CN118096170A - 风险预测方法及装置、设备、存储介质和程序产品 - Google Patents

Abstract

本公开提供了一种风险预测方法，可以应用于大数据技术领域、云计算技术领域和金融科技技术领域。该风险预测方法包括：获取目标客户与M个历史交易对手之间的N组历史交易信息，以及获取目标客户在目标时间段内的目标交易信息，其中，N组历史交易信息对应于N个历史观察期；基于N组历史交易信息，生成目标客户与M个历史交易对手之间的交易类别信息；根据目标客户与M个历史交易对手之间的交易类别信息以及目标交易信息，生成目标客户的风险预测结果。本公开还提供了一种风险预测装置、设备、存储介质和程序产品。

Description

风险预测方法及装置、设备、存储介质和程序产品

技术领域

本公开涉及大数据技术领域、云计算技术领域和金融科技技术领域，更具体地涉及一种风险预测方法、装置、设备、介质和程序产品。

背景技术

在金融机构的各类业务中，客户交易风险预测对于金融机构至关重要，为了保证业务的安全进行，金融机构需要对客户质量进行风险甄别，以控制可能存在的交易风险。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题，目前对于客户交易风险的识别存在一些问题，如常规识别方法中，风险识别仅依赖于客户在某一时间段内的交易数据，未考虑客户的周期性交易特性，因此，风险识别的准确性较低，无法准确对客户质量进行甄别，会使金融机构面临较大的交易风险。

发明内容

鉴于上述问题，本公开提供了一种风险预测方法、装置、设备、介质和程序产品。

本公开的一个方面，提供了一种风险预测方法，包括：获取目标客户与M个历史交易对手之间的N组历史交易信息，以及获取目标客户在目标时间段内的目标交易信息，其中，N组历史交易信息对应于N个历史观察期；基于N组历史交易信息，生成目标客户与M个历史交易对手之间的交易类别信息；根据目标客户与M个历史交易对手之间的交易类别信息以及目标交易信息，生成目标客户的风险预测结果。

根据本公开的实施例，历史交易信息至少包括：目标客户与各历史交易对手的交易频次、交易量、交易时间；目标交易信息至少包括：目标客户在目标时间段内的交易对手总数量、交易总次数、交易总量。

根据本公开的实施例，基于N组历史交易信息，生成目标客户与M个历史交易对手之间的交易类别信息包括：基于N组历史交易信息，生成针对M个历史交易对手的M组交易时序信息；根据M组交易时序信息，生成目标客户与M个历史交易对手之间的交易类别信息。

根据本公开的实施例，各组交易时序信息包括基于N个历史观察期的N维时序特征向量；根据M组交易时序信息，生成目标客户与M个历史交易对手之间的交易类别信息包括：对N维时序特征向量进行数据处理，生成N维时序特征向量的数值分布规律；根据各组交易时序信息对应的N维时序特征向量的数值分布规律，生成目标客户与M个历史交易对手之间的交易类别信息。

根据本公开的实施例，对N维时序特征向量进行数据处理，生成N维时序特征向量的数值分布规律包括：基于N维时序特征向量进行曲线拟合，生成交易时序分布图；根据交易时序分布图的曲线形态，生成N维时序特征向量的数值分布规律。

根据本公开的实施例，根据目标客户与M个历史交易对手之间的交易类别信息以及目标交易信息，生成目标客户的风险预测结果包括：将交易类别信息与目标交易信息进行信息融合，得到融合交易信息；将融合交易信息输入风险识别网络，输出目标客户的风险预测结果。

根据本公开的实施例，将交易类别信息与目标交易信息进行信息融合，得到融合交易信息包括：确定交易类别信息对应的第一权重，以及确定目标交易信息对应的第二权重；基于第一权重和第二权重，将交易类别信息与目标交易信息进行加权融合，得到融合交易信息。

根据本公开的实施例，获取目标客户与M个历史交易对手之间的N组历史交易信息包括：从图数据库中读取与N个历史观察期对应的N个历史交易网络图；对N个历史交易网络图进行图嵌入处理，生成N组历史交易信息。

根据本公开的实施例，各个历史交易网络图包括由目标客户与M个历史交易对手组成的多个节点，其中，多个节点之间通过有向边进行连接，有向边的指向与目标客户与历史交易对手之间的交易流向对应，有向边的属性与目标客户与历史交易对手之间的交易量、交易频次和交易时间对应。

本公开的另一个方面提供了一种风险预测装置，包括获取模块，用于获取目标客户与M个历史交易对手之间的N组历史交易信息，以及获取目标客户在目标时间段内的目标交易信息，其中，N组历史交易信息对应于N个历史观察期；第一生成模块，用于基于N组历史交易信息，生成目标客户与M个历史交易对手之间的交易类别信息；第二生成模块，用于根据目标客户与M个历史交易对手之间的交易类别信息以及目标交易信息，生成目标客户的风险预测结果。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个计算机程序，其中，上述一个或多个处理器执行上述一个或多个计算机程序以实现上述方法的步骤。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有计算机程序或指令，上述计算机程序或指令被处理器执行时实现上述方法的步骤。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序或指令，上述计算机程序或指令被处理器执行时实现上述方法的步骤。

根据本公开提供的风险预测方法、装置、设备、介质和程序产品，根据目标客户与M个历史交易对手之间的交易类别信息以及目标交易信息，生成目标客户的风险预测结果，可以挖掘周期性交易数据间的数据分布特性，获取目标客户的历史交易规律，使风险预测结果可以综合更多客观维度的交易信息，从而提高了风险预测结果的准确性。因此，至少部分的解决了常规识别方法的准确性较低，无法对客户质量进行准确甄别，可能会使金融机构面临较大的交易风险的技术问题，实现了提高风险预测结果的准确度，降低金融机构面临的交易风险的技术效果。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的风险预测方法、装置、设备、介质和程序产品的应用场景图；

图2示意性示出了根据本公开实施例的风险预测方法的流程图；

图3示意性示出了根据本公开实施例的生成交易时序信息的示意图；

图4示意性示出了根据本公开实施例的输出目标客户的风险预测结果的示意图；

图5示意性示出了根据本公开实施例的风险预测装置的结构框图；以及

图6示意性示出了根据本公开实施例的适于实现风险预测方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

在本公开的技术方案中，所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息，例如位置信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均遵守相关法律法规和标准，采取了必要保密措施，不违背公序良俗，并提供有相应的操作入口，供用户选择授权或者拒绝。

在利用个人信息进行自动化决策的场景下，本公开实施例提供的方法、设备和系统均为用户提供相应的操作入口，供用户选择同意或者拒绝自动化决策结果；若用户选择拒绝，则进入专家决策流程。此处的表述“自动化决策”是指通过计算机程序自动分析、评估个人的行为习惯、兴趣爱好或者经济、健康、信用状况等，并进行决策的活动。此处的表述“专家决策”是指专门从事某一领域的工作、具有专门的经验、知识和技能并达到一定的专业水平的人员进行决策的活动。

需要说明的是，本公开实施例的风险预测方法及装置、电子设备和介质可以应用于大数据技术领域、云计算技术领域和金融科技技术领域，也可用于除大数据技术领域、云计算技术领域和金融科技技术领域之外的任意领域，本公开的实施例对上述基于风险预测方法及装置、电子设备和介质的应用领域不做限定。

本公开的实施例提供了一种风险预测方法，包括：获取目标客户与M个历史交易对手之间的N组历史交易信息，以及获取目标客户在目标时间段内的目标交易信息，其中，N组历史交易信息对应于N个历史观察期；基于N组历史交易信息，生成目标客户与M个历史交易对手之间的交易类别信息；根据目标客户与M个历史交易对手之间的交易类别信息以及目标交易信息，生成目标客户的风险预测结果。

图1示意性示出了根据本公开实施例的风险预测方法的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103，网络104、服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互，以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

在本公开实施例的应用场景下，用户可以通过第一终端设备101、第二终端设备102、第三终端设备103进行风险预测操作。响应于上述操作，服务器105可用于执行本公开实施例的风险预测方法，包括：获取目标客户与M个历史交易对手之间的N组历史交易信息，以及获取目标客户在目标时间段内的目标交易信息，其中，N组历史交易信息对应于N个历史观察期；基于N组历史交易信息，生成目标客户与M个历史交易对手之间的交易类别信息；根据目标客户与M个历史交易对手之间的交易类别信息以及目标交易信息，生成目标客户的风险预测结果。

需要说明的是，本公开实施例所提供的风险预测方法一般可以由服务器105执行。相应地，本公开实施例所提供的风险预测装置一般可以设置于服务器105中。本公开实施例所提供的风险预测方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的风险预测装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

以下将基于图1描述的场景，通过图2～图6对本公开实施例的风险预测方法进行详细描述。

图2示意性示出了根据本公开实施例的风险预测方法的流程图。

如图2所示，该实施例的风险预测方法包括操作S210～操作S230。

在操作S210，获取目标客户与M个历史交易对手之间的N组历史交易信息，以及获取目标客户在目标时间段内的目标交易信息，其中，N组历史交易信息对应于N个历史观察期，N和M为正整数；

在操作S220，基于N组历史交易信息，生成目标客户与M个历史交易对手之间的交易类别信息；

在操作S230，根据目标客户与M个历史交易对手之间的交易类别信息以及目标交易信息，生成目标客户的风险预测结果。

根据本公开的实施例，上述风险预测方法可以应用在金融机构预测客户交易风险的应用场景中，例如：为了保证业务的安全进行，金融机构需要预测客户交易风险，例如某客户经常涉及高风险交易，则可以预测该客户为高风险客户。在常规风险预测方法中，仅依赖于客户在某一时间段内的交易数据预测客户交易风险，未考虑客户的周期性交易特性。例如，仅基于客户在当前月的交易数据判断该客户是否为高风险交易客户，但是并未考虑过去一年内该客户的交易规律对交易风险预测结果的影响。为了提高客户交易风险预测的准确度，可以将客户在当前阶段的交易信息与客户的历史周期性交易信息结合，从而进行风险预测处理。

根据本公开的实施例，在操作S210中，目标客户可以是风险预测的对象。例如，金融机构需要对客户A进行交易风险预测，则客户A为目标客户。

目标时间段可以是需要进行风险预测的当前时间段。例如需要在XX年12月对某客户进行风险预测，则目标时间段为XX年12月。

目标交易信息至少包括：目标客户在目标时间段内的交易对手总数量、交易总次数、交易总量。交易对手可以是在目标时间段与目标客户发生过交易的客户。例如：客户A在XX年12月向客户B分别转账1万元、2万元，还向客户C转账2万元，则目标客户为客户A，交易对手包括客户B、客户C。目标交易信息包括：目标客户A在XX年12月的交易对手总数量为2、交易总次数为3、交易总量为5万元。

根据本公开的实施例，历史观察期可以由用户预先设置。例如可以分别统计在过去一年内(1月-12月)，目标客户在每个月的交易信息，因此1月-12月分别对应1个历史观察期，N为12。

历史交易对手可以是在N个历史观察期内，曾与目标客户发生过交易的客户。例如在过去1年内，目标客户A曾向客户B转账，还曾接收过客户C的转账，则客户B、客户C均为目标客户A的历史交易对手，M为2。

根据本公开的实施例，每一个历史观察期可以对应一组历史交易信息。历史交易信息至少包括：目标客户与各历史交易对手的交易频次、交易量、交易时间。例如，在1月1日，目标客户A向客户B转账1万元；在1月15日，又向客户B转账2万元；在1月16日，向客户C转账1万元。则历史观察期(1月)可以对应1组历史交易信息，该历史交易信息包括：目标客户A与历史交易对手客户B的交易频次为2、交易时间为1月1日、1月15日，对应的交易量为1万元、2万元；目标客户A与历史交易对手客户C的交易频次为1、交易时间为1月16日，对应的交易量为1万元。

在本公开的实施例中，在获取用户的信息之前，可以获得用户的同意或授权。例如，在操作S210之前，可以向用户发出获取用户信息的请求。在用户同意或授权可以获取用户信息的情况下，执行操作S210。

根据本公开的实施例，在操作S220中，交易类别信息可以包括高风险交易、中风险交易、低风险交易。一个历史交易对手可以对应一组交易类别信息。

例如：在过去1年内(1月-12月)，目标客户A每个月均向客户B转账多次，且每次转账的数额较大，则目标客户A与客户B之间的交易存在风险的概率较大，因此目标客户A与客户B之间的交易类别信息为高风险交易。

在过去1年内(1月-12月)，目标客户A与客户C仅发生过1次交易，则目标客户A与客户C之间的交易存在风险的概率较小，因此目标客户A与客户C之间的交易类别信息为低风险交易。

根据本公开的实施例，在操作S220之前，还可以对目标交易信息和历史交易信息进行数据清洗。通过数据清洗，可以过滤目标交易信息和历史交易信息中的缺失值、异常值和重复数据，以确保目标交易信息和历史交易信息的质量。

根据本公开的实施例，在操作S230中，分别统计目标客户与M个历史交易对手之间的交易类别信息，基于上述M个交易类别信息和目标交易信息可以生成目标客户的风险预测结果。

根据本公开的实施例，风险预测结果可以包括：标客户为风险的概率；或者，风险预测结果也可以以类别结果形式呈现，包括：目标客户为高风险客户；或目标客户为中等风险客户；或目标客户为低风险客户。

例如：在过去1年内(1月-12月)，目标客户A与客户B、客户C之间的交易类别信息均为高风险交易。目标客户A在当前月的目标交易信息包括：目标客户A的交易对手总数量为1、交易总次数为5、交易量为5万元。基于上述2组交易类别信息和目标交易信息，可以生成针对目标客户A的风险预测结果，风险预测结果为目标客户A为高风险客户。

在本公开的实施例中，可以为用户提供相应的操作入口，供用户选择同意或者拒绝自动化决策结果。即，在对用户信息进行风险预测处理/决策之前，可以获得用户通过相应的操作入口输入的同意或拒绝进行处理/决策的指令。如果用户同意进行处理/决策，则对用户信息进行风险预测处理/决策，即执行步骤S230。如果用户拒绝进行处理/决策，则进入专家决策流程。

根据本公开的实施例，目标客户与M个历史交易对手之间的交易类别信息可以反映客户在历史观察期内的周期性交易特性。根据目标客户与M个历史交易对手之间的交易类别信息以及目标交易信息，生成目标客户的风险预测结果，可以挖掘目标客户的周期性交易数据间的数据分布特性，充分考虑目标客户的历史交易规律对风险预测结果的影响，使风险预测结果可以综合更多客观维度的交易信息，从而提高风险预测结果的准确性。

根据本公开的实施例，基于N组历史交易信息，生成目标客户与M个历史交易对手之间的交易类别信息包括：

基于N组历史交易信息，生成针对M个历史交易对手的M组交易时序信息；

根据M组交易时序信息，生成目标客户与M个历史交易对手之间的交易类别信息。

根据本公开的实施例，每组交易时序信息包括基于N个历史观察期的N维时序特征向量。

根据本公开的实施例，可以利用图嵌入算法分别提取针对每个历史交易对手的交易时序信息。交易时序信息可以如下式(1)所示：

其中，X^(t)为一个时序特征向量，x_i ^(t)对应于第i个历史观察期的交易时序信息的数值。

例如，1月-12月分别对应1个历史观察期。在1月-12月内，目标客户A分别与客户B、客户C产生过交易。统计目标客户A在每个月的交易时序信息的数值x₁ ^(t)、x₂ ^(t)…x₁₂ ^(t)，基于1月-12月的交易时序信息的数值生成目标客户A与客户B的时序特征向量，以及目标客户A与客户C的时序特征向量。

其中，x₁ ^(t)可以表示在第1个历史观察期，目标客户与历史交易对手之间的交易频次、交易量、交易时间；x_i ^(t)可以表示在第i个历史观察期，目标客户与历史交易对手之间的交易频次、交易量、交易时间。

图3示意性示出了根据本公开实施例的生成交易时序信息的示意图。

如图3所示，该实施例的生成交易时序信息的流程具体可以是：

将目标客户的交易历史划分为不同的时间步。将每个时间窗口视为一个历史观察周期(例如，一个月)，在每个历史观察周期内构建交易图，并生成在不同时间窗口的图嵌入向量。可使用图嵌入算法生成嵌入向量。

为每个时间窗口重复上述过程，包括图的构建、随机游走等过程。对于每个时间窗口，都会得到一组节点嵌入向量，这些向量反映了节点在该时间窗口内的特征。

在节点上，需要将多个时间窗口的嵌入向量整合为一个特征向量，以综合考虑节点的当前特征和不同时间窗口的时序信息。

根据本公开的实施例，上述操作中，基于历史交易信息生成交易时序信息，可以是基于同一客户的某一账户的交易数据生成交易时序信息，也可以是基于同一客户的多个账户的交易数据生成交易时序信息。

在基于同一客户的多个账户的交易数据生成交易时序信息的情况下，具体地，对于第i个历史观察期，可以将多个账号的交易时序信息的数值融合，生成目标客户在第i个历史观察期的交易时序信息的数值，如式(2)所示：

v_m为目标客户的第m个账号的交易时序信息的数值。例如：v₁可以表示在第1个历史观察期，针对第一个账号，目标客户与历史交易对手之间的交易频次、交易量、交易时间；v_m可以表示在第1个历史观察期，针对第m个账号，目标客户与历史交易对手之间的交易频次、交易量、交易时间。

根据本公开的实施例，通过图嵌入算法可以更细地捕捉目标客户与历史交易对手之间的时序信息，挖掘历史交易信息中的历史交易规律，从而深入理解目标客户的交易历史行为和模式。

根据本公开的实施例，根据M组交易时序信息，生成目标客户与M个历史交易对手之间的交易类别信息包括：

对N维时序特征向量进行数据处理，生成N维时序特征向量的数值分布规律；

根据各组交易时序信息对应的N维时序特征向量的数值分布规律，生成目标客户与M个历史交易对手之间的交易类别信息。

根据本公开的实施例，数值分布规律可以表征在N个历史观察期内，目标客户与每个历史交易对手之间的交易规律。例如：在过去1年内，目标客户A在每个月中旬均向客户B转账，且转账金额固定，则数值分布规律可以为固定波动；也可以是目标客户A每个月均向客户C多次转账，且转账金额较大，则数值分布规律可以为密集抖动；也可以是目标客户A仅在某个月向客户D转账一次，且转账金额较小，则数值分布规律可以为无序离散。

根据本公开的实施例，基于目标客户时序信息的数值分布规律，可以分别生成目标客户与每个历史交易对手之间的交易类别信息。例如：目标客户A对应的数值分布规律呈现固定波动，通常情况下认为目标客户A与客户B之间的交易类别信息为中风险交易(该类交易有可能是风险交易，如定期向问题账户转账的场景；也有可能是正常交易，如按揭还贷的场景)；也可以是目标客户A对应的数值分布规律呈现密集抖动，通常情况下认为目标客户A与客户C之间的交易类别信息为高风险交易；也可以是目标客户A对应的数值分布规律呈现无序离散，通常情况下认为目标客户A与客户D之间的交易类别信息为低风险交易。除上述示例外，客户时序信息的数值分布规律还可以是可能的其他分布规律类别，在此不做限定。

根据本公开的实施例，具体地，对N维时序特征向量进行数据处理，生成N维时序特征向量的数值分布规律包括：

操作11、基于N维时序特征向量进行曲线拟合，生成交易时序分布图；

操作12、根据交易时序分布图的曲线形态，生成N维时序特征向量的数值分布规律。

根据本公开的实施例，交易时序分布图的曲线形态可以包括：固定波动型、密集抖动型、无序离散型。

例如：在过去1年内，目标客户A在每个月中旬均向客户B转账一次，则曲线形态可以为固定波动型；目标客户A每个月均向客户C多次转账，则曲线形态可以为密集抖动型；目标客户A仅与客户D产生过一次交易，则曲线形态可以为无序离散型。

根据本公开的实施例，通过曲线拟合生成交易时序分布图，并根据交易时序分布图的曲线形态生成数值分布规律，可以直观展现在历史观察期内目标客户与历史交易对手之间的交易规律，便于后续确定目标客户与历史交易对手之间的交易类别信息。

根据本公开的实施例，根据目标客户与M个历史交易对手之间的交易类别信息以及目标交易信息，生成目标客户的风险预测结果包括：

将交易类别信息与目标交易信息进行信息融合，得到融合交易信息；

将融合交易信息输入风险识别网络，输出目标客户的风险预测结果。

图4示意性示出了根据本公开实施例的输出目标客户的风险预测结果的示意图。

根据本公开的实施例，风险识别网络可以是图卷积神经网络(GCN)。

图卷积神经网络是一种多层神经网络，通过节点之间信息的传递来描述图的特征，每一层的GCN都会更新节点的信息。图卷积神经网络可以通过下式(3)完成：

H^(l+1)＝σ(D^-1/2AD^-1/2H^(l)W^(l)) (3)

其中：H^(l)是第l层的节点特征矩阵，A是邻接矩阵，表示客户之间的交易关系，D是度矩阵，W^(l)是第l层的权重矩阵，σ是激活函数。

在图卷积神经网络的每个隐藏层中，通过聚合节点的邻居信息，节点的特征向量将得到更新。信息在网络中逐层传播，以捕获图的全局特征。在图卷积神经网络中通过多层卷积操作和信息传播对节点特征进行更新后，可以将最终的节点特征矩阵映射为风险验证的概率分数。

在图卷积神经网络的每个隐藏层，通过将时序信息与节点特征进行拼接，使客户的时序信息向量与其当前特征向量相融合，以考虑时序信息，如下式(4)所示：

其中：是第l+1层的节点特征，A是邻接矩阵，D是度矩阵，W^(l)是权重矩阵，σ是激活函数。上述公式考虑了客户节点之间的交易关系，同时综合了节点特征和融合后的时序信息。最后，通过一个全连接层，将输入特征通过线性变换和激活函数的激活得到一个概率分数，作为客户的风险验证分数。

在监督学习中，可以使用二分类交叉熵损失函数，并将预测风险与实际风险标签相比较。二分类交叉熵损失函数如下式(5)所示：

其中，L是损失函数。N是样本数量。y_i是实际的违约标签(0或1)。p_i是模型预测的风险验证概率。

在满足合规性和用户隐私要求的前提下，训练好的模型可以部署到生产环境中，用于实时的风险预测。此外，还需要建立模型性能的监控机制，以确保风险识别网络可以适应不断更新的数据。

根据本公开的实施例，可以将融合交易数据分割为训练集和测试集，以便进行风险识别网络训练和评估。

根据本公开的实施例，基于交易类别信息与目标交易信息得到融合交易信息，将融合交易信息输入风险识别网络得到风险预测结果，可以在图卷积神经网络中引入时间维度，以便更有效地对客户的历史交易行为和时序模式进行建模。本公开可以求解目标客户的交易类别信息、目标交易信息与目标客户的风险预测结果之间的非线性关系，能够更准确地得到目标客户的风险预测结果、提高金融机构风险管理效率。

根据本公开的实施例，具体地，将交易类别信息与目标交易信息进行信息融合，得到融合交易信息包括：

确定交易类别信息对应的第一权重，以及确定目标交易信息对应的第二权重；

基于第一权重和第二权重，将交易类别信息与目标交易信息进行加权融合，得到融合交易信息。

根据本公开的实施例，第一权重、第二权重可以由用户预先设定。

根据本公开的实施例，可以通过加权融合的方式，得到融合交易信息，具体如公式(6)所示：

其中，表示目标客户i在第l层的融合交易信息，/>是客户i的目标交易信息，α是融合的权重，S_i表示客户i的交易类别信息。

根据本公开的实施例，获取目标客户与M个历史交易对手之间的N组历史交易信息包括：

操作21，从图数据库中读取与N个历史观察期对应的N个历史交易网络图；

操作22，对N个历史交易网络图进行图嵌入处理，生成N组历史交易信息。

根据本公开的实施例，在操作21，图数据库可以用于存储目标客户对应的各历史观察期的历史交易网络图。

根据本公开的实施例，历史交易网络图可以用于表征目标客户与历史交易对手之间的交易量、交易频次、交易时间等信息。

根据本公开的实施例，在操作22，对N个历史交易网络图进行图嵌入处理，可以提取目标客户与历史交易对手之间的交易量、交易频次和交易时间，从而生成N组历史交易信息。

根据本公开的实施例，具体地，各个历史交易网络图包括由目标客户与M个历史交易对手组成的多个节点，其中，多个节点之间通过有向边进行连接，有向边的指向与目标客户与历史交易对手之间的交易流向对应，有向边的属性与目标客户与历史交易对手之间的交易量、交易频次和交易时间对应。

例如，在某一历史观察期，目标客户A与12月1日向客户B转账1万元，又于12月5日向客户B转账2万元，还于12月10日向客户C转账3万元。则该历史观察期的历史交易网络图包括由目标客户A、客户B、客户C组成的节点。

其中，目标客户A节点与客户B节点之间通过有向边连接，有向边指向客户B，有向边的属性与目标客户A与客户B之间的交易量、交易频次和交易时间对应，其中，目标客户A与客户B之间的交易量为3万元，交易频次为2，交易时间为12月1日、12月5日。

目标客户A节点还与客户C节点之间通过有向边连接，有向边指向客户C，有向边的属性与目标客户A与客户C之间的交易量、交易频次和交易时间对应，其中，目标客户A与客户C之间的交易量为3万元，交易频次为1，交易时间为12月10日。

根据本公开的实施例，当历史交易网络图过大时，可以按照区域或城市信息等构建子网络，并分析子网络。例如，某历史交易网络图中的历史交易对手节点包括：客户B节点、客户C节点、客户D节点。其中，客户B、客户C所在城市为XX市，客户D所在城市为xx市。可以根据构建历史交易对手所在城市构建子网络，子网络1可以由目标客户A节点与客户B节点、客户C节点构成，子网络2可以由目标客户A节点与客户D节点构成。

根据本公开的实施例，通过对历史交易网络图进行图嵌入处理，可以高效、准确提取历史交易信息。

基于上述风险预测方法，本公开还提供了一种风险预测装置。以下将结合图5对该装置进行详细描述。

图5示意性示出了根据本公开实施例的风险预测装置的结构框图。

如图5所示，该实施例的风险预测装置500包括获取模块510、第一生成模块520和第二生成模块530。

获取模块510用于获取目标客户与M个历史交易对手之间的N组历史交易信息，以及获取目标客户在目标时间段内的目标交易信息，其中，N组历史交易信息对应于N个历史观察期。在一实施例中，获取模块510可以用于执行前文描述的操作S210，在此不再赘述。

第一生成模块520用于基于N组历史交易信息，生成目标客户与M个历史交易对手之间的交易类别信息。在一实施例中，第一生成模块520可以用于执行前文描述的操作S220，在此不再赘述。

第二生成模块530用于根据目标客户与M个历史交易对手之间的交易类别信息以及目标交易信息，生成目标客户的风险预测结果。在一实施例中，第二生成模块530可以用于执行前文描述的操作S230，在此不再赘述。

根据本公开的实施例，第一生成模块包括第一生成子模块以及第二生成子模块。

第一生成子模块用于基于N组历史交易信息，生成针对M个历史交易对手的M组交易时序信息。第二生成子模块用于根据M组交易时序信息，生成目标客户与M个历史交易对手之间的交易类别信息。

根据本公开的实施例，第二生成子模块包括第一生成单元以及第二生成单元。

第一生成单元用于对N维时序特征向量进行数据处理，生成N维时序特征向量的数值分布规律。第二生成单元用于根据各组交易时序信息对应的N维时序特征向量的数值分布规律，生成目标客户与M个历史交易对手之间的交易类别信息。

根据本公开的实施例，第一生成单元包括第一生成子单元以及第二生成子单元。

第一生成子单元用于基于N维时序特征向量进行曲线拟合，生成交易时序分布图。第二生成子单元根据交易时序分布图的曲线形态，生成N维时序特征向量的数值分布规律。

根据本公开的实施例，第二生成模块包括融合子模块以及输入子模块。

融合子模块用于将交易类别信息与目标交易信息进行信息融合，得到融合交易信息。输入子模块用于将融合交易信息输入风险识别网络，输出目标客户的风险预测结果。

根据本公开的实施例，融合子模块包括确定单元以及融合单元。

确定单元用于确定交易类别信息对应的第一权重，以及确定目标交易信息对应的第二权重。融合单元用于基于第一权重和第二权重，将交易类别信息与目标交易信息进行加权融合，得到融合交易信息。

根据本公开的实施例，获取模块包括读取子模块以及处理子模块。

读取子模块用于从图数据库中读取与N个历史观察期对应的N个历史交易网络图。处理子模块用于对N个历史交易网络图进行图嵌入处理，生成N组历史交易信息。

根据本公开的实施例，获取模块510、第一生成模块520和第二生成模块530中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块510、第一生成模块520和第二生成模块530中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块510、第一生成模块520和第二生成模块530中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图6示意性示出了根据本公开实施例的适于实现风险预测方法的电子设备的方框图。

如图6所示，根据本公开实施例的电子设备600包括处理器601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 603中，存储有电子设备600操作所需的各种程序和数据。处理器601、ROM602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，程序也可以存储在除ROM602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备600还可以包括输入/输出(I/O)接口605，输入/输出(I/O)接口605也连接至总线604。电子设备600还可以包括连接至输入/输出(I/O)接口605的以下部件中的一项或多项：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至输入/输出(I/O)接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的风险预测方法。

在该计算机程序被处理器601执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分606被下载和安装，和/或从可拆卸介质611被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分606从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (13)

1.一种风险预测方法，其特征在于，所述方法包括：

获取目标客户与M个历史交易对手之间的N组历史交易信息，以及获取所述目标客户在目标时间段内的目标交易信息，其中，所述N组历史交易信息对应于N个历史观察期；

基于所述N组历史交易信息，生成所述目标客户与所述M个历史交易对手之间的交易类别信息；

根据所述目标客户与所述M个历史交易对手之间的交易类别信息以及所述目标交易信息，生成所述目标客户的风险预测结果。

2.根据权利要求1所述的方法，其特征在于：

所述历史交易信息至少包括：所述目标客户与各所述历史交易对手的交易频次、交易量、交易时间；

所述目标交易信息至少包括：所述目标客户在所述目标时间段内的交易对手总数量、交易总次数、交易总量。

3.根据权利要求1或2所述的方法，其特征在于，基于所述N组历史交易信息，生成所述目标客户与所述M个历史交易对手之间的交易类别信息包括：

基于所述N组历史交易信息，生成针对M个历史交易对手的M组交易时序信息；

根据所述M组交易时序信息，生成所述目标客户与所述M个历史交易对手之间的交易类别信息。

4.根据权利要求3所述的方法，其特征在于，各组所述交易时序信息包括基于N个历史观察期的N维时序特征向量；

根据所述M组交易时序信息，生成所述目标客户与所述M个历史交易对手之间的交易类别信息包括：

对所述N维时序特征向量进行数据处理，生成所述N维时序特征向量的数值分布规律；

根据各组所述交易时序信息对应的所述N维时序特征向量的数值分布规律，生成所述目标客户与所述M个历史交易对手之间的交易类别信息。

5.根据权利要求4所述的方法，其特征在于，对所述N维时序特征向量进行数据处理，生成所述N维时序特征向量的数值分布规律包括：

基于所述N维时序特征向量进行曲线拟合，生成交易时序分布图；

根据所述交易时序分布图的曲线形态，生成所述N维时序特征向量的数值分布规律。

6.根据权利要求1-5任一项所述的方法，其特征在于，根据所述目标客户与所述M个历史交易对手之间的交易类别信息以及所述目标交易信息，生成所述目标客户的风险预测结果包括：

将所述交易类别信息与所述目标交易信息进行信息融合，得到融合交易信息；

将所述融合交易信息输入风险识别网络，输出所述目标客户的风险预测结果。

7.根据权利要求6所述的方法，其特征在于，将所述交易类别信息与所述目标交易信息进行信息融合，得到融合交易信息包括：

确定所述交易类别信息对应的第一权重，以及确定所述目标交易信息对应的第二权重；

基于所述第一权重和所述第二权重，将所述交易类别信息与所述目标交易信息进行加权融合，得到融合交易信息。

8.根据权利要求1所述的方法，其特征在于，获取目标客户与M个历史交易对手之间的N组历史交易信息包括：

从图数据库中读取与所述N个历史观察期对应的N个历史交易网络图；

对所述N个历史交易网络图进行图嵌入处理，生成所述N组历史交易信息。

9.根据权利要求8所述的方法，其特征在于：

各个所述历史交易网络图包括由所述目标客户与所述M个历史交易对手组成的多个节点，其中，所述多个节点之间通过有向边进行连接，所述有向边的指向与所述目标客户与所述历史交易对手之间的交易流向对应，所述有向边的属性与所述目标客户与所述历史交易对手之间的交易量、交易频次和交易时间对应。

10.一种风险预测装置，其特征在于，所述装置包括：

获取模块，用于获取目标客户与M个历史交易对手之间的N组历史交易信息，以及获取所述目标客户在目标时间段内的目标交易信息，其中，所述N组历史交易信息对应于N个历史观察期；

第一生成模块，用于基于所述N组历史交易信息，生成所述目标客户与所述M个历史交易对手之间的交易类别信息；

第二生成模块，用于根据所述目标客户与所述M个历史交易对手之间的交易类别信息以及所述目标交易信息，生成所述目标客户的风险预测结果。

11.一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个计算机程序，

其特征在于，所述一个或多个处理器执行所述一个或多个计算机程序以实现根据权利要求1～9中任一项所述方法的步骤。

12.一种计算机可读存储介质，其上存储有计算机程序或指令，其特征在于，该计算机程序或指令被处理器执行时实现根据权利要求1～9中任一项所述方法的步骤。

13.一种计算机程序产品，包括计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时实现根据权利要求1～9中任一项所述方法的步骤。