CN115713424A

CN115713424A - 风险评估方法、风险评估装置、设备及存储介质

Info

Publication number: CN115713424A
Application number: CN202210994875.2A
Authority: CN
Inventors: 陈雪娇
Original assignee: Ping An Technology Shenzhen Co Ltd
Current assignee: Ping An Technology Shenzhen Co Ltd
Priority date: 2022-08-18
Filing date: 2022-08-18
Publication date: 2023-02-24

Abstract

本发明实施例提供一种风险评估方法、风险评估装置、计算机设备及存储介质，涉及人工智能领域。所述方法包括：获取业务数据，并对业务数据进行信息提取，得到各业务种类对应的业务信息以及多个用户节点；根据各业务种类对应的业务信息建立各用户节点之间的关联信息，并根据关联信息生成多层拓扑关系网络；对多层拓扑关系网络进行网络融合，得到多层拓扑关系网络对应的向量矩阵；根据多层拓扑关系网络对应的向量矩阵对各用户节点进行检测以及筛选，得到目标用户节点；对目标用户节点关联的用户节点组进行风险预测，得到用户节点组对应的风险评估结果。由此可以快速准确地检测出欺诈对象，从而有效遏止骗保行为，避免公司利益受损。

Description

风险评估方法、风险评估装置、设备及存储介质

技术领域

本申请涉及人工智能领域，尤其涉及风险评估方法、风险评估装置、计算机设备及存储介质。

背景技术

如今，随着保险业务的发展，骗保问题日益严重。同时，通过用户合作故意制造多个保险事故来骗取多个保险(如健康险，车险)的赔付金的欺诈行为逐渐增多，造成了公司大量的经济损失。由于多种保险产品骗保行为机制类似，保险欺诈对象往往利用一种手段来同时作案于多种保险产品。例如，用户A合作制造了一起事故骗保了健康险，并且该对象利用同样的合作机制骗保了车险。因此，现有方法无法准确地准确地检测出欺诈对象，导致无法遏止骗保行为，导致公司利益受损。

发明内容

本申请提供了一种风险评估方法、风险评估装置、计算机设备及存储介质，旨在快速准确地检测出欺诈对象，从而有效遏止骗保行为，避免公司利益受损。

为实现上述目的，本申请提供一种风险评估方法，所述方法包括：

获取业务数据，并对所述业务数据进行信息提取，得到各业务种类对应的业务信息以及多个用户节点；

根据各业务种类对应的业务信息建立各所述用户节点之间的关联信息，并根据所述关联信息生成多层拓扑关系网络；

对所述多层拓扑关系网络进行网络融合，得到所述多层拓扑关系网络对应的向量矩阵；

基于预设的节点检测模型，根据所述多层拓扑关系网络对应的向量矩阵对各所述用户节点进行检测以及筛选，得到目标用户节点；

对所述目标用户节点关联的用户节点组进行风险预测，得到所述用户节点组对应的风险评估结果。

为实现上述目的，本申请还提供一种风险评估装置，所述风险评估装置包括：

业务信息提取模块，用于获取业务数据，并对所述业务数据进行信息提取，得到各业务种类对应的业务信息以及多个用户节点；

网络构建模块，用于根据各业务种类对应的业务信息建立各所述用户节点之间的关联信息，并根据所述关联信息生成多层拓扑关系网络；

网络融合模块，用于对所述多层拓扑关系网络进行网络融合，得到所述多层拓扑关系网络对应的向量矩阵；

节点检测模块，用于基于预设的节点检测模型，根据所述多层拓扑关系网络对应的向量矩阵对各所述用户节点进行检测以及筛选，得到目标用户节点；

风险评估模块，用于对所述目标用户节点关联的用户节点组进行风险预测，得到所述用户节点组对应的风险评估结果。

此外，为实现上述目的，本申请还提供一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于执行所述的计算机程序并在执行所述的计算机程序时实现本申请实施例提供的任一项所述的风险评估方法。

此外，为实现上述目的，本申请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存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现本申请实施例提供的任一项所述的风险评估方法。

本申请实施例公开的风险评估方法、风险评估装置、设备及存储介质，通过获取各业务种类对应的业务信息以及多个用户节点；根据业务信息建立多层拓扑关系网络；对多层拓扑关系网络进行网络融合，得到多层拓扑关系网络对应的向量矩阵；根据各向量矩阵，对用户节点关联的用户节点组进行风险预测，得到用户节点关联的用户节点组对应的风险评估结果，从而对各业务类型的用户进行风险评估，并准确地检测出欺诈对象，从而能够有效维护公司利益，并减小公司的经济损失。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种风险评估方法的场景示意图；

图2是本申请实施例提供的一种风险评估方法的流程示意图；

图3是本申请一实施例提供的一种风险评估装置的示意性框图；

图4是本申请一实施例提供的一种计算机设备的示意性框图。

具体实施方式

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做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。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。另外，虽然在装置示意图中进行了功能模块的划分，但是在某些情况下，可以以不同于装置示意图中的模块划分。

在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

由于多种保险产品骗保行为机制类似，保险欺诈对象往往利用一种手段来同时作案于多种保险产品。例如，用户A合作制造了一起事故骗保了健康险，并且该用户利用同样的合作机制骗保了车险。因此，现有方法无法准确地准确地检测出欺诈对象，导致无法遏止骗保行为，导致公司利益受损。

现有技术中，主要有两种保险欺诈对象检测策略：(1)人工独立分析不同种类的保险理赔事故，并进行经验性判断。(2)利用基于机器学习的聚类算法来单独检测每个保险种类的欺诈对象。然而，以上两种策略仍然存在一些缺陷。对于利用人工分析理赔事故往往需要耗费巨大的人力开销，并且人工所能处理的案例有限，从而不能广泛运用于大规模的理赔事故。尽管现有的基于机器学习的聚类算法可以快速检测出单个保险种类的欺诈对象，但是他们忽略了欺诈对象可以在多个保险中同时骗保的行为，这使得现有的模型不能有效地建模出欺诈对象作案的多种行为特征，从而降低了欺诈对象检测的准确率。

为解决上述问题，本申请提供了一种风险评估方法，应用在服务器，由此可以快速准确地检测出欺诈对象，从而有效遏止骗保行为，避免公司利益受损。

其中，服务器例如可以为单独的服务器或服务器集群。但为了便于理解，以下实施例将以应用于服务器的风险评估方法进行详细介绍。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

如图1所示，本申请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。该应用环境中包含有终端设备110和服务器120，其中，终端设备110可以通过网络与服务器120进行通信。具体地，服务器120获取各业务种类对应的业务信息以及多个用户节点；根据业务信息建立多层拓扑关系网络；基于预设的网络融合算法，对多层拓扑关系网络进行网络融合，得到多层拓扑关系网络对应的向量矩阵；根据各向量矩阵，对用户节点关联的用户节点组进行风险预测，得到用户节点关联的用户节点组对应的风险评估结果，并将用户节点关联的用户节点组对应的风险评估结果发送给终端设备110。其中，服务器120可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备110可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

请参阅图2，图2是本申请实施例提供的一种风险评估方法的示意流程图。其中，该风险评估方法可以应用在服务器中，由此可以准确地检测出欺诈对象，从而能够有效维护公司利益，并减小公司的经济损失，提高用户体验。

如图2所示，该风险评估方法包括步骤S101至步骤S105。

S101、获取业务数据，并对所述业务数据进行信息提取，得到各业务种类对应的业务信息以及多个用户节点。

其中，所述业务数据可以包括保险业务对应的数据等。所述业务种类可以为保险种类，比如可以包括健康险和车险等保险类型。所述业务信息可以为保险工单，其中，每个保险类型的保险对应有保险工单，具体地，业务信息可以包括投保人、投保金额等信息。所述用户节点为每个保险类型对应的保险工单中的投保人或受益人等用户而抽象化形成的节点。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

在一些实施例中，基于预设业务类别对所述业务数据进行分类处理，得到各业务种类对应的业务信息；遍历所述业务信息，提取得到各所述业务信息对应的多个用户节点。由此可以准确地提取得到各业务种类对应的业务信息中的用户节点。

其中，所述预设业务类别为预先设置好的保险类型，具体可以由用户自行设置。

具体地，对业务数据进行分类处理，分别将包括预设业务类别对应的保险单筛选出来，得到各业务种类对应的业务信息；遍历所述业务信息中，提取得到其中的用户信息，并将用户信息抽象化成用户节点，从而得到各业务信息对应的多个用户节点。

示例性的，比如本次需要对健康险、财产险和车险对应的业务数据进行风险评估，则对业务数据进行分类处理，分别将包括健康险、财产险和车险对应的保险单筛选出来，从而得到健康险、财产险和车险各自对应的业务信息。遍历保险单，提取得到用户信息，并将用户信息抽象化成用户节点，从而得到各业务信息对应的多个用户节点。

S102、根据各业务种类对应的业务信息建立各所述用户节点之间的关联信息，并根据所述关联信息生成多层拓扑关系网络。

其中，所述关联信息用于指示各用户节点之间的关联关系，并用于生成多层拓扑关系网络。所述多层拓扑关系网络以用户节点作为实体节点构建得到的，用于表示用户节点之间的协作关系。所述多层拓扑关系网络利用不同保险事故中的人员关系来建模，进而反映出了相关人员在不同种类保险理赔事件中的相同协作关系。所述拓扑关系网络的层数与业务种类的种类数有关。

示例性的，若业务种类的种类数有三种，则拓扑关系网络的层数为三层。

在一些实施例中，根据各业务种类对应的业务信息，从多个所述用户节点中确定目标用户节点，并建立各所述目标用户节点之间的关联信息；根据各所述目标用户节点之间的关联信息生成各所述目标用户节点之间的关联边；根据各所述目标用户节点之间的关联边对所述多个目标用户节点进行网络构建，得到多层拓扑关系网络。由此可以准确地构建得到多层拓扑关系网络，从而可以准确地表示用户节点之间的协作关系。

其中，所述目标用户节点为存在关联关系的用户节点，所述用于表示各用户节点之间的关联关系，用于生成多层拓扑关系网络。

具体地，遍历各业务种类对应的业务信息，从而确定每两个用户节点之间是否存在关系；若存在关系，则将这两个用户节点作为目标用户节点，并建立各所述目标用户节点之间的关联信息；若不存在关系，则重新确定新的两个用户节点之间是否存在关系，以此类推，从而得到目标用户节点。

示例性的，可以通过确定每两个用户节点之间是否存在合作或嫌疑人与被害人关系等，从而确定每两个用户节点之间是否存在关系。

具体地，得到各目标用户节点之间的关联信息后，可以通过关联信息生成倒排索引表或笛卡尔积表；并根据倒排索引表生成各用户节点之间的第一关联边；根据笛卡尔积表生成各用户节点之间的第二关联边；根据各用户节点之间的第一关联边和第二关联边对所述多个目标用户节点进行网络构建，得到多层拓扑关系网络。

其中，所述第一关联边可以为相等关联边，根据倒排索引表生成的，所述第二关联边可以为相似关联边，根据笛卡尔积表生成的。由此可以根据相等关联边和相似关联边构建对多个用户节点进行网络构建，得到多层拓扑关系网络。

需要说明的是，每一种业务种类对应的业务信息生成的关联边用于对应构建每一层的拓扑关系网络，以此类推，将每一层的拓扑关系网络构件好，从而得到多层拓扑关系网络。

S103、对所述多层拓扑关系网络进行网络融合，得到所述多层拓扑关系网络对应的向量矩阵。

其中，所述向量矩阵为低维表示矩阵，具体地，可以通过预设的网络融合算法对多层拓扑关系网络进行网络融合，得到多层拓扑关系网络对应的向量矩阵，所述网络融合算法能够将多层网络中对应的多个低维表示矩阵融合成一个最终低维表示矩阵，以增强模型对用户(即用户节点)的表征能力，这为检测出潜在的欺诈对象提供了数据指导，进而能够为欺诈对象中的成员学习到相似的向量表示，这极大的提高了下游聚类的性能，从而实现精准检测出骗保欺诈对象。

在一些实施例中，对各层所述拓扑关系网络进行向量转换处理，得到各层所述拓扑关系网络对应的向量矩阵；将各层所述拓扑关系网络对应的向量矩阵输入到预设的图注意力模型，得到各所述向量矩阵对应的权重比例；根据各所述向量矩阵对应的权重比例对各层所述拓扑关系网络对应的向量矩阵进行加权处理，得到所述多层拓扑关系网络对应的向量矩阵。由此可以将各层拓扑关系网络对应的向量矩阵进行融合，准确地得到多层拓扑关系网络对应的向量矩阵。

其中，所述预设的图注意力模型用于分配不同的学习权重给各层拓扑关系网络对应的向量矩阵。

具体地，将各层拓扑关系网络进行向量转换处理，从而将各层拓扑关系网络以向量矩阵的形式表示；再将各层所述拓扑关系网络对应的向量矩阵输入到预设的图注意力模型以为各所述向量矩阵进行注意力权重分配，从而得到各所述向量矩阵对应的权重比例；最后利用各所述向量矩阵对应的权重比例对各层所述拓扑关系网络对应的向量矩阵进行加权相加，得到最终的多层拓扑关系网络对应的向量矩阵。

其中，在获得每一层的低维表示矩阵

后，将每一层的低维表示矩阵

输入到本方案定义的图注意力模型Q_att中，以训练得到不同层对应的低维表示矩阵的权重比例

其总体计算方式如下：

其中，l_i表示第i层网络，

表示各向量矩阵对应的权重比例，p表示网络的层数。

表示第i层网络对应的低维网络表示矩阵，该矩阵的行数等于节点个数N，矩阵每一行向量代表一个节点的低维表示行向量。

具体地，多层拓扑关系网络对应的向量矩阵即最终的一层网络表示矩阵可以由权重比例对所有层网络的低维表示矩阵进行加权相加得到，即：

其中，H为多层拓扑关系网络对应的向量矩阵，p为多层网络的层数。

在一些实施例中，通过激活函数，对各所述向量矩阵进行线性变换处理，得到各所述向量矩阵对应的注意力系数；对各所述向量矩阵对应的注意力系数进行正则化处理，得到各所述向量矩阵对应的权重比例。由此可以准确地确定各向量矩阵对应的权重比例。

其中，所述激活函数可以包括双曲正切激活函数、Sigmoid函数和线性整流函数等函数。所述注意力系数为各向量矩阵之间的相似系数，用于确定各向量矩阵对应的权重比例。

示例性的，以激活函数为双曲正切激活函数为例，可以通过双曲正切激活函数对各向量矩阵进行线性变换处理，得到各向量矩阵对应的注意力系数；再利用归一化指数函数对各向量矩阵对应的注意力系数进行正则化处理，从而得到各所述向量矩阵对应的权重比例。

具体地，注意力系数的计算过程可由如下公式得到：

其中，

为注意力系数，N为网络中的所有节点个数，tanh为双曲正切激活函数，Wsem为可学习的线性变换参数矩阵。

表示第i层网络中第n个节点第低维表示行向量，其值也等于

中的n行数据。

为可学习的注意力向量，

为偏置向量。

具体地，各向量矩阵对应的权重比例可由如下公式得到：

其中，

表示各向量矩阵对应的权重比例，softmax为归一化指数函数，

为注意力系数。

通过上述公式进行计算，由此可以准确地得到各向量矩阵对应的权重比例。

S104、基于预设的节点检测模型，根据所述多层拓扑关系网络对应的向量矩阵对各所述用户节点进行检测以及筛选，得到目标用户节点。

其中，所述节点检测模型用于对各用户节点进行用户类型检测，确定用户节点对应的用户是否为欺诈用户。所述目标用户节点对应的用户为欺诈用户。

在一些实施例中，根据所述多层拓扑关系网络对应的向量矩阵对各所述用户节点进行用户类型识别，得到各所述用户节点的用户类型；若所述用户节点的用户类型为预设用户类型，则将所述用户节点作为目标用户节点。

其中，用户节点的用户类型包括欺诈用户和非欺诈用户。所述预设用户类型为欺诈用户。

具体地，将多层拓扑关系网络对应的向量矩阵输入到节点检测模型中，以对各所述用户节点进行用户类型识别，得到各所述用户节点的用户类型；若所述用户节点的用户类型为预设用户类型，则将所述用户节点作为目标用户节点；若所述用户节点的用户类型不为预设用户类型，则不将所述用户节点作为目标用户节点。

示例性的，可以基于事先已经掌握的欺诈人员信息，从而将其作为潜在的欺诈对象。

S105、对所述目标用户节点关联的用户节点组进行风险预测，得到所述用户节点组对应的风险评估结果。

其中，所述用户节点组为与目标用户节点有关联的多个用户节点而组成的组合。

在一些实施例中，基于预设的聚类算法，对所述目标用户节点进行聚类处理，得到所述目标用户节点关联的用户节点组；根据所述用户节点组中目标用户节点的数量，生成所述用户节点组对应的风险评估结果。

其中，所述聚类算法可以包括Kmeans聚类算法、均值偏移聚类算法等。

具体地，基于预设的聚类算法，对所述目标用户节点进行聚类处理，得到所述目标用户节点关联的用户节点组；若所述用户节点组中存在预设数量的目标用户节点，则确定所述用户节点组存在风险；若所述用户节点组中不存在预设数量的目标用户节点，则确定所述用户节点组不存在风险。

其中，预设数量可以为任何数量，在此不做具体限定。

示例性的，以预设数量为2个为例，若所述用户节点组中存在3个目标用户节点，则确定所述用户节点组存在风险；若所述用户节点组中只存在1个目标用户节点，则确定所述用户节点组不存在风险。

需要说明的是，针对本申请中的节点检测模型、图注意力模型和算法等参数，需要进行对应的参数调优，以达到准确度与防止过拟合之间的平衡。由于Kmeans中聚类系数的设置与结果的性能直接相关。故可以通过该聚类系数进行调节，观察模型输出的准确率，从而选取最优的模型参数，以在保证效率的基础下，使得模型达到最好的聚类性能，从而实现高效检测出欺诈对象。

请参阅图3，图3是本申请一实施例提供的一种风险评估装置的示意性框图，该风险评估装置可以配置于服务器中，用于执行前述的风险评估方法。

如图3所示，该风险评估装置200包括：业务信息提取模块201、网络构建模块202、网络融合模块203、节点检测模块204和风险评估模块205。

业务信息提取模块201，用于获取业务数据，并对所述业务数据进行信息提取，得到各业务种类对应的业务信息以及多个用户节点；

网络构建模块202，用于根据各业务种类对应的业务信息建立各所述用户节点之间的关联信息，并根据所述关联信息生成多层拓扑关系网络；

网络融合模块203，用于对所述多层拓扑关系网络进行网络融合，得到所述多层拓扑关系网络对应的向量矩阵；

节点检测模块204，用于基于预设的节点检测模型，根据所述多层拓扑关系网络对应的向量矩阵对各所述用户节点进行检测以及筛选，得到目标用户节点；

风险评估模块205，用于对所述目标用户节点关联的用户节点组进行风险预测，得到所述用户节点组对应的风险评估结果。

业务信息提取模块201，还用于基于预设业务类别对所述业务数据进行分类处理，得到各业务种类对应的业务信息；遍历所述业务信息，提取得到各所述业务信息对应的多个用户节点。

网络构建模块202，还用于根据各业务种类对应的业务信息，从多个所述用户节点中确定目标用户节点，并建立各所述目标用户节点之间的关联信息；根据各所述目标用户节点之间的关联信息生成各所述目标用户节点之间的关联边；根据各所述目标用户节点之间的关联边对所述多个目标用户节点进行网络构建，得到多层拓扑关系网络。

网络融合模块203，还用于对各层所述拓扑关系网络进行向量转换处理，得到各层所述拓扑关系网络对应的向量矩阵；将各层所述拓扑关系网络对应的向量矩阵输入到预设的图注意力模型，得到各所述向量矩阵对应的权重比例；根据各所述向量矩阵对应的权重比例对各层所述拓扑关系网络对应的向量矩阵进行加权处理，得到所述多层拓扑关系网络对应的向量矩。

网络融合模块203，还用于通过激活函数，对各所述向量矩阵进行线性变换处理，得到各所述向量矩阵对应的注意力系数；对各所述向量矩阵对应的注意力系数进行正则化处理，得到各所述向量矩阵对应的权重比例。

节点检测模块204，还用于根据所述多层拓扑关系网络对应的向量矩阵对各所述用户节点进行用户类型识别，得到各所述用户节点的用户类型；

若所述用户节点的用户类型为预设用户类型，则将所述用户节点作为目标用户节点。

风险评估模块205，还用于基于预设的聚类算法，对所述目标用户节点进行聚类处理，得到所述目标用户节点关联的用户节点组；根据所述用户节点组中目标用户节点的数量，生成所述用户节点组对应的风险评估结果。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请的方法、装置可用于众多通用或专用的计算***环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、机顶盒、可编程的消费终端设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。

示例性的，上述的方法、装置可以实现为一种计算机程序的形式，该计算机程序可以在如图4所示的计算机设备上运行。

请参阅图4，图4是本申请实施例提供的一种计算机设备的示意图。该计算机设备可以是服务器。

如图4所示，该计算机设备包括通过***总线连接的处理器、存储器和网络接口，其中，存储器可以包括易失性存储介质、非易失性存储介质和内存储器。

非易失性存储介质可存储操作***和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种风险评估方法。

处理器用于提供计算和控制能力，支撑整个计算机设备的运行。

内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种风险评估方法。

该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，该计算机设备的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请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。

应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

其中，在一些实施方式中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：获取业务数据，并对所述业务数据进行信息提取，得到各业务种类对应的业务信息以及多个用户节点；根据各业务种类对应的业务信息建立各所述用户节点之间的关联信息，并根据所述关联信息生成多层拓扑关系网络；对所述多层拓扑关系网络进行网络融合，得到所述多层拓扑关系网络对应的向量矩阵；基于预设的节点检测模型，根据所述多层拓扑关系网络对应的向量矩阵对各所述用户节点进行检测以及筛选，得到目标用户节点；对所述目标用户节点关联的用户节点组进行风险预测，得到所述用户节点组对应的风险评估结果。

在一些实施方式中，所述处理器还用于基于预设业务类别对所述业务数据进行分类处理，得到各业务种类对应的业务信息；遍历所述业务信息，提取得到各所述业务信息对应的多个用户节点。

在一些实施方式中，所述处理器还用于根据各业务种类对应的业务信息，从多个所述用户节点中确定目标用户节点，并建立各所述目标用户节点之间的关联信息；根据各所述目标用户节点之间的关联信息生成各所述目标用户节点之间的关联边；根据各所述目标用户节点之间的关联边对所述多个目标用户节点进行网络构建，得到多层拓扑关系网络。

在一些实施方式中，所述处理器还用于对各层所述拓扑关系网络进行向量转换处理，得到各层所述拓扑关系网络对应的向量矩阵；将各层所述拓扑关系网络对应的向量矩阵输入到预设的图注意力模型，得到各所述向量矩阵对应的权重比例；根据各所述向量矩阵对应的权重比例对各层所述拓扑关系网络对应的向量矩阵进行加权处理，得到所述多层拓扑关系网络对应的向量矩阵。

在一些实施方式中，所述处理器还用于通过激活函数，对各所述向量矩阵进行线性变换处理，得到各所述向量矩阵对应的注意力系数；对各所述向量矩阵对应的注意力系数进行正则化处理，得到各所述向量矩阵对应的权重比例。

在一些实施方式中，所述处理器还用于根据所述多层拓扑关系网络对应的向量矩阵对各所述用户节点进行用户类型识别，得到各所述用户节点的用户类型；若所述用户节点的用户类型为预设用户类型，则将所述用户节点作为目标用户节点。

在一些实施方式中，所述处理器还用于基于预设的聚类算法，对所述目标用户节点进行聚类处理，得到所述目标用户节点关联的用户节点组；根据所述用户节点组中目标用户节点的数量，生成所述用户节点组对应的风险评估结果。

本申请实施例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计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时实现本申请实施例提供的任一种风险评估方法。

其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。

进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本发明所指区块链语言模型的存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims

1.一种风险评估方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述业务数据进行信息提取，得到各业务种类对应的业务信息以及多个用户节点，包括：

基于预设业务类别对所述业务数据进行分类处理，得到各业务种类对应的业务信息；

遍历所述业务信息，提取得到各所述业务信息对应的多个用户节点。

3.根据权利要求1所述的方法，其特征在于，所述根据各业务种类对应的业务信息建立各所述用户节点之间的关联信息，并根据所述关联信息生成多层拓扑关系网络，包括：

根据各业务种类对应的业务信息，从多个所述用户节点中确定目标用户节点，并建立各所述目标用户节点之间的关联信息；

根据各所述目标用户节点之间的关联信息生成各所述目标用户节点之间的关联边；

根据各所述目标用户节点之间的关联边对所述多个目标用户节点进行网络构建，得到多层拓扑关系网络。

4.根据权利要求1所述的方法，其特征在于，所述对所述多层拓扑关系网络进行网络融合，得到所述多层拓扑关系网络对应的向量矩阵，包括：

对各层所述拓扑关系网络进行向量转换处理，得到各层所述拓扑关系网络对应的向量矩阵；

将各层所述拓扑关系网络对应的向量矩阵输入到预设的图注意力模型，得到各所述向量矩阵对应的权重比例；

根据各所述向量矩阵对应的权重比例对各层所述拓扑关系网络对应的向量矩阵进行加权处理，得到所述多层拓扑关系网络对应的向量矩阵。

5.根据权利要求4所述的方法，其特征在于，所述将各层所述拓扑关系网络对应的向量矩阵输入到预设的图注意力模型，得到各所述向量矩阵对应的权重比例，包括：

通过激活函数，对各所述向量矩阵进行线性变换处理，得到各所述向量矩阵对应的注意力系数；

对各所述向量矩阵对应的注意力系数进行正则化处理，得到各所述向量矩阵对应的权重比例。

6.根据权利要求1所述的方法，其特征在于，所述基于预设的节点检测模型，根据所述多层拓扑关系网络对应的向量矩阵对各所述用户节点进行检测以及筛选，得到目标用户节点，包括：

根据所述多层拓扑关系网络对应的向量矩阵对各所述用户节点进行用户类型识别，得到各所述用户节点的用户类型；

7.根据权利要求1所述的方法，其特征在于，所述对所述目标用户节点关联的用户节点组进行风险预测，得到所述用户节点组对应的风险评估结果，包括：

基于预设的聚类算法，对所述目标用户节点进行聚类处理，得到所述目标用户节点关联的用户节点组；

根据所述用户节点组中目标用户节点的数量，生成所述用户节点组对应的风险评估结果。

8.一种风险评估装置，其特征在于，包括：

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；

所述存储器，用于存储计算机程序；

所述处理器，用于执行所述的计算机程序并在执行所述的计算机程序时实现：

如权利要求1-7任一项所述的风险评估方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1-7中任一项所述的风险评估方法。