一种违约预测模型训练方法、违约预测方法及相关设备与流程

本发明涉及数据处理，特别是涉及一种违约预测模型训练方法、违约预测方法及相关设备。

背景技术：

1、随着企业或用户违约行为的不断增加，对企业或用户进行违约预测如今备受关注。目前进行违约预测的方法，预测准确度较低，因此，如何提高违约预测准确度是十分必要的。

技术实现思路

1、本发明实施例的目的在于提供一种违约预测模型训练方法、违约预测方法及相关设备，能够提高违约预测准确度。具体技术方案如下：

2、本发明提供了一种违约预测模型训练方法，包括：

3、基于用户违约知识图谱生成第一节点邻接矩阵和三元组；其中，所述第一节点邻接矩阵反映各用户之间的关联关系，所述三元组反映用户是否违约；

4、基于所述第一节点邻接矩阵确定与目标用户具有关联关系的用户的个数，将所述目标用户与确定的用户个数的总和作为第一基数特征；

5、对所述第一节点邻接矩阵进行卷积处理获得用户违约图谱结构信息，并将所述用户违约图谱结构信息与所述第一基数特征进行融合获得输出特征；

6、基于所述输出特征和所述三元组对图注意力网络模型进行训练，获得违约预测模型。

7、可选的，所述将所述用户违约图谱结构信息与所述第一基数特征进行融合获得输出特征，包括：

8、计算所述第一节点邻接矩阵中各节点的注意力系数；其中，所述注意力系数反映所述第一节点邻接矩阵中两节点之间的相关度；

9、对所述各节点的注意力系数进行归一化处理，获得归一化的注意力系数；

10、将所述归一化的注意力系数和所述第一基数特征的乘积作为所述用户违约图谱结构信息的权重；

11、基于所述用户违约图谱结构信息以及所述用户违约图谱结构信息的权重获得所述输出特征。

12、可选的，基于所述输出特征和所述三元组对图注意力网络模型进行训练，获得违约预测模型，包括：

13、将所述输出特征和所述三元组输入分类器，获得分类结果；

14、将所述分类结果输入损失函数获得损失值；

15、在所述损失值不满足训练条件时更新所述输出特征，然后返回步骤“将所述输出特征和所述三元组输入分类器，获得分类结果”；

16、在所述损失值满足训练条件时获得所述违约预测模型。

17、可选的，更新所述输出特征的方法，包括：

18、基于所述输出特征重新计算所述第一节点邻接矩阵中各节点的注意力系数，获得更新后的注意力系数；

19、对所述更新后的注意力系数进行归一化处理，获得更新后的归一化的注意力系数；

20、将所述更新后的归一化的注意力系数和所述第一基数特征的乘积作为所述用户违约图谱结构信息的更新权重；

21、基于所述用户违约图谱结构信息与和所述更新权重获得更新后的输出特征。

22、本发明还提供一种违约预测模型训练系统，其特征在于，包括：

23、用户违约知识图谱处理模块，用于基于用户违约知识图谱生成第一节点邻接矩阵和三元组；其中，所述第一节点邻接矩阵反映各用户之间的关联关系，所述三元组反映用户是否违约；

24、第一基数特征确定模块，用于基于所述第一节点邻接矩阵确定与目标用户具有关联关系的用户的个数，将所述目标用户与确定的用户个数的总和作为第一基数特征；

25、输出特征获得模块，用于对所述第一节点邻接矩阵进行卷积处理获得用户违约图谱结构信息，并将所述用户违约图谱结构信息与所述第一基数特征进行融合获得输出特征；

26、模型训练模块，用于基于所述输出特征和所述三元组对图注意力网络模型进行训练，获得违约预测模型。

27、本发明还提供一种违约预测方法，其特征在于，包括：

28、基于待预测用户信息生成预测用户知识图谱；

29、基于所述预测用户知识图谱生成第二节点邻接矩阵；其中，所述第二节点邻接矩阵反映与待预测用户具有关联关系的用户；

30、基于所述第二节点邻接矩阵确定与待预测用户具有关联关系的用户的个数，将所述待预测用户与确定的用户个数的总和作为第二基数特征；

31、对所述第二节点邻接矩阵进行卷积处理获得预测用户图谱结构信息，并将所述预测用户图谱结构信息与所述第二基数特征进行融合获得目标特征；

32、将所述目标特征输入违约预测模型，获得待预测用户违约预测结果；其中，所述违约预测模型采用如上所述的违约预测模型训练方法获得。

33、可选的，所述将所述预测用户图谱结构信息与所述第二基数特征进行融合获得目标特征，包括：

34、计算所述第二节点邻接矩阵中待预测用户节点的注意力系数；其中，所述待预测用户节点的注意力系数反映所述待预测用户节点与所述第二节点邻接矩阵中除所述待预测用户节点之外的其他节点之间的相关度；

35、对所述待预测用户节点的注意力系数进行归一化处理，将处理获得的归一化的注意力系数和所述第二基数特征的乘积作为所述预测用户图谱结构信息的权重；

36、基于所述预测用户图谱结构信息以及所述预测用户图谱结构信息的权重获得所述目标特征。

37、本发明还提供一种违约预测系统，其特征在于，包括：

38、知识图谱生成模块，用于基于待预测用户信息生成预测用户知识图谱；

39、预测用户知识图谱处理模块，用于基于所述预测用户知识图谱生成第二节点邻接矩阵；其中，所述第二节点邻接矩阵反映与待预测用户具有关联关系的用户；

40、第二基数特征确定模块，用于基于所述第二节点邻接矩阵确定与待预测用户具有关联关系的用户的个数，将所述待预测用户与确定的用户个数的总和作为第二基数特征；

41、目标特征获得模块，用于对所述第二节点邻接矩阵进行卷积处理获得预测用户图谱结构信息，并将所述预测用户图谱结构信息与所述第二基数特征进行融合获得目标特征；

42、违约预测模块，用于将所述目标特征输入违约预测模型，获得待预测用户违约预测结果；其中，所述违约预测模型采用如上所述的违约预测模型训练方法获得。

43、本发明还提供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程序，所述程序被处理器执行时实现上述的违约预测模型训练方法或上述的违约预测方法。

44、本发明还提供一种电子设备，包括：

45、至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；

46、所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述的违约预测模型训练方法或上述的违约预测方法。

47、本发明实施例提供的一种违约预测模型训练方法、违约预测方法及相关设备，基于用户违约知识图谱生成第一节点邻接矩阵和三元组；基于第一节点邻接矩阵确定与目标用户具有关联关系的用户的个数，将目标用户与确定的用户个数的总和作为第一基数特征；对第一节点邻接矩阵进行卷积处理获得用户违约图谱结构信息，并将用户违约图谱结构信息与第一基数特征进行融合获得输出特征；基于输出特征和三元组对图注意力网络模型进行训练，获得违约预测模型。本发明能够提高违约预测准确度。

48、当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。