CN112669143A - 基于关联网络的风险评估方法、装置、设备以及存储介质 - Google Patents

Abstract

本申请提供一种基于关联网络的风险评估方法、装置、设备以及存储介质，该方法通过获取目标节点在关联网络中的目标社区，该目标节点为待评估的目标对象在关联网络中对应的节点，目标社区由多个关联程度大于预设值的节点组成，并获取目标社区的社区特征，社区特征为基于目标社区中每个节点的特征确定的，再将社区特征和第一特征，输入风险评估模型，得到目标对象的风险评估结果，风险评估模型为基于神经网络模型训练得到的，第一特征为基于目标节点的n阶邻居节点的特征确定的，实现了对目标对象的风险进行全面、准确的评估。

Description

基于关联网络的风险评估方法、装置、设备以及存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种基于关联网络的风险评估方法、装置、设备以及存储介质。

背景技术

目前，常利用互联网和大数据对需要进行业务行为的用户进行风险评估，以避免该用户在进行业务行为时带来较大的风险。例如，一、通过分析用户的特征来识别用户的风险；二、或者在与用户具有关联关系的用户中存在风险大于预设值的用户时，确定该用户的风险大，在与用户具有关联关系的用户中不存在风险大于预设值的用户时，确定该用户的风险小。

然而，现有的风险评估方法均无法全面、准确的对用户的风险进行评估。

发明内容

本申请提供一种基于关联网络的风险评估方法、装置、设备以及存储介质，能够对目标对象的风险进行全面、准确的评估。

第一方面，本申请实施例提供一种基于关联网络的风险评估方法，该方法包括：

获取目标节点在关联网络中的目标社区，目标节点为待评估的目标对象在关联网络中对应的节点，目标社区由多个关联程度大于预设值的节点组成；

获取目标社区的社区特征，社区特征为基于目标社区中每个节点的特征确定的；

将社区特征和第一特征，输入风险评估模型，得到目标对象的风险评估结果，风险评估模型为基于神经网络模型训练得到的，第一特征为基于目标节点的n阶邻居节点的特征确定的，n≥1。

第二方面，本申请实施例提供一种风险评估装置，包括：

获取单元，用于获取目标节点在关联网络中的目标社区，目标节点为待评估的目标对象在关联网络中对应的节点，目标社区由多个关联程度大于预设值的节点组成；

获取单元还用于获取目标社区的社区特征，社区特征为基于目标社区中每个节点的特征确定的；

处理单元，用于将社区特征和第一特征，输入风险评估模型，得到目标对象的风险评估结果，风险评估模型为基于神经网络模型训练得到的，第一特征为基于目标节点的n阶邻居节点的特征确定的，n≥1。

第三方面，本申请实施例提供一种电子设备，包括：存储器和处理器；

存储器存储计算机执行指令；

处理器执行存储器存储的计算机执行指令，使得处理器执行第一方面或其各实施方式中的方法。

第四方面，本申请实施例提供一种存储介质，包括：可读存储介质和计算机程序，计算机程序用于实现第一方面或其各实现方式中的方法。

本申请实施例，通过图像识别模型，对输入的图像的定位信息和分类信息进行并行的识别，以得到识别结果，提高了处理效率，且具有共享权重的多任务学习机制的图像识别模型节省了存储空间，再根据识别结果对图像进行对应的图像处理操作，以确保图像中的目标对象能够被准确识别。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种关联网络的示意图；

图2为本申请实施例提供的一种网络子图的示意图；

图3为本申请实施例提供的一种社区示意图；

图4为本申请实施例提供的一种基于关联网络的风险评估方法400的流程示意图；

图5为本申请实施例提供的一种基于关联网络的风险评估方法500的流程示意图；

图6为本申请实施例提供的一种基于关联网络的风险评估方法600的流程示意图；

图7为本申请实施例提供的一种风险评估方法700的流程示意图；

图8为本申请实施例提供的一种风险评估装置800的结构示意图；

图9为本申请一实施例提供的电子设备900的硬件结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在各个领域中，均需要对用户(同下文中的目标对象)进行风险评估，以确定目标对象在进行业务行为时，是否会带来较大的风险，例如在不同的领域中，业务行为可以是交易、借贷、网络安全等领域中的行为。

为了能够更加全面的对目标对象进行风险评估，可借助与目标对象的具有关联关系的用户来进行判断，例如与目标对象直接关联的1阶邻居用户、与1阶邻居用户关联的(与目标对象间接关联的)2阶邻居用户。例如确定1阶邻居用户或者2阶邻居用户中是否存在黑名单用户，或者黑名单用户的数量是否大于预设值，在存在黑名单用户或者黑名单用户的数量大于预设值时，确定该目标对象的风险较大，然而，上述方案仅适用于识别和规避处于风险高的群体中的高风险目标对象，对于中等风险和较低风险的目标对象则无法识别。

因此，为了能够对目标对象进行全面且准确的风险识别，本申请的发明构思为：结合目标对象的特征或目标对象的邻居用户的特征，以及目标对象所在目标社区的社区特征，进行综合判断，以得到全面且准确的风险识别结果。

首先，对本申请实施例提到的技术术语进行说明。

关联网络：不同个体事物之间因为关联，形成的网络。关联网络包含两个基本要素：节点和边。

节点：关联网络中的顶点，对应生活中唯一的具体或者虚拟个体，结合图1所示，节点可以是用户、设备、公司、手机通话、账号、支付、移动热点(WIFI)等。

边：关联网络中顶点之间，因为某种关系形成的关联。比如用户拥有某个手机号，用户和手机号之间形成一条边。

在一些实施例中，可将用户作为节点，公司、手机通话、支付、WIFI等作为边，将属于同一公司的用户以公司为边建立关联关系，将支付方和被支付方以支付为边建立关联关系，将连接于同一WIFI的用户建立连接关系，或者公司也可作为用户为作为一个节点；在另一些实施例中，用户、公司、手机通话、支付、WIFI等均作为节点，对于非用户的节点可以不考虑其特征对目标对象的影响。

邻居节点：关联网络中通过边相连的节点互为邻居节点，通过1条边相连的节点互为1阶邻居节点，通过2条边相连的节点互为2阶邻居节点，通过k条边相连的节点互为k阶邻居节点。

社区：关联网络中根据节点之间关联程度，可以将节点划分到不同的社区，相同社区内的节点连接更为紧密。

图卷积：一种使用卷积运算来聚合邻居节点特征的方法

图注意力机制(graph attention network)：一种通过给邻居节点赋予不同权重来聚合邻居特征的神经网络学习方法。

图2为本申请实施例提供的一种网络子图的示意图。应理解，网络子图为关联网络的一部分，其包括目标对象在关联网络中对应的目标节点，以及目标节点的n阶邻居节点，应理解，邻居节点对应于除目标对象之外的其他邻居用户，如图2所示，目标节点20为目标对象在关联网络中对应的节点，1阶邻居节点21为与目标节点20直接关联的节点，2阶邻居节点22为与目标节点20通过1阶邻居节点21间接关联的节点。

图3为本申请实施例提供的一种社区示意图。如图3所示，关联网络30可依据节点间的关联程度划分为多个社区，例如社区31、社区32和社区33。其中，每个社区包括多个节点，包含目标节点的社区称作目标社区。

本申请实施例的技术方案可以应用于各种电子设备。该电子设备可以是一种终端设备，例如手机(Mobile Phone)、平板电脑(Pad)、电脑、终端设备可以是固定的或者移动的。或者，本申请实施例中的电子设备还可以是一种服务器。

下面通过几个实施例对本申请进行具体说明。

图4为本申请实施例提供的一种基于关联网络的风险评估方法400的流程示意图。

为了能够全面且准确的对目标对象进行风险评估，本申请实施例结合目标对象所在社区的社区特征和基于目标对象的n阶邻居节点确定的第一特征，通过风险评估模型，得到该目标对象的风险评估结果。

如图4所示，本申请实施例提供的基于关联网络的风险评估方法包括：

S401：获取目标节点在关联网络中的目标社区。

目标节点为待评估的目标对象在关联网络中对应的节点，目标社区由多个关联程度大于预设值的节点组成。

示例性的，可预先对关联网络进行分群，将关联网络中的多个节点进行划分，组成多个社区。包含目标节点的社区为目标社区。

若目标对象在关联网络中已经存在对应的目标节点，即目标节点不属于该关联网络，则获取该目标节点所在的目标社区；若目标对象在关联网络中不存在对应的目标节点，即目标节点不属于该关联网络，则创建目标节点，并根据该目标节点与它的1阶邻居节点之间的关联关系的权重，确定与目标节点关联程度最强的社区，作为目标社区。

S402：获取目标社区的社区特征。

社区特征为基于目标社区中每个节点的特征确定的。

该社区特征可以为多个评估维度上的特征，以信用借贷领域为例，社区特征可以包括社区内平均年龄、社区内平均收入、社区内逾期率、社区内最大年龄、社区内最大逾期金额，应理解，上述社区特征均可通过社区内各个节点的特征来确定。

S403：将社区特征和第一特征，输入风险评估模型，得到目标对象的风险评估结果。

风险评估模型为基于神经网络模型训练得到的，用于根据输入的社区特征和第一特征确定目标对象的风险评估结果。

第一特征为基于目标节点的n阶邻居节点的特征确定的，n≥1，n越大则数据覆盖越全面，准确性也越高，但是运算的复杂度和耗时也就越大，在实际应用场景中可综合处理速度和准确性对n的大小进行设定。

可选的，n等于2。

在本步骤中，为了提高评估结果的全面性和准确性，将上述步骤确定的社区特征和第一特征一同输入风险评估模型，得到目标对象的风险评估结果。

本申请实施例中，通过获取目标对象对应的目标社区，提取目标社区的社区特征，并将社区特征和第一特征输入风险评估模型，得到目标对象的风险评估结果，通过群体性的社区特征、紧密相关的邻居用户的特征一同对目标对象进行风险评估，提高了风险评估的准确性和全面性。

图5为本申请实施例提供的一种基于关联网络的风险评估方法500的流程示意图。

在上述实施例的基础上，当目标对象在关联网络中不存在对应的目标节点时，本申请实施例基于目标节点和目标节点的多个1阶邻居节点的关联关系的权重，确定所述目标社区。具体如图5所示：

S501：对包含至少一个1阶邻居节点的社区中的每个1阶邻居节点和目标节点的关联关系的权重求和，得到该社区与目标节点的权重。

S502：将权重的值最大的社区作为目标社区。

其中，与目标节点关联的至少一个1阶邻居节点被划分为一至多个社区中。

例如，目标节点A的1阶邻居节点包括A1至A6，A1属于社区1，A2至A4属于社区2，A5和A6属于社区3，目标节点A与A1至A6节点的关联关系的权重依次为1、2、3、4、5、6，则社区1与目标节点A的关联程度可以通过权重和1表示，社区2与目标节点A的关联程度可以通过权重和10表示，社区3与目标节点A的关联程度可以通过权重和11表示，由此，社区与目标节点的权重的值最大的社区为社区3，即社区3为目标社区。

示例性的，关联网络中的社区可以离线的方式进行预先划分，或者在确定目标社区时进行划分，本申请实施例对此不做限制。

可选的，社区划分一般有两种做法：1、根据关联网络结构直接寻找各节点关于群体的表示，比较好的算法有社区发现算法(例如Louvain算法、infomap算法等)；2、首先将关联网络做一次隐空间映射，然后寻找隐空间中各节点相似性，即嵌入聚类(Embedding+clustering)过程，比较好的embedding方法有随机游走(randomWalk)算法node2vec算法，structure2vec算法等。本发明系统不限定划分社区的算法，优选的，可使用Louvain算法进行社区划分，Louvain算法是基于模块度的自发式计算。模块度如公式1所示：

其中，m表示网络中边的数量，k为节点度数，A为邻接矩阵即节点i和节点j之间关联关系的权重，delta函数的参数c_i为节点i所在的社区，c_j为节点j所在的社区，若(i j)在一个社区则为1，否则为0。

社区划分的过程包括：

1、为每个节点定义1个社区，然后移动节点到邻居节点社区，并通过最大化改变量来决定节点合并到哪个邻居社区中，定义如下：

其中，k_i，in是节点i与要移入社区中所有节点之间边权重和，∑tot是节点i要移入的社区内所有节点的边的权重和，上式可以理解为括号内第一项k_i，in表示实际节点i与要移入社区之间的连接边数，第二项∑tot/m为其它节点与该社区连接一条边的概率，∑tot*k_i/m则为基于平均情况下节点i在度为k的情况下与该社区连接的边数，第一项若比第二项大则说明节点i与该社区连接程度超过平均预测，则加入到该社区，反之保持不变，即ΔQ＞0时，将节点合入要移入的社区。

2、在完成第一轮迭代后每个节点划分为特定社区中，接着把整个社区当成一个大节点，大节点相连构成新的图，各大节点之间的连接以及权重通过社区之间连接来决定，然后对新图重复1中过程做下一层次的社区划分，直至移入数量少于预设值，或者迭代的轮数达到预设次数时，结束社区划分过程。

图6为本申请实施例提供的一种基于关联网络的风险评估方法600的流程示意图。

在上述任一实施例的基础上，本申请实施例对如何获取第一特征提出如图6所述的实现方式。

S601：获取目标对象在关联网络中的网络子图。

网络子图包括与目标对象对应的目标节点以及目标节点的n阶邻居节点。

S602：基于n阶邻居节点，得到第一特征。

示例性的，第一特征包括邻居特征和/或图卷积特征，其中，邻居特征为目标节点的n阶邻居节点中每阶邻居节点在多个评估维度上的特征，图卷积特征为所述目标节点的n阶邻居节点通过图卷积得到的特征。

在第一特征包括邻居特征时，基于n阶邻居节点中每个邻居节点的特征，得到每阶邻居节点的特征。例如，获取每个邻居节点的特征，例如年龄、收入、是否逾期还款等等，进而根据每阶中各邻居节点的特征确定每阶邻居节点的特征，例如1阶邻居的平均年龄、1阶邻居的平均收入、1阶邻居逾期率、2阶邻居最大年龄、2阶邻居平均收入等等。

在第一特征包括图卷积特征时，基于网络子图，对n阶邻居节点进行图卷积，例如针对n-1阶邻居节点中的每个第n-1阶邻居节点，对该n-1阶邻居节点连接的至少一个第n阶邻居节点的特征进行卷积运算，得到第n-1阶邻居节点的图卷积特征，并将图卷积特征合入第n-1阶邻居节点的特征，再针对n-2阶邻居节点中的每个第n-2阶邻居节点，对该n-2阶邻居节点连接的至少一个第n-1阶邻居节点的特征(包括第n阶邻居节点映射至该n-1阶节点上的图卷积特征)进行卷积运算，得到第n-2阶邻居节点的图卷积特征，将该图卷积特征合入第n-2阶邻居节点的特征。重复上述过程，直至对目标节点连接的至少一个第1阶邻居节点的特征进行卷积运算，得到目标节点的图卷积特征。可选的，可将该图卷积特征与目标节点的特征合并作为最终的图卷积特征。

可选的，将目标节点的图卷积特征和目标节点在多个评估维度上的特征，输入卷积网络模型，得到图卷积风险分，将图卷积风险分作为最终的图卷积特征，卷积网络模型为预先基于神经网络模型训练得到的。

本申请实施例对图卷积特征的提取，提出以下可能的实现方式：

第n阶邻居通过卷积运算传递到第n-1阶邻居上，最后汇总到目标节点上，然后通过最后一层图卷积模型输出图卷积风险分。图卷积运算的方式可以是邻居节点无权重区别的各维度特征求平均即图神经网络(Graph convolution Network，GCN)，GCN中相邻两层信息传递如公式3所示

其中，A和D为邻接矩阵和度矩阵。H为每阶节点的特征矩阵，W为需要学习的参数矩阵，σ表示激活函数。

是归一化后邻接矩阵。归一化邻接矩阵左乘特征矩阵即为邻居的聚合过程，然后右乘W即为特征求和过程，最后再通过激活函数做非线性变换。多层卷积层串联可以获得多度的邻居聚合。最后一层即H⁽⁰⁾即是从1阶邻居传递来的特征，H⁽⁰⁾与目标节点的特征合并后输入最后顶层模型预测得到风险分。

图卷积运算的方式也可以是邻居节点有权重区别的各维度特征加权求和即图注意力网络(Graph Attention Network，GAT)，GAT在邻居聚合时给不同邻居节点赋不同权重即“注意力系数”(attention coefficient)，这样在邻居节点做完加权求和后吸收重要邻居节点的特征，减少了噪声影响。

注意力系数通过计算邻居节点与目标节点相似度得到，如公式4所示，式中e_ij是目标节点i和邻居节点j之间的相关性系数，

和

是特征向量，W是权重矩阵。a是注意力计算函数。

通常有两种注意力计算函数如下：

第一种是加法方式：e_ij＝LearkyRelu(q_i+k_j) (5)

其中，LearkyRelu为激活函数，qi用于表示

k_j用于表示

第二种是乘法方式：e_ij＝q_i·k_j (6)

e_ij得到了邻居节点j对目标节点i的贡献度。最后所有邻居节点的相关系数e做归一化得到最后的注意力系数，如式7所示：

其中，softmax为逻辑回归函数，N_i为i的邻居节点的集合。

GAT卷积时相邻两阶信息传递如下式(8)所示：

图7为本申请实施例提供的一种风险评估方法700的流程示意图。如图7所示，本申请实施例从数据源中提取节点和边构建关联网络，基于关联网络，获取目标节点的三种特征，第一种，从关联网络中获取目标节点的网络子图，并提取目标节点的邻居节点的特征，即邻居特征，第二种，从关联网络中获取目标节点的网络子图，并提取目标节点的图卷积特征，第三种，对关联网络进行社区划分，匹配目标节点所在的社区，并提取目标节点的社区特征，最后，将目标节点的邻居特征、图卷积特征和社区特征进行特征拼接，再将拼接后的特征输入风险评估模型，得到风险评估结果。

示例性的，输入风险评估模型的特征还可以是邻居特征、图卷积特征和社区特征中的任意一种，或任意两种组合。

图8为本申请实施例提供的一种风险评估装置800的结构示意图，如图8所示，该风险评估装置800包括：

获取单元810，用于获取目标节点在关联网络中的目标社区，所述目标节点为待评估的目标对象在所述关联网络中对应的节点，所述目标社区由多个关联程度大于预设值的节点组成；

所述获取单元810还用于获取所述目标社区的社区特征，所述社区特征为基于所述目标社区中每个节点的特征确定的；

处理单元820，用于将所述社区特征和第一特征，输入风险评估模型，得到所述目标对象的风险评估结果，所述风险评估模型为基于神经网络模型训练得到的，所述第一特征为基于所述目标节点的n阶邻居节点的特征确定的，n≥1。

本实施例提供的一种风险评估装置800包括获取单元810和处理单元820，通过获取目标对象对应的目标社区，提取目标社区的社区特征，并将社区特征和第一特征输入风险评估模型，得到目标对象的风险评估结果，通过群体性的社区特征、紧密相关的邻居用户的特征一同对目标对象进行风险评估，提高了风险评估的准确性和全面性。

在一种可能的设计中，获取单元810具体用于：

确定所述目标节点是否属于所述关联网络；

若所述目标节点属于所述关联网络，则获取包含所述目标节点的社区作为目标社区；

否则，基于所述目标节点和所述目标节点的多个1阶邻居节点的关联关系的权重，确定所述目标社区。

在一种可能的设计中，处理单元820具体用于：

对包含至少一个1阶邻居节点的社区中的每个1阶邻居节点和所述目标节点的关联关系的权重求和，得到所述社区与所述目标节点的权重；

将权重的值最大的社区作为所述目标社区。

在一种具体的实现方式中，获取单元810还用于：获取所述目标对象在所述关联网络中的网络子图，所述网络子图包括与所述目标对象对应的目标节点以及所述目标节点的n阶邻居节点；

处理单元820还用于基于所述n阶邻居节点，得到所述第一特征。

在一种具体的实现方式中，处理单元820具体用于：

基于所述n阶邻居节点中每个邻居节点的特征，得到每阶邻居节点的特征。

在一种具体的实现方式中，处理单元820具体用于：

对任一第n-1阶邻居节点连接的至少一个第n阶邻居节点的特征进行卷积运算，得到所述第n-1阶邻居节点的图卷积特征，并将所述图卷积特征合入所述第n-1阶邻居节点的特征；

重复上述过程，直至对所述目标节点连接的至少一个第1阶邻居节点的特征进行卷积运算，得到所述目标节点的图卷积特征。

在一种具体的实现方式中，处理单元820还用于：

将所述目标节点的图卷积特征和所述目标节点在多个评估维度上的特征，输入卷积网络模型，得到图卷积风险分，将所述图卷积风险分作为最终的图卷积特征，所述卷积网络模型为预先基于神经网络模型训练得到的。

本实施例提供的一种风险评估装置可用于实现上述任一实施例中的方法，其实现效果与方法实施例类似，此处不再赘述。

图9为本申请一实施例提供的电子设备900的硬件结构示意图。如图9所示，通常，电子设备900包括有：处理器910和存储器920。

处理器910可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器910可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器910也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器910可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器910还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器920可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器920还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器920中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器910所执行以实现本申请中方法实施例提供的方法。

可选地，如图9所示，电子设备900还可以包括收发器930，处理器910可以控制该收发器930与其他设备进行通信，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。

其中，收发器930可以包括发射机和接收机。收发器930还可以进一步包括天线，天线的数量可以为一个或多个。

可选地，该电子设备900可以实现本申请实施例的各个方法中的相应流程，为了简洁，在此不再赘述。

本领域技术人员可以理解，图9中示出的结构并不构成对电子设备900的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

本申请实施例还提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述实施例提供的方法。

本实施例中的计算机可读存储介质可以是计算机能够存取的任何可用介质，或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备，可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如SSD)等。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

本申请实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例提供的方法。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于关联网络的风险评估方法，其特征在于，所述方法包括：

获取目标节点在关联网络中的目标社区，所述目标节点为待评估的目标对象在所述关联网络中对应的节点，所述目标社区由多个关联程度大于预设值的节点组成；

获取所述目标社区的社区特征，所述社区特征为基于所述目标社区中每个节点的特征确定的；

将所述社区特征和第一特征，输入风险评估模型，得到所述目标对象的风险评估结果，所述风险评估模型为基于神经网络模型训练得到的，所述第一特征为基于所述目标节点的n阶邻居节点的特征确定的，n≥1。

2.根据权利要求1所述的方法，其特征在于，所述获取目标节点在关联网络中的目标社区，包括：

确定所述目标节点是否属于所述关联网络；

若所述目标节点属于所述关联网络，则获取包含所述目标节点的社区作为目标社区；

否则，基于所述目标节点和所述目标节点的多个1阶邻居节点的关联关系的权重，确定所述目标社区。

3.根据权利要求2所述的方法，其特征在于，所述基于所述目标节点和所述目标节点的多个1阶邻居节点的关联关系的权重，确定所述目标社区，包括：

对包含至少一个1阶邻居节点的社区中的每个1阶邻居节点和所述目标节点的关联关系的权重求和，得到所述社区与所述目标节点的权重；

将权重的值最大的社区作为所述目标社区。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：

获取所述目标对象在所述关联网络中的网络子图，所述网络子图包括与所述目标对象对应的目标节点以及所述目标节点的n阶邻居节点；

基于所述n阶邻居节点，得到所述第一特征。

5.根据权利要求4所述的方法，其特征在于，若所述第一特征包括邻居特征，所述邻居特征为所述目标节点的n阶邻居节点中每阶邻居节点在多个评估维度上的特征，则所述基于所述n阶邻居节点，得到所述第一特征，包括：

基于所述n阶邻居节点中每个邻居节点的特征，得到每阶邻居节点的特征。

6.根据权利要求4所述的方法，其特征在于，若所述第一特征包括图卷积特征，所述图卷积特征为所述目标节点的n阶邻居节点通过图卷积得到的特征，则所述基于所述n阶邻居节点，得到所述第一特征，包括：

对任一第n-1阶邻居节点连接的至少一个第n阶邻居节点的特征进行卷积运算，得到所述第n-1阶邻居节点的图卷积特征，并将所述图卷积特征合入所述第n-1阶邻居节点的特征；

重复上述过程，直至对所述目标节点连接的至少一个第1阶邻居节点的特征进行卷积运算，得到所述目标节点的图卷积特征。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

将所述目标节点的图卷积特征和所述目标节点在多个评估维度上的特征，输入卷积网络模型，得到图卷积风险分，将所述图卷积风险分作为最终的图卷积特征，所述卷积网络模型为预先基于神经网络模型训练得到的。

8.一种风险评估装置，其特征在于，包括：

获取单元，用于获取目标节点在关联网络中的目标社区，所述目标节点为待评估的目标对象在所述关联网络中对应的节点，所述目标社区由多个关联程度大于预设值的节点组成；

所述获取单元还用于获取所述目标社区的社区特征，所述社区特征为基于所述目标社区中每个节点的特征确定的；

处理单元，用于将所述社区特征和第一特征，输入风险评估模型，得到所述目标对象的风险评估结果，所述风险评估模型为基于神经网络模型训练得到的，所述第一特征为基于所述目标节点的n阶邻居节点的特征确定的，n≥1。

9.一种电子设备，其特征在于，包括：存储器和处理器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如权利要求1至7任一项所述的方法。

10.一种存储介质，其特征在于，包括：

可读存储介质和计算机程序，计算机程序用于实现如权利要求1至7任一项所述的方法。

Images