CN112651573A - 一种基于深度学习的风险预测方法和装置 - Google Patents
一种基于深度学习的风险预测方法和装置 Download PDFInfo
- Publication number
- CN112651573A CN112651573A CN202011639556.7A CN202011639556A CN112651573A CN 112651573 A CN112651573 A CN 112651573A CN 202011639556 A CN202011639556 A CN 202011639556A CN 112651573 A CN112651573 A CN 112651573A
- Authority
- CN
- China
- Prior art keywords
- behavior
- prediction
- behaviors
- association
- topology
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Technology Law (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的风险预测方法和装置,本发明将行为的关系组织为关联拓扑,进而基于关联拓扑实现行为的传导预测,即利用彼此关联的一系列行为的传导实现对下阶段行为的预测,形成行为轨迹预测向量;进而,基于深度学习的机制,训练风险评估模型建立行为轨迹预测向量与风险评级的关系,从而能够根据下阶段的行为轨迹预测向量,实现下阶段的风险评级预测。从而,本发明针对主体的行为具有更为全面的分析和风险预测机制,提高预测机制的适用性,并且运用深度学习机制,建立了对风险的高准确性的预测。
Description
技术领域
本发明涉及行为预测技术领域,具体是一种基于深度学习的风险预测方法和装置。
背景技术
在任何应用场景下,对风险的感知、预测和防范都是一个重要的方面。在应对风险方面,众多的应用场景都是基于主体的行为轨迹来进行风险预测的。例如,在电子商务和金融评估中,基于主体的交易历史和违约记录来分析当前交易或者信贷的违约风险,在交通出行中基于主体的行为轨迹来分析后续的交通进程安全性,等等。
目前,如何能提升风险预测的精准性,是一个难题。现有技术中通过主体行为轨迹历史数据的概率统计来进行风险的预测,这样实质上只是汇总历史结果来预测未来,无法充分反映主体的主客观因素实时变化所施加的影响。另外,根据行为轨迹中各个行为的发生时序等因素,其对下一阶段风险的影响程度也是不一样的,现有技术中却难以进行对各个行为与下阶段风险关系的影响程度纳入考虑。
因此,如何基于主体的行为轨迹,对下阶段对风险进行精准预测,降低预测机制算法的复杂度,提高预测机制的适用性是本领域技术人员亟待解决的问题。
发明内容
鉴于上述问题,本发明的目的是为了解决现有技术中提出的风险预测准确性不高、依赖简单统计、对主体时序因素与风险的复杂关系难以有效反映和分析的技术问题。
本发明实施例提供一种基于深度学习的风险预测方法,包括:
S101、构建主体的行为轨迹集合,根据所述行为轨迹集合中的行为建立关联拓扑,并利用行为的行为状态与所述关联拓扑生成行为的传导预测;
S102、根据所述行为状态和所述关联拓扑的传导预测,生成行为轨迹预测向量;
S103、将行为轨迹预测向量代入基于深度学习的风险评估模型,实现行为风险评估。
优选的是,步骤S101中所述构建主体的行为轨迹集合,根据所述行为轨迹集合中的行为建立关联拓扑,并利用行为的行为状态与所述关联拓扑生成行为的传导预测,包括:
S1011、基于行为构建行为轨迹集合,并根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重,面向所述行为轨迹集合构建关联拓扑;
S1012、采集用户上阶段行为轨迹集合中的行为状态,并根据所述行为状态,通过所述关联拓扑,实现对用户下阶段行为的传导预测。
优选的是,步骤S1011中,按照一定的标准条件,将用户的一系列行为按照时序顺序,构成行为轨迹集合;将用户的每个行为表示为pi,其中i=1,2,...,M,则行为轨迹集合为V={p1,p2,...,pi,...pM};根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重,构建关联拓扑为G={V,E,W},其中,行为轨迹集合V中的每个行为pi表示关联拓扑中的一个拓扑节点。在关联拓扑的表达式中,E={e11,e12,...,eij,...eMM},其中i=1,2,...,M,j=1,2,...,M;eij表示行为pi受到行为pj的关联与否(也就是行为pi和行为pj是否具有由pj到pi的单向拓扑关联),其中,如果具有上述关联则eij=1,反之不具有上述关联则eij=0;W={w11,w12,...,wij,...wMM},其中i=1,2,...,M,j=1,2,...,M;wij表示行为轨迹集合V中行为pi受到行为pj关联的权重大小,wij在一个预设的取值区间范围0≤wij≤K内取值,如果pi受到行为pj关联的关联性越大则wij的取值越大。
优选的是,步骤S1012中,每个行为pi的行为状态表示为xi,xi∈R,R是每个行为可能处于的所有行为状态的一个集合;对于每个行为pi,确定该行为pi的一个邻域,即从eij,j=1,2,...,M中选取eij不等于0的行为pj对应的标号j,组成一个邻域表示为Ni,即行为pi的邻域,对于行为pi在下一时间阶段的行为状态xi(t+1),具体的表达公式如下所示:
其中,表示当前时间阶段t,行为pi的邻域Ni内的行为状态xj(t)对行为pi自身的行为状态xi(t+1)的传导,通过传导对行为pi下一时间阶段的行为状态xi(t+1)产生传导增益,β表示增益系数,根据行为的不同类型,增益系数β发生变化,xi(t+1)相对于xi(t)发送取值变化,从集合R中的一种行为状态过渡到另一种行为状态。
优选的是,针对行为轨迹集合V中全部行为{p1,p2,...,pi,...pM}的行为状态xi,i=1,2,...,M,进而形成行为轨迹预测向量X={x1,x2,...,xi,...xM},评估行为轨迹预测向量的差异化状态的计算公式如下:
进而,本发明还提供了一种基于深度学习的风险预测装置,包括:
行为状态预测模块,用于构建主体的行为轨迹集合,根据所述行为轨迹集合中的行为建立关联拓扑,并利用行为的行为状态与所述关联拓扑生成行为的传导预测;
预测向量生成模块,用于根据所述行为状态和所述关联拓扑的传导预测,生成行为轨迹预测向量;
风险评估模块,将行为轨迹预测向量代入基于深度学习的风险评估模型,实现行为风险评估。
优选的是,所述行为状态预测模块包括:
关联拓扑构建单元,基于行为构建行为轨迹集合,并根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重,面向所述行为轨迹集合构建关联拓扑;
传导预测单元,采集用户上阶段行为轨迹集合中的行为状态,并根据所述行为状态,通过所述关联拓扑,实现对用户下阶段行为的传导预测。
优选的是,关联拓扑构建单元按照一定的标准条件,将用户的一系列行为按照时序顺序,构成行为轨迹集合;将用户的每个行为表示为pi,其中i=1,2,…,M,则行为轨迹集合为V={p1,p2,…,pi,…pM};根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重,构建关联拓扑为G={V,E,W},其中,行为轨迹集合V中的每个行为pi表示关联拓扑中的一个拓扑节点。在关联拓扑的表达式中,E={e11,e12,…,eij,…eMM},其中i=1,2,…,M,j=1,2,…,M;eij表示行为pi受到行为pj的关联与否(也就是行为pi和行为pj是否具有由pj到pi的单向拓扑关联),其中,如果具有上述关联则eij=1,反之不具有上述关联则eij=0;W={w11,w12,...,wij,...wMM},其中i=1,2,...,M,j=1,2,...,M;wij表示行为轨迹集合V中行为pi受到行为pj关联的权重大小,wij在一个预设的取值区间范围0≤wij≤K内取值,如果pi受到行为pj关联的关联性越大则wij的取值越大。
优选的是,传导预测单元对每个行为pi的行为状态表示为xi,xi∈R,R是每个行为可能处于的所有行为状态的一个集合对于每个行为pi,确定该行为pi的一个邻域,即从eij,j=1,2,...,M中选取eij不等于0的行为pj对应的标号j,组成一个邻域表示为Ni,即行为pi的邻域,对于行为pi在下一时间阶段的行为状态xi(t+1),具体的表达公式如下所示:
其中,表示当前时间阶段t,行为pi的邻域Ni内的行为状态xj(t)对行为pi自身的行为状态xi(t+1)的传导,通过传导对行为pi下一时间阶段的行为状态xi(t+1)产生传导增益,β表示增益系数,根据行为的不同类型,增益系数β发生变化,xi(t+1)相对于xi(t)发送取值变化,从集合R中的一种行为状态过渡到另一种行为状态。
优选的是,预测向量生成模块针对行为轨迹集合V中每一个行为的行为状态,生成该集合的行为轨迹预测向量;针对行为轨迹集合V中全部行为{p1,p2,...,pi,…pM}的行为状态xi,i=1,2,...,M,进而形成行为轨迹预测向量X={x1,x2,…,xi,...xM},并且评估行为轨迹预测向量的差异化状态的计算公式如下:
本实施例中关注主体的行为轨迹之中行为的相互关系,将行为的关系组织为关联拓扑,进而基于关联拓扑实现行为的传导预测,即利用彼此关联的一系列行为的传导实现对下阶段行为的预测,形成行为轨迹预测向量;进而,基于深度学习的机制,训练风险评估模型建立行为轨迹预测向量与风险评级的关系,从而能够根据下阶段的行为轨迹预测向量,实现下阶段的风险评级预测。从而,本发明针对主体的行为具有更为全面的分析和风险预测机制,提高预测机制的适用性,并且运用深度学习机制,建立了对风险的高准确性的预测。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步地详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的一种基于深度学习的风险预测方法流程图;
图2为本发明实施例提供的一种基于深度学习的风险预测装置的框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1所示,本发明实施例提供的一种基于深度学习的风险预测方法,该方法包括:
S101、构建主体的行为轨迹集合,根据所述行为轨迹集合中的行为建立关联拓扑,并利用行为的行为状态与所述关联拓扑生成行为的传导预测。
具体的,将行为轨迹集合中的行为相互作用、相互影响的关系构建关联拓扑,从而基于关联拓扑可以实现行为状态的传导预测。
S102、根据所述行为状态和所述关联拓扑的传导预测,生成行为轨迹预测向量。
S103、将行为轨迹预测向量代入基于深度学习的风险评估模型,实现行为风险评估。
本实施例中关注主体的行为轨迹之中行为的相互关系,将行为的关系组织为关联拓扑,进而基于关联拓扑实现行为的传导预测,即利用彼此关联的一系列行为的传导实现对下阶段行为的预测,形成行为轨迹预测向量;进而,基于深度学习的机制,训练风险评估模型建立行为轨迹预测向量与风险评级的关系,从而能够根据下阶段的行为轨迹预测向量,实现下阶段的风险评级预测。从而,本发明针对主体的行为具有更为全面的分析和风险预测机制,提高预测机制的适用性,并且运用深度学习机制,建立了对风险的高准确性的预测。
在一个实施例中,上述步骤S101中所述构建主体的行为轨迹集合,根据所述行为轨迹集合中的行为建立关联拓扑,并利用行为的行为状态与所述关联拓扑生成行为的传导预测,包括:
S1011、基于行为构建行为轨迹集合,并根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重,面向所述行为轨迹集合构建关联拓扑。
具体的,按照一定的标准条件,将用户的一系列行为按照时序顺序,构成行为轨迹集合。将用户的每个行为表示为pi,其中i=1,2,...,M,则行为轨迹集合为V={p1,p2,...,pi,...pM}。
进一步地,根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重,构建关联拓扑为G={V,E,W},其中,行为轨迹集合V中的每个行为pi表示关联拓扑中的一个拓扑节点。在关联拓扑的表达式中,E={e11,e12,...,eij,...eMM},其中i=1,2,...,M,j=1,2,...,M;eij表示行为pi受到行为pj的关联与否(也就是行为pi和行为pj是否具有由pj到pi的单向拓扑关联),其中,如果具有上述关联则eij=1,反之不具有上述关联则eij=0。对于i=j,也就是e11,e22…eMM来说均定义为0。W={w11,w12,...,wij,...wMM},其中i=1,2,...,M,j=1,2,...,M;wij表示行为轨迹集合V中行为pi受到行为pj关联的权重大小(也就是由pj到pi的单向拓扑关联的权重大小),wij在一个预设的取值区间范围0≤wij≤K内取值,如果pi受到行为pj关联的关联性越大则wij的取值越大;对于i=j,也就是w11,w22…wMM来说均定义为0。W={w11,w12,...,wij,...wMM}中的取值,可以根据应用群体的具体情况来定,wij可以是固定值,wij也可以是时变值(也就是随着时间而规律性)变化,wij也可以是随机值。
S1012、采集用户上阶段行为轨迹集合中的行为状态,并根据所述行为状态,通过所述关联拓扑,实现对用户下阶段行为的传导预测。
具体的,每个行为pi的行为状态表示为xi,xi∈R,R是每个行为可能处于的所有行为状态的一个集合。
进一步地,对于每个行为pi,确定该行为pi的一个邻域,即从eij,j=1,2,...,M中选取eij不等于0的行为pj对应的标号j,组成一个邻域表示为Ni,即行为pi的邻域,对于行为pi在下一时间阶段的行为状态xi(t+1),具体的表达公式如下所示:
其中,表示当前时间阶段t,行为pi的邻域Ni内的行为状态xj(t)对行为pi自身的行为状态xi(t+1)的传导,通过传导对行为pi下一时间阶段的行为状态xi(t+1)产生传导增益,β表示增益系数,根据行为的不同类型,增益系数β发生变化,xi(t+1)相对于xi(t)发送取值变化,就可能从集合R中的一种行为状态过渡到另一种行为状态。
S102、针对行为轨迹集合V中每一个行为的行为状态,生成该集合的行为轨迹预测向量。
具体的,针对行为轨迹集合V中全部行为{p1,p2,...,pi,...pM}的行为状态xi,i=1,2,...,M,进而形成行为轨迹预测向量X={x1,x2,...,xi,...xM}。进而,可以评估行为轨迹预测向量的差异化状态的计算公式如下:
S103、将行为轨迹预测向量代入基于深度学习的风险评估模型,实现行为风险评估。所述风险评估模型基于深度学习的机制,可以以样本用户的行为轨迹样本向量和样本用户的样本风险等级,对该风险评估模型进行训练,从而训练该模型能够基于输入的行为轨迹预测向量,输出对用户的风险评级值,该模型可以采取BP神经网络、SVM支持向量机等。经过训练后,将步骤S102的行为轨迹预测向量X={x1,x2,...,xi,...xM}代入该模型,获得对用户的风险评级值。
进而,本发明实施例提供的一种基于深度学习的风险预测装置,如图2所示,包括:
行为状态预测模块,用于构建主体的行为轨迹集合,根据所述行为轨迹集合中的行为建立关联拓扑,并利用行为的行为状态与所述关联拓扑生成行为的传导预测。具体的,行为状态预测模块将行为轨迹集合中的行为相互作用、相互影响的关系构建关联拓扑,从而基于关联拓扑可以实现行为状态的传导预测。
预测向量生成模块,用于根据所述行为状态和所述关联拓扑的传导预测,生成行为轨迹预测向量。
风险评估模块,将行为轨迹预测向量代入基于深度学习的风险评估模型,实现行为风险评估。
本实施例中,该风险预测装置关注主体的行为轨迹之中行为的相互关系,将行为的关系组织为关联拓扑,进而基于关联拓扑实现行为的传导预测,即利用彼此关联的一系列行为的传导实现对下阶段行为的预测,形成行为轨迹预测向量;进而,基于深度学习的机制,训练风险评估模型建立行为轨迹预测向量与风险评级的关系,从而能够根据下阶段的行为轨迹预测向量,实现下阶段的风险评级预测。从而,本发明针对主体的行为具有更为全面的分析和风险预测机制,提高预测机制的适用性,并且运用深度学习机制,建立了对风险的高准确性的预测。
在一个实施例中,所述行为状态预测模块包括:
关联拓扑构建单元,基于行为构建行为轨迹集合,并根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重,面向所述行为轨迹集合构建关联拓扑。
具体的,关联拓扑构建单元按照一定的标准条件,将用户的一系列行为按照时序顺序,构成行为轨迹集合。将用户的每个行为表示为pi,其中i=1,2,...,M,则行为轨迹集合为V={p1,p2,...,pi,...pM}。进一步地,根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重,构建关联拓扑为G={V,E,W},其中,行为轨迹集合V中的每个行为pi表示关联拓扑中的一个拓扑节点。在关联拓扑的表达式中,E={e11,e12,...,eij,...eMM},其中i=1,2,...,M,j=1,2,...,M;eij表示行为pi受到行为pj的关联与否(也就是行为pi和行为pj是否具有由pj到pi的单向拓扑关联),其中,如果具有上述关联则eij=1,反之不具有上述关联则eij=0。对于i=j,也就是e11,e22…eMM来说均定义为0。W={w11,w12,...,wij,...wMM},其中i=1,2,...,M,j=1,2,...,M;wij表示行为轨迹集合V中行为pi受到行为pj关联的权重大小(也就是由pj到pi的单向拓扑关联的权重大小),wij在一个预设的取值区间范围0≤wij≤K内取值,如果pi受到行为pj关联的关联性越大则wij的取值越大;对于i=j,也就是w11,w22…wMM来说均定义为0。W={w11,w12,...,wij,...wMM}中的取值,可以根据应用群体的具体情况来定,wij可以是固定值,wij也可以是时变值(也就是随着时间而规律性)变化,wij也可以是随机值。
传导预测单元,采集用户上阶段行为轨迹集合中的行为状态,并根据所述行为状态,通过所述关联拓扑,实现对用户下阶段行为的传导预测。
具体的,每个行为pi的行为状态表示为xi,xi∈R,R是每个行为可能处于的所有行为状态的一个集合。
进一步地,对于每个行为pi,确定该行为pi的一个邻域,即从eij,j=1,2,...,M中选取eij不等于0的行为pj对应的标号j,组成一个邻域表示为Ni,即行为pi的邻域,对于行为pi在下一时间阶段的行为状态xi(t+1),具体的表达公式如下所示:
其中,表示当前时间阶段t,行为pi的邻域Ni内的行为状态xj(t)对行为pi自身的行为状态xi(t+1)的传导,通过传导对行为pi下一时间阶段的行为状态xi(t+1)产生传导增益,β表示增益系数,根据行为的不同类型,增益系数β发生变化,xi(t+1)相对于xi(t)发送取值变化,就可能从集合R中的一种行为状态过渡到另一种行为状态。
预测向量生成模块,针对行为轨迹集合V中每一个行为的行为状态,生成该集合的行为轨迹预测向量。
具体的,针对行为轨迹集合V中全部行为{p1,p2,…,pi,…pM}的行为状态xi,i=1,2,…,M,进而形成行为轨迹预测向量X={x1,x2,…,xi,…xM}。进而,可以评估行为轨迹预测向量的差异化状态的计算公式如下:
风险评估模块,将行为轨迹预测向量代入基于深度学习的风险评估模型,实现行为风险评估。所述风险评估模型基于深度学习的机制,可以以样本用户的行为轨迹样本向量和样本用户的样本风险等级,对该风险评估模型进行训练,从而训练该模型能够基于输入的行为轨迹预测向量,输出对用户的风险评级值,该模型可以采取BP神经网络、SVM支持向量机等。经过训练后,将步骤S102的行为轨迹预测向量X={x1,x2,…,xi,...xM}代入该模型,获得对用户的风险评级值。
本实施例中关注主体的行为轨迹之中行为的相互关系,将行为的关系组织为关联拓扑,进而基于关联拓扑实现行为的传导预测,即利用彼此关联的一系列行为的传导实现对下阶段行为的预测,形成行为轨迹预测向量;进而,基于深度学习的机制,训练风险评估模型建立行为轨迹预测向量与风险评级的关系,从而能够根据下阶段的行为轨迹预测向量,实现下阶段的风险评级预测。从而,本发明针对主体的行为具有更为全面的分析和风险预测机制,提高预测机制的适用性,并且运用深度学习机制,建立了对风险的高准确性的预测。
Claims (10)
1.一种基于深度学习的风险预测方法,其特征在于,包括:
S101、构建主体的行为轨迹集合,根据所述行为轨迹集合中的行为建立关联拓扑,并利用行为的行为状态与所述关联拓扑生成行为的传导预测;
S102、根据所述行为状态和所述关联拓扑的传导预测,生成行为轨迹预测向量;
S103、将行为轨迹预测向量代入基于深度学习的风险评估模型,实现行为风险评估。
2.根据权利要求1所述的基于深度学习的风险预测方法,其特征在于,步骤S101中所述构建主体的行为轨迹集合,根据所述行为轨迹集合中的行为建立关联拓扑,并利用行为的行为状态与所述关联拓扑生成行为的传导预测,包括:
S1011、基于行为构建行为轨迹集合,并根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重,面向所述行为轨迹集合构建关联拓扑;
S1012、采集用户上阶段行为轨迹集合中的行为状态,并根据所述行为状态,通过所述关联拓扑,实现对用户下阶段行为的传导预测。
3.根据权利要求2所述的基于深度学习的风险预测方法,其特征在于,步骤S1011中,按照一定的标准条件,将用户的一系列行为按照时序顺序,构成行为轨迹集合;将用户的每个行为表示为pi,其中i=1,2,…,M,则行为轨迹集合为V={p1,p2,...,pi,...pM};根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重,构建关联拓扑为G={V,E,W},其中,行为轨迹集合V中的每个行为pi表示关联拓扑中的一个拓扑节点。在关联拓扑的表达式中,E={e11,e12,...,eij,...eMM},其中i=1,2,...,M,j=1,2,...,M;eij表示行为pi受到行为pj的关联与否(也就是行为pi和行为pj是否具有由pj到pi的单向拓扑关联),其中,如果具有上述关联则eij=1,反之不具有上述关联则eij=0;W={w11,w12,...,wij,...wMM},其中i=1,2,...,M,j=1,2,...,M;wij表示行为轨迹集合V中行为pi受到行为pj关联的权重大小,wij在一个预设的取值区间范围0≤wij≤K内取值,如果pi受到行为pj关联的关联性越大则wij的取值越大。
4.根据权利要求3所述的基于深度学习的风险预测方法,其特征在于,步骤S1012中,每个行为pi的行为状态表示为xi,xi∈R,R是每个行为可能处于的所有行为状态的一个集合;对于每个行为pi,确定该行为pi的一个邻域,即从eij,j=1,2,...,M中选取eij不等于0的行为pj对应的标号j,组成一个邻域表示为Ni,即行为pi的邻域,对于行为pi在下一时间阶段的行为状态xi(t+1),具体的表达公式如下所示:
6.一种基于深度学习的风险预测装置,其特征在于,包括:
行为状态预测模块,用于构建主体的行为轨迹集合,根据所述行为轨迹集合中的行为建立关联拓扑,并利用行为的行为状态与所述关联拓扑生成行为的传导预测;
预测向量生成模块,用于根据所述行为状态和所述关联拓扑的传导预测,生成行为轨迹预测向量;
风险评估模块,将行为轨迹预测向量代入基于深度学习的风险评估模型,实现行为风险评估。
7.根据权利要求6所述的基于深度学习的风险预测装置,其特征在于,所述行为状态预测模块包括:
关联拓扑构建单元,基于行为构建行为轨迹集合,并根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重,面向所述行为轨迹集合构建关联拓扑;
传导预测单元,采集用户上阶段行为轨迹集合中的行为状态,并根据所述行为状态,通过所述关联拓扑,实现对用户下阶段行为的传导预测。
8.根据权利要求7所述的基于深度学习的风险预测装置,其特征在于,关联拓扑构建单元按照一定的标准条件,将用户的一系列行为按照时序顺序,构成行为轨迹集合;将用户的每个行为表示为pi,其中i=1,2,...,M,则行为轨迹集合为V={p1,p2,...,pi,...pM};根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重,构建关联拓扑为G={V,E,W},其中,行为轨迹集合V中的每个行为pi表示关联拓扑中的一个拓扑节点。在关联拓扑的表达式中,E={e11,e12,...,eij,...eMM},其中i=1,2,...,M,j=1,2,…,M;eij表示行为pi受到行为pj的关联与否(也就是行为pi和行为pj是否具有由pj到pi的单向拓扑关联),其中,如果具有上述关联则eij=1,反之不具有上述关联则eij=0;W={w11,w12,…,wij,…wMM},其中i=1,2,...,M,j=1,2,...,M;wij表示行为轨迹集合V中行为pi受到行为pj关联的权重大小,wij在一个预设的取值区间范围0≤wij≤K内取值,如果pi受到行为pj关联的关联性越大则wij的取值越大。
9.根据权利要求8所述的基于深度学习的风险预测装置,其特征在于,传导预测单元对每个行为pi的行为状态表示为xi,xi∈R,R是每个行为可能处于的所有行为状态的一个集合对于每个行为pi,确定该行为pi的一个邻域,即从eij,j=1,2,...,M中选取eij不等于0的行为pj对应的标号j,组成一个邻域表示为Ni,即行为pi的邻域,对于行为pi在下一时间阶段的行为状态xi(t+1),具体的表达公式如下所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011639556.7A CN112651573B (zh) | 2020-12-31 | 2020-12-31 | 一种基于深度学习的风险预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011639556.7A CN112651573B (zh) | 2020-12-31 | 2020-12-31 | 一种基于深度学习的风险预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651573A true CN112651573A (zh) | 2021-04-13 |
CN112651573B CN112651573B (zh) | 2021-07-06 |
Family
ID=75366963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011639556.7A Active CN112651573B (zh) | 2020-12-31 | 2020-12-31 | 一种基于深度学习的风险预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651573B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070129979A1 (en) * | 2005-12-06 | 2007-06-07 | Hitachi, Ltd. | Method and system for supporting business process design by modeling role relationship |
US20140330706A1 (en) * | 2013-05-02 | 2014-11-06 | The Dun & Bradstreet Corporation | Apparatus and method for total loss prediction |
CN109359673A (zh) * | 2018-09-25 | 2019-02-19 | 佛山科学技术学院 | 一种基于在线学习的智能制造故障预测方法及装置 |
CN109543925A (zh) * | 2019-01-07 | 2019-03-29 | 平安科技(深圳)有限公司 | 基于机器学习的风险预测方法、装置、计算机设备和存储介质 |
CN109657918A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 关联评估对象的风险预警方法、装置和计算机设备 |
CN109816245A (zh) * | 2019-01-25 | 2019-05-28 | 北京海致星图科技有限公司 | 用于对公授信客户风险预警的风险传导评估***及方法 |
CN110378786A (zh) * | 2019-07-29 | 2019-10-25 | 中国工商银行股份有限公司 | 模型训练方法、违约传导风险识别方法、装置及存储介质 |
CN110674970A (zh) * | 2019-08-19 | 2020-01-10 | 广州荔支网络技术有限公司 | 企业法务风险预警方法、装置、设备及可读存储介质 |
CN110717824A (zh) * | 2019-10-17 | 2020-01-21 | 北京明略软件***有限公司 | 基于知识图谱的银行对公客群风险传导测算的方法及装置 |
CN111105311A (zh) * | 2019-12-19 | 2020-05-05 | 第一创业证券股份有限公司 | 债券主体的动态信用评级方法及装置 |
-
2020
- 2020-12-31 CN CN202011639556.7A patent/CN112651573B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070129979A1 (en) * | 2005-12-06 | 2007-06-07 | Hitachi, Ltd. | Method and system for supporting business process design by modeling role relationship |
US20140330706A1 (en) * | 2013-05-02 | 2014-11-06 | The Dun & Bradstreet Corporation | Apparatus and method for total loss prediction |
CN109359673A (zh) * | 2018-09-25 | 2019-02-19 | 佛山科学技术学院 | 一种基于在线学习的智能制造故障预测方法及装置 |
CN109657918A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 关联评估对象的风险预警方法、装置和计算机设备 |
CN109543925A (zh) * | 2019-01-07 | 2019-03-29 | 平安科技(深圳)有限公司 | 基于机器学习的风险预测方法、装置、计算机设备和存储介质 |
CN109816245A (zh) * | 2019-01-25 | 2019-05-28 | 北京海致星图科技有限公司 | 用于对公授信客户风险预警的风险传导评估***及方法 |
CN110378786A (zh) * | 2019-07-29 | 2019-10-25 | 中国工商银行股份有限公司 | 模型训练方法、违约传导风险识别方法、装置及存储介质 |
CN110674970A (zh) * | 2019-08-19 | 2020-01-10 | 广州荔支网络技术有限公司 | 企业法务风险预警方法、装置、设备及可读存储介质 |
CN110717824A (zh) * | 2019-10-17 | 2020-01-21 | 北京明略软件***有限公司 | 基于知识图谱的银行对公客群风险传导测算的方法及装置 |
CN111105311A (zh) * | 2019-12-19 | 2020-05-05 | 第一创业证券股份有限公司 | 债券主体的动态信用评级方法及装置 |
Non-Patent Citations (1)
Title |
---|
沈栋 等: ""知识图谱在中小银行的应用研究"", 《金融电子化》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112651573B (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020037918A1 (zh) | 基于预测模型的风险控制策略的确定方法及相关装置 | |
Park et al. | An empirical validation of a neural network model for software effort estimation | |
US11907675B2 (en) | Generating training datasets for training neural networks | |
CN106982196A (zh) | 一种异常访问检测方法及设备 | |
US11663497B2 (en) | Facilitating changes to online computing environment by assessing impacts of actions using a knowledge base representation | |
KR102079745B1 (ko) | 인공지능 에이전트의 훈련 방법, 이에 기반한 사용자 액션의 추천 방법 및 이를 이용한 장치 | |
JP7059458B2 (ja) | 生成的敵対神経網ベースの分類システム及び方法 | |
CN110362772B (zh) | 基于深度神经网络的实时网页质量评估方法及*** | |
Cheng et al. | Long-term effect estimation with surrogate representation | |
Wang et al. | Using knowledge concept aggregation towards accurate cognitive diagnosis | |
D'Onofrio et al. | Successive spike times predicted by a stochastic neuronal model with a variable input signal | |
CN111645076A (zh) | 一种机器人控制方法及设备 | |
Yang et al. | [Retracted] Research on Students’ Adaptive Learning System Based on Deep Learning Model | |
CN111191722A (zh) | 通过计算机训练预测模型的方法及装置 | |
CN115631008B (zh) | 商品推荐方法、装置、设备及介质 | |
CN112651573B (zh) | 一种基于深度学习的风险预测方法和装置 | |
Mantik et al. | A preference elicitation framework for automated planning | |
CN109993660A (zh) | 基于海量金融投资数据的量化分析和推送的方法及*** | |
CN111079175A (zh) | 数据处理方法、装置、计算机可读存储介质和计算机设备 | |
Vaghela et al. | Boost a weak learner to a strong learner using ensemble system approach | |
CN115599972A (zh) | 一种序列推荐中的对偶增强倾向性得分估计方法 | |
Wu et al. | A Tutorial-Generating Method for Autonomous Online Learning | |
CN114912623A (zh) | 用于模型解释的方法及装置 | |
Ferrucci et al. | Estimating web application development effort using web-cobra and COSMIC: an empirical study | |
Ravi et al. | Unreliable multi-armed bandits: A novel approach to recommendation systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |