确定多个层级中的当前层级和所述当前层级的上一个历史层级；确定所述目标节点在所述历史层级下的第一历史特征、以及所述历史层级的邻居节点集所对应的第二历史特征；将所述第一历史特征和所述第二历史特征进行聚合处理，得到目标节点在所述当前层级下的候选节点特征；将当前层级作为新的历史层级、将所述候选节点特征作为新的第一历史特征，并返回至确定所述目标节点在所述历史层级下的第一历史特征、以及所述历史层级的邻居节点集所对应的第二历史特征的步骤继续进行，直至得到所述目标节点在多个层级中的最后一个层级下的候选节点特征；将所述最后一个层级下的候选节点特征，作为所述用户关联图中的所述目标节点的目标节点特征。
14.在一个实施例中，所述历史层级为一阶层级；所述邻居节点集包括多个邻居节点；所述确定所述目标节点在所述历史层级下的第一历史特征、以及所述历史层级的邻居节点集所对应的第二历史特征，包括：确定所述目标节点中的第一属性特征，并通过预设的编码器，对所述第一属性特征进行编码处理，得到所述目标节点在所述历史层级下的第一历史特征；针对所述历史层级的邻居节点集合中的每个邻居节点，均确定每个所述邻居节点各自对应的第二属性特征；对每个所述第二属性特征分别进行映射处理，得到每个所述邻居节点各自对应的子历史特征；综合多个所述子历史特征，得到所述历史层级的邻居节点集合所对应的第二历史特征。
15.在一个实施例中，所述将所述第一历史特征和所述第二历史特征进行聚合处理，得到所述目标节点在所述当前层级下的候选节点特征，包括：通过预设的均值函数，对所述第一历史特征和所述第二历史特征进行均值处理，得到均值历史特征；获取所述历史层级对应的历史权重；通过预设的激活函数，对所述均值历史特征和所述历史权重进行关联处理，得到所述目标节点在所述当前层级下的候选节点特征。
16.在一个实施例中，风险评估模型的训练步骤包括：获取目标样本节点对应的多个样本关联图，并确定每个样本关联图对应的样本节点特征、以及目标样本节点的节点特征标签；确定多个样本关联图中的初始样本关联图，并根据所述初始样本关联图对应的样本节点特征和所述节点特征标签，得到首轮的评估子模型；从首轮之后的第二轮次起的当前轮次中，确定多个样本关联图中的轮次样本关联图，并根据历史轮次的所述评估子模型、轮次样本关联图对应的样本节点特征和所述节点特征标签，得到当前轮次的评估子模型；所述历史轮次为在所述当前轮次之前的至少一个轮次；将下一轮次作为当前轮次，并返回至所述从所述首轮之后的第二轮次起的当前轮次中，确定多个样本关联图中的轮次样本关联图的步骤并继续执行，直至得到当前轮次的评估子模型；综合每个当前轮次各自对应的评估子模型，得到所述目标样本节点对应的风险评估模型。
17.在一个实施例中，根据历史轮次的所述评估子模型、轮次样本关联图对应的样本节点特征和所述节点特征标签，得到当前轮次的评估子模型，包括：确定历史轮次的所述评估子模型所输出的第一隐藏状态；通过所述轮次样本关联图对应的样本节点特征和所述第一隐藏状态，确定所述当前轮次的第二隐藏状态；通过所述第二隐藏状态，确定当前轮次的评估子模型的预测输出特征；根据所述预测输出特征与所述节点特征标签之间的差异，确定当前轮次的评估子模型对应的损失函数；通过损失函数对当前轮次的评估子模型中的模型参数进行更新，直到达到训练停止条件时停止，得到训练好的当前轮次的评估子模型。
18.第二方面，本技术还提供了一种风险评估装置。所述装置包括：
19.关联图确定模块，用于获取评估时间内的目标用户，并确定所述评估时间对应的用户关联图；所述用户关联图包括所述目标用户对应的目标节点；
20.节点特征确定模块，用于确定与所述目标节点相邻的、位于不同层级的多个邻居节点集，并对多个所述邻居节点集进行聚合处理，得到所述目标节点的目标节点特征；
21.隐藏状态确定模块，用于确定所述评估时间对应的历史时间，并获取风险评估模型在对所述历史时间内的所述目标用户进行风险评估时所输出的历史隐藏状态；通过所述风险评估模型，并根据所述目标节点特征和所述历史隐藏状态，确定所述评估时间内的实际隐藏状态；
22.评估结果确定模块，用于根据所述实际隐藏状态，对所述评估时间内的所述目标用户进行风险评估，得到风险评估结果。
23.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
24.获取评估时间内的目标用户，并确定所述评估时间对应的用户关联图；所述用户关联图包括所述目标用户对应的目标节点；
25.确定与所述目标节点相邻的、位于不同层级的多个邻居节点集，并对多个所述邻居节点集进行聚合处理，得到所述目标节点的目标节点特征；
26.确定所述评估时间对应的历史时间，并获取风险评估模型在对所述历史时间内的所述目标用户进行风险评估时所输出的历史隐藏状态；
27.通过所述风险评估模型，并根据所述目标节点特征和所述历史隐藏状态，确定所述评估时间内的实际隐藏状态；
28.根据所述实际隐藏状态，对所述评估时间内的所述目标用户进行风险评估，得到风险评估结果。
29.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
30.获取评估时间内的目标用户，并确定所述评估时间对应的用户关联图；所述用户关联图包括所述目标用户对应的目标节点；
31.确定与所述目标节点相邻的、位于不同层级的多个邻居节点集，并对多个所述邻居节点集进行聚合处理，得到所述目标节点的目标节点特征；
32.确定所述评估时间对应的历史时间，并获取风险评估模型在对所述历史时间内的所述目标用户进行风险评估时所输出的历史隐藏状态；
33.通过所述风险评估模型，并根据所述目标节点特征和所述历史隐藏状态，确定所述评估时间内的实际隐藏状态；
34.根据所述实际隐藏状态，对所述评估时间内的所述目标用户进行风险评估，得到风险评估结果。
35.上述风险评估方法、装置、计算机设备和存储介质，通过获取评估时间内的目标用户，并确定评估时间所对应的用户关联图，其中的用户关联图包括目标用户对应的目标节点；通过确定与目标节点相邻的、位于不同层级的多个邻居节点集，并对多个邻居节点集进行聚合处理，可得到目标节点的目标节点特征；通过确定评估时间对应的历史时间，并获取
风险评估模型在对历史时间内的目标用户进行风险评估时所输出的历史隐藏状态；通过风险评估模型，并根据目标节点特征和历史隐藏状态，确定评估时间内的实际隐藏状态；根据实际隐藏状态，对评估时间内的目标用户进行风险评估，得到风险评估结果。由于本技术将不同的历史时间考虑到风险评估过程中，相较于传统的使用静态框架的神经网络对借款人的资信情况进行学习的方式，本技术能灵活使用不同历史时间对应的风险评估模型，来动态地对评估时间内的目标用户进行风险评估，使得能准确预测目标用户在不同时间的逾期风险。
36.同时，由于本技术是采用对邻居节点集进行聚合处理的方式，实现了通过邻居节点集对目标用户的资信信息的综合考虑，确保得到更详细、更准确的目标用户的目标节点特征。
附图说明
37.图1为一个实施例中风险评估方法的应用环境图；
38.图2为一个实施例中风险评估方法的流程示意图；
39.图3为一个实施例中初始关联图的结构示意图；
40.图4为一个实施例中风险评估模型的模型示意图；
41.图5为一个实施例中确定目标节点特征的流程示意图；
42.图6为一个实施例中训练风险评估模型的流程示意图；
43.图7为一个实施例中风险评估装置的结构框图；
44.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
45.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本技术，并不用于限定本技术。
46.本技术实施例提供的风险评估方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。其中，终端102和服务器104均可单独用于执行本技术实施例中的风险评估方法，也可协同用于执行本技术实施例中的风险评估方法。以终端102和服务器104协同用于执行风险评估方法为例进行说明，终端102用于将获取到的评估时间内的目标用户发送至服务器104。服务器104用于确定评估时间所对应的用户关联图，确定与目标节点相邻的、位于不同层级的多个邻居节点集，并对多个邻居节点集进行聚合处理，得到目标节点的目标节点特征。服务器104还用于确定评估时间对应的历史时间，并通过风险评估模型和目标节点特征，对评估时间内的目标用户进行风险评估，得到风险评估结果，并将风险评估结果返回给终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
47.在一个实施例中，如图2所示，提供了一种风险评估方法，以该方法应用于图1中的
计算机设备为例进行说明，该计算机设备可为图1中的终端或服务器，包括以下步骤：
48.步骤202，获取评估时间内的目标用户，并确定评估时间对应的用户关联图。
49.其中，用户关联图包括目标用户对应的目标节点；目标用户为金融机构需要进行风险评估的目标借款人；评估时间可为金融机构需要对目标借款人进行评估的当前时间，例如，当前为9月10号时，评估时间可对应于9月份。容易理解的，目标借款人在不同的评估时间对应的用户关联图并不完全相同。
50.在一个实施例中，确定评估时间所对应的用户关联图，包括：获取初始关联图；确定目标用户在初始关联图中的目标节点，并确定每个连边各自对应的关联时间是否属于评估时间；若属于，则根据连边和目标节点，从初始关联图中提取出评估时间所对应的用户关联图。
51.其中，初始关联图包括多个节点和多个连边；连边包括每个节点之间进行关联的关联时间。如图3所示，图3为初始关联图的结构示意图。
52.具体地，计算机设备获取预先关联好的初始关联图，并确定目标用户在初始关联图中所属于的目标节点，例如将图3中的节点0作为目标节点。由于每个节点之间关联的连边携带了的关联时间，计算机设备便可将关联时间属于评估时间的连边提取出来，并将初始关联图中不属于评估时间的连边进行删除，得到以目标节点为中心的用户关联图。例如，若图3中箭头形状的连边的关联时间属于评估时间，连线形状的连边的关联时间不属于评估时间，因此，可确定出评估时间所对应的用户关联图。
53.在一个实施例中，计算机设备将初始关联图中关联时间不属于评估时间的连边进行删除，得到候选图，并确定候选图中的特殊连边。其中，特殊连边为与目标节点不直接或间接关联的连边。例如，若图3中节点1和节点6之间的连边1的关联时间虽然属于评估时间，但节点0和节点1之间的连边2的关联时间不属于评估时间时，此时的连边1则为特殊连边，也即用户关联图中不包括节点1和节点6。
54.在一个实施例中，当计算机设备获取到与评估时间相关联的多个历史时间时，针对多个历史时间中的每个历史时间，计算机设备均将关联时间属于当前历史时间的连边提取出来，得到当前历史时间所对应的用户关联图。容易理解的，由于通过不同时间对应的用户关联图，确定目标节点的目标节点特征的过程基本相同，为简化表述，后续实施例仅以评估时间所对应的用户关联图为例进行阐述。
55.在一个实施例中，在获取初始关联图之前还包括：获取多个待关联的节点；确定每个待关联的节点之间的关联关系；根据关联关系对各待关联的节点之间进行关联，得到初始关联图。
56.其中，每个待关联的节点用来表示一个借款人，也即一个用户，待关联的节点包括用户的属性特征；属性特征至少包括用户的账户特征、身份特征、设备特征和单位特征等。由于任意两个借款人之间可能存在一定的社会背景关系或交互关系，因此，可以确定待关联的节点之间的关联关系；关联关系至少包括邀请关系、配偶关系和设备关系，邀请关系表征借款人a邀请借款人b进行贷款项目注册的关系，设备关系表征借款人a和借款人b通过同一个设备进行登录使用的关系。
57.步骤204，确定与目标节点相邻的、位于不同层级的多个邻居节点集，并对多个邻居节点集进行聚合处理，得到目标节点的目标节点特征。
58.具体地，计算机设备通过与目标节点直接或间接相连的节点，便可确定不同的层级。参考图3所示，目标节点包括两阶层级，每阶层级对应于一个邻居节点集，邻居节点集包括多个邻居节点。其中，一阶层级的邻居节点集包括节点2、节点4和节点5，二阶层级的邻居节点集包括节点8、节点9、节点11、节点12、节点13和节点15。计算机设备对不同层级的邻居节点集进行聚合处理，可确定出目标节点在不同层级下的候选节点特征，当聚合处理为一种迭代处理过程时，可将最后一个层级下的候选节点特征，作为用户关联图中的目标节点的目标节点特征。
59.在一个实施例中，针对评估时间和多个历史时间各自对应的用户关联图，计算机设备在确定目标节点在不同用户关联图中的目标节点特征时，按照评估时间和历史时间之间的时间顺序，将不同时间对应的目标节点特征以序列的形式分别存储在记忆存储模块中。
60.步骤206，确定评估时间对应的历史时间，并获取风险评估模型在对历史时间内的目标用户进行风险评估时所输出的历史隐藏状态。
61.其中，历史时间可为与评估时间相关联的多个历史时间中的任意一个时间，容易理解的，当历史时间与评估时间相隔较近时，更容易准确体现借款人的资信情况。本技术针对多个历史时间并不做具体限制，例如评估时间为9月份时，多个历史时间可为7月份和8月份，也可为4月份、5月份和6月份等。
62.具体地，风险评估模型通过记忆存储模块中的不同历史时间对应的目标节点特征确定得到，也即通过不同历史时间对应的目标节点特征，对风险评估模型进行训练的过程。由于此时的风险评估模型可视作已完成模型训练，计算机设备可直接获取训练好的风险评估模型，当风险评估模型为一种循环神经网络模型时，循环神经网络通常包括输入层、隐藏层和输出层，此时可确定风险评估模型中的隐藏层的历史隐藏状态。
63.步骤208，通过风险评估模型，并根据目标节点特征和历史隐藏状态，确定评估时间内的实际隐藏状态。
64.具体的，如图4所示，图4为风险评估模型的模型示意图，当t表示评估时间时，m
(t)
表示评估时间对应的目标节点特征，m
(t-1)
表示历史时间对应的目标节点特征，计算机设备在将评估时间对应的目标节点特征输入至输入层时，确定评估时间内的实际隐藏状态包括以下方式：
65.h
(t)
＝σ(um
(t)
+wh
(t-1)
+b)
66.其中，h
(t)
为评估时间内的隐藏层的实际隐藏状态；u和w是风险评估模型中的权重参数，通过对风险评估模型进行训练的过程中得到；b为偏置项常数。
67.步骤210，根据实际隐藏状态，对评估时间内的目标用户进行风险评估，得到风险评估结果。
68.具体地，计算机设备对评估时间内的目标用户进行风险评估包括以下方式：
69.o
(t)
＝vh
(t)
+c
70.y
(t)
＝σ(o
(t)
)
71.其中，o
(t)
表示评估时间内风险评估模型的输出层输出的预测输出特征；v是风险评估模型中的权重参数；c为偏置项常数；σ为预设的激活函数；y
(t)
表示评估时间内的目标用户进行风险评估，得到风险评估结果。
72.上述风险评估方法中，通过获取评估时间内的目标用户，并确定评估时间所对应的用户关联图，其中的用户关联图包括目标用户对应的目标节点；通过确定与目标节点相邻的、位于不同层级的多个邻居节点集，并对多个邻居节点集进行聚合处理，可得到目标节点的目标节点特征；通过确定评估时间对应的历史时间，并获取风险评估模型在对历史时间内的目标用户进行风险评估时所输出的历史隐藏状态；通过风险评估模型，并根据目标节点特征和历史隐藏状态，确定评估时间内的实际隐藏状态；根据实际隐藏状态，对评估时间内的目标用户进行风险评估，得到风险评估结果。由于本技术将不同的历史时间考虑到风险评估过程中，相较于传统的使用静态框架的神经网络对借款人的资信情况进行学习的方式，本技术能灵活使用不同历史时间对应的风险评估模型，来动态地对评估时间内的目标用户进行风险评估，使得能准确预测目标用户在不同时间的逾期风险。
73.在一个实施例中，如图5所示，对多个邻居节点集进行聚合处理，得到目标节点的目标节点特征，包括以下步骤：
74.步骤502，确定多个层级中的当前层级和当前层级的上一个历史层级。
75.其中，当目标节点包括多个层级时，可先将历史层级视作一阶层级，当前层级则为二阶层级。
76.步骤504，确定目标节点在历史层级下的第一历史特征、以及历史层级的邻居节点集所对应的第二历史特征。
77.在一个实施例中，确定目标节点在历史层级下的第一历史特征、以及历史层级的邻居节点集所对应的第二历史特征，包括：确定目标节点中的第一属性特征，并通过预设的编码器，对第一属性特征进行编码处理，得到目标节点在历史层级下的第一历史特征；针对历史层级的邻居节点集合中的每个邻居节点，均确定每个邻居节点各自对应的第二属性特征；对每个第二属性特征分别进行映射处理，得到每个邻居节点各自对应的子历史特征；综合多个子历史特征，得到历史层级的邻居节点集合所对应的第二历史特征。
78.具体地，由于目标节点的第一属性特征、以及每个邻居节点各自对应的第二属性特征均为上述实施例提到的用户的账户特征、身份特征、设备特征和单位特征等，此时的第一属性特征和第二属性特征通常为一种高维度的数据。因此，当历史层级为一阶层级时，计算机设备需要通过预设的编码器，对第一属性特征进行编码处理，也即将原始高维度的数据映射到低纬度稠密的向量空间，进而得到目标节点在一阶层级下的第一历史特征。其中，当目标节点的层级表征一种查询深度k时，第一历史特征也可称作目标节点在上一查询深度的节点表示，也即其中v表征为目标节点。
79.同样，计算机设备对每个第二属性特征分别进行映射处理，得到每个邻居节点各自对应的子历史特征，也即子历史特征也可称作邻居节点在上一查询深度的节点表示其中u表征为邻居节点。计算机设备综合多个子历史特征，得到历史层级的邻居节点集合所对应的第二历史特征。例如，第二历史特征为时，n(v)表征为历史层级对应的邻居节点集。
80.在一个实施例中，将将第一历史特征和第二历史特征进行聚合处理，也即将低纬度稠密的向量空间中的向量进行拼接的过程。
81.在一个实施例中，可使用来表示用户关联图，其中t表示不同时间对应的用户关联图，t表示评估时间和历史时间的总个数，v
t
表示用户关联图的节点集合，ε
t
表示用户关联图的边集合。
82.步骤506，将第一历史特征和第二历史特征进行聚合处理，得到目标节点在当前层级下的候选节点特征。
83.在一个实施例中，将第一历史特征和第二历史特征进行聚合处理，得到目标节点在当前层级下的候选节点特征，包括：通过预设的均值函数，对第一历史特征和第二历史特征进行均值处理，得到均值历史特征；获取历史层级对应的历史权重；通过预设的激活函数，对均值历史特征和历史权重进行关联处理，得到目标节点在当前层级下的候选节点特征。
84.具体地，将第一历史特征和第二历史特征进行聚合处理可采用以下方式：
[0085][0086]
其中，mean表征预设的均值函数，u表征对第一历史特征和第二历史特征进行均值处理的过程，σ为预设的激活函数。由于聚合处理为一种迭代处理过程，每一次迭代过程中均会对聚合处理模型训练时均会对、参数进行更新。历史层级的历史权重也即在上一次迭代过程中，对聚合处理模型进行训练后的到的权重参数。计算机设备将均值历史特征和历史权重进行关联处理，并通过激活函数，确定出目标节点在当前层级下的候选节点特征，也即目标节点在当前查询深度的节点表示
[0087]
在一个实施例中，将第一历史特征和第二历史特征进行聚合处理，也即将低纬度稠密的向量空间中的向量进行拼接的过程。
[0088]
步骤508，将当前层级作为新的历史层级、将候选节点特征作为新的第一历史特征，并返回至确定目标节点在历史层级下的第一历史特征、以及历史层级的邻居节点集所对应的第二历史特征的步骤继续进行，直至得到目标节点在多个层级中的最后一个层级下的候选节点特征。
[0089]
其中，容易理解的，当查询深度k发生变化时，目标节点在上一查询深度的节点表示和邻居节点在上一查询深度的节点表示会发生变化。因此，计算机设备需要不断将当前层级作为新的历史层级，进入下一轮聚合处理的迭代过程。当迭代完所有的层级时，便可得到目标节点的目标节点特征。
[0090]
步骤510，将最后一个层级下的候选节点特征，作为用户关联图中的目标节点的目标节点特征。
[0091]
在一个实施例中，计算机设备可通过归纳式的图神经网络模型来确定目标用户的目标节点特征。
[0092]
本实施例中，通过采用邻居节点集进行聚合处理的方式，来确定目标节点的目标节点特征，实现了通过邻居节点集对目标用户的资信信息的综合考虑，确保得到更详细、更准确的目标用户的目标节点特征。同时，当用户关联图发生变化时，仅对新的节点进行再次聚合处理，确保了进行聚合处理的可扩展性，且由于得到的目标节点特征为一种低纬度稠密的特征向量，提升了后续针对不同时间进行风险预测的预测速度。
[0093]
在一个实施例中，如图6所示，风险评估模型的训练步骤，包括以下步骤：
[0094]
步骤602，获取目标样本节点对应的多个样本关联图，并确定每个样本关联图对应的样本节点特征、以及目标样本节点的节点特征标签。
[0095]
具体地，计算机设备获取初始样本图和多个样本时间，并根据样本时间，从初始样本图中提取出每个样本时间各自对应的、包含了目标样本节点的样本关联图。从初始样本图中提取样本关联图的具体实施过程，可参考上述从初始关联图中提取不同历史时间对应的用户关联图的具体实施过程，本实施例在此不再赘述。确定每个样本关联图对应的样本节点特征的具体实施过程，可参考上述确定用户关联图中目标节点的目标节点特征的具体实施过程，本实施例在此不再赘述。
[0096]
步骤604，确定多个样本关联图中的初始样本关联图，并根据初始样本关联图对应的样本节点特征和节点特征标签，得到首轮的评估子模型。
[0097]
具体地，确定多个样本时间之间的时间顺序，将时间顺序排在首位的样本时间所对应的样本关联图，作为初始样本关联图。计算机设备根据初始样本关联图的样本节点特征与节点特征标签之间的差异，对评估子模型进行训练，直到达到训练停止条件时停止，得到训练好的首轮的评估子模型。其中，在首次训练之前的评估子模型中的权重参数可通过随机初始化得到。
[0098]
步骤606，从首轮之后的第二轮次起的当前轮次中，确定多个样本关联图中的轮次样本关联图，并根据历史轮次的评估子模型、轮次样本关联图对应的样本节点特征和节点特征标签，得到当前轮次的评估子模型。
[0099]
其中，历史轮次为在当前轮次之前的至少一个轮次。计算机设备按照多个样本时间之间的时间顺序，依次确定当前轮次的轮次样本关联图，参考图4所示，将每个样本节点特征对应的节点链作为评估子模型。
[0100]
在一个实施例中，根据历史轮次的评估子模型、轮次样本关联图对应的样本节点特征和节点特征标签，得到当前轮次的评估子模型，包括：确定历史轮次的评估子模型所输出的第一隐藏状态；通过轮次样本关联图对应的样本节点特征和第一隐藏状态，确定当前轮次的第二隐藏状态；通过第二隐藏状态，确定当前轮次的评估子模型的预测输出特征；根据预测输出特征与节点特征标签之间的差异，确定当前轮次的评估子模型对应的损失函数；通过损失函数对当前轮次的评估子模型中的模型参数进行更新，直到达到训练停止条件时停止，得到训练好的当前轮次的评估子模型。
[0101]
具体地，由于对模型进行训练的过程对应于上述使用风险评估模型的过程，因此，确定当前轮次的第二隐藏状态的具体实施过程，可参考上述步骤208，本实施例在此不再赘述。参考图4所示，l
(t)
为损失函数，计算机设备将第一隐藏状态h
(t)
和样本节点特征m
(t)
输入至历史轮次的评估子模型，得到当前轮次的评估子模型的预测输出特征o
(t)
，并将预测输出特征与节点特征标签输入至损失函数中，得到节点特征损失值。计算机设备通过反向传播算法确定节点特征损失值的梯度，并沿着节点特征损失值的梯度方向，对当前轮次的评估子模型中的模型参数进行更新，也即利用模型参数衰减的方式使节点特征损失值尽可能最小化，进而使得损失函数达到收敛，得到训练好的当前轮次的评估子模型。
[0102]
步骤608，将下一轮次作为当前轮次，并返回至从首轮之后的第二轮次起的当前轮次中，确定多个样本关联图中的轮次样本关联图的步骤并继续执行，直至得到当前轮次的
评估子模型。
[0103]
其中，可将历史时间作为多个样本时间中，时间顺序排在最后一个时间。
[0104]
步骤610，综合每个当前轮次各自对应的评估子模型，得到目标样本节点对应的风险评估模型。
[0105]
本实施例中，通过训练各层评估子模型，使得每个轮次的评估子模型均有不同时间对应的评估能力，并且将历史轮次的评估子模型的输出，作为下一轮次的输入，并按照时间顺序对应的序列特征作为模型的输入，在序列的演进方向进行递归，使得训练得到的风险评估模型具有记忆性。
[0106]
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0107]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的风险评估方法的风险评估装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个风险评估装置实施例中的具体限定可以参见上文中对于风险评估方法的限定，在此不再赘述。
[0108]
在一个实施例中，如图7所示，提供了一种风险评估装置700，包括：关联图确定模块702、节点特征确定模块704、隐藏状态确定模块706和评估结果确定模块708，其中：
[0109]
关联图确定模块702，用于获取评估时间内的目标用户，并确定评估时间对应的用户关联图；用户关联图包括目标用户对应的目标节点。
[0110]
节点特征确定模块704，用于确定与目标节点相邻的、位于不同层级的多个邻居节点集，对多个邻居节点集进行聚合处理，得到目标节点的目标节点特征。
[0111]
隐藏状态确定模块706，用于确定评估时间对应的历史时间，并获取风险评估模型在对历史时间内的目标用户进行风险评估时所输出的历史隐藏状态；通过风险评估模型，并根据目标节点特征和历史隐藏状态，确定评估时间内的实际隐藏状态。
[0112]
评估结果确定模块708，用于根据实际隐藏状态，对评估时间内的目标用户进行风险评估，得到风险评估结果。
[0113]
在一个实施例中，关联图确定模块702，还用于获取初始关联图；初始关联图包括多个节点和多个连边；连边包括每个节点之间进行关联的关联时间；确定目标用户在初始关联图中的目标节点，并确定每个连边各自对应的关联时间是否属于评估时间；若属于，则根据连边和目标节点，从初始关联图中提取出评估时间所对应的用户关联图。
[0114]
在一个实施例中，关联图确定模块702，还用于获取多个待关联的节点；待关联的节点包括用户的属性特征；属性特征至少包括用户的账户特征、身份特征和设备特征；确定每个待关联的节点之间的关联关系；关联关系至少包括邀请关系、配偶关系和设备关系；根据关联关系对各待关联的节点之间进行关联，得到初始关联图。
[0115]
在一个实施例中，节点特征确定模块704，还用于确定多个层级中的当前层级和当
前层级的上一个历史层级；确定目标节点在历史层级下的第一历史特征、以及历史层级的邻居节点集所对应的第二历史特征；将第一历史特征和第二历史特征进行聚合处理，得到目标节点在当前层级下的候选节点特征；将当前层级作为新的历史层级、将候选节点特征作为新的第一历史特征，并返回至确定目标节点在历史层级下的第一历史特征、以及历史层级的邻居节点集所对应的第二历史特征的步骤继续进行，直至得到目标节点在多个层级中的最后一个层级下的候选节点特征；将最后一个层级下的候选节点特征，作为用户关联图中的目标节点的目标节点特征。
[0116]
在一个实施例中，节点特征确定模块704包括特征转换模块7041，用于确定目标节点中的第一属性特征，并通过预设的编码器，对第一属性特征进行编码处理，得到目标节点在历史层级下的第一历史特征；针对历史层级的邻居节点集合中的每个邻居节点，均确定每个邻居节点各自对应的第二属性特征；对每个第二属性特征分别进行映射处理，得到各邻居节点各自对应的子历史特征；综合多个子历史特征，得到历史层级的邻居节点集合所对应的第二历史特征。
[0117]
在一个实施例中，节点特征确定模块704还包括特征关联模块7042，用于通过预设的均值函数，对第一历史特征和第二历史特征进行均值处理，得到均值历史特征；获取历史层级对应的历史权重；通过预设的激活函数，对均值历史特征和历史权重进行关联处理，得到目标节点在当前层级下的候选节点特征。
[0118]
在一个实施例中，风险评估装置700还包括模型训练模块710，用于获取目标样本节点对应的多个样本关联图，并确定每个样本关联图对应的样本节点特征、以及目标样本节点的节点特征标签；确定多个样本关联图中的初始样本关联图，并根据初始样本关联图对应的样本节点特征和节点特征标签，得到首轮的评估子模型；从首轮之后的第二轮次起的当前轮次中，确定多个样本关联图中的轮次样本关联图，并根据历史轮次的评估子模型、轮次样本关联图对应的样本节点特征和节点特征标签，得到当前轮次的评估子模型；历史轮次为在当前轮次之前的至少一个轮次；将下一轮次作为当前轮次，并返回至从首轮之后的第二轮次起的当前轮次中，确定多个样本关联图中的轮次样本关联图的步骤并继续执行，直至得到当前轮次的评估子模型；综合每个当前轮次各自对应的评估子模型，得到目标样本节点对应的风险评估模型。
[0119]
在一个实施例中，模型训练模块710，还用于确定历史轮次的评估子模型所输出的第一隐藏状态；通过轮次样本关联图对应的样本节点特征和第一隐藏状态，确定当前轮次的第二隐藏状态；通过第二隐藏状态，确定当前轮次的评估子模型的预测输出特征；根据预测输出特征与节点特征标签之间的差异，确定当前轮次的评估子模型对应的损失函数；通过损失函数对当前轮次的评估子模型中的模型参数进行更新，直到达到训练停止条件时停止，得到训练好的当前轮次的评估子模型。
[0120]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、
移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种语音音色转换方法。该计算机设备的显示屏可以是液晶显示屏或电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0121]
本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0122]
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0123]
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0124]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0125]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0126]
以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。