CN117494052A - 一种基于时空静态信息自动化生成的预测方法及装置 - Google Patents
一种基于时空静态信息自动化生成的预测方法及装置 Download PDFInfo
- Publication number
- CN117494052A CN117494052A CN202311546933.6A CN202311546933A CN117494052A CN 117494052 A CN117494052 A CN 117494052A CN 202311546933 A CN202311546933 A CN 202311546933A CN 117494052 A CN117494052 A CN 117494052A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- static
- network
- time
- business
- 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.)
- Pending
Links
- 230000003068 static effect Effects 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000002776 aggregation Effects 0.000 claims abstract description 21
- 238000004220 aggregation Methods 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000004880 explosion Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000965478 Darksidea epsilon Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种基于时空静态信息自动化生成的预测方法及装置,可以分别通过第一嵌入网络和第二嵌入网络,得到业务对象的时序静态特征和时序静态关系图谱生成特征,并将业务对象的初始时序动态特征输入到时序动态网络中得到时序动态特征,根据时序动态特征与时序静态特征得到时序特征。而后,根据各业务对象的时序静态关系图谱生成特征生成时序静态关系图谱,将各业务对象的时序特征和时序静态关系图谱输入空间聚合网络,得到各业务对象的时空特征,从而可以通过目标业务对象的时空特征确定目标业务对象在预设时间段后的预测结果,通过预测结果对预测模型进行训练,以通过训练后的预测模型对目标业务对象的业务结果进行预测。
Description
技术领域
本说明书涉及深度学习领域,尤其涉及一种基于时空静态信息自动化生成的预测方法及装置。
背景技术
时序动态特征能反映出趋势、周期等动态信息,在下游预测任务中受到了广泛的关注,与此配套的时序动态网络模型也得到了相对充分的研究。
另一方面,还存在大量的,更新相对较慢的,往往能反映出属性、空间拓扑等静态信息(本说明书中的空间泛指各类结构空间),与动态信息结合后往往会给下游预测任务带来新的增量信息,本说明书中的静态信息主要包括时序静态特征和时序静态关系图谱。
时序静态特征常反映出范围、类别、板块等属性信息,时序静态特征包括数值特征、文本特征等。如果所有特征全部组合保留,可能引发特征维度***问题。鉴于时序静态特征相对稳定的特点,亟待设计一套方法来基于下游预测任务自动化生成简洁有效的时序静态特征。
时序静态关系图谱常反映出股权、产业链等空间拓扑信息,人工构建关系图谱往往由于数据缺失而造成关系图谱不完整,且面临不同类型关系图谱难以融合问题,亟需自动化生成方法。由于关系图谱维度巨大,如果通过直接方式自动化生成时序静态关系图谱,即将关系图谱中每个数值设置成学习变量,将产生大量学习参数,增加模型的收敛难度,因此,亟待设计一套方法来通过间接方式自动化生成简洁有效的时序静态关系图谱来辅助下游预测任务。
发明内容
本说明书提供一种基于时空静态信息自动化生成的预测方法及装置,以部分地解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种基于时空静态信息自动化生成的预测方法,包括:
针对每个业务对象,将该业务对象的索引分别输入到预测模型中的第一嵌入网络和第二嵌入网络,得到所述第一嵌入网络输出的该业务对象的时序静态特征和所述第二嵌入网络输出的该业务对象的时序静态关系图谱生成特征;
确定预设时间段下该业务对象的初始时序动态特征,并将所述初始时序动态特征输入到时序动态网络中,得到时序动态特征,根据所述时序动态特征与所述时序静态特征,得到该业务对象的时序特征;
根据各业务对象的时序静态关系图谱生成特征,生成时序静态关系图谱,所述时序静态关系图谱用于表示各业务对象之间的关系;
将各业务对象的时序特征和所述时序静态关系图谱输入到空间聚合网络,得到各业务对象的时空特征;
根据所述目标业务对象的时空特征确定所述目标业务对象在所述预设时间段后的预测结果,以最小化所述预测结果与所述目标业务对象对应的标注信息之间的差异为训练目标对所述预测模型进行训练,以通过训练后的预测模型对目标业务对象的业务结果进行预测。
可选地,初始时序动态特征包括每日更新的交易指标。
可选地,所述预测模型用于识别业务对象是否存在风险,所述业务结果包括存在风险和不存在风险。
可选地,根据各业务对象的时序静态关系图谱生成特征,生成时序静态关系图谱,具体包括:
针对每两个业务对象,确定该两个业务对象的时序静态关系图谱生成特征之间的相似度;
将该两个业务对象的时序静态关系图谱生成特征之间的相似度,作为该两个业务对象在时序静态关系图谱中对应节点之间的边权重,以构建出时序静态关系图谱。
可选地,时序动态网络为长短时记忆网络LSTM、门控循环单元网络GRU、自注意力网络Self-Attention中的至少一种。
可选地,所述空间聚合网络为多层图卷积神经网络GCN、多层图注意力网络GAT或多层图采样聚合网络GraphSAGE。
可选地,所述预测模型的训练目标通过交叉熵损失函数Cross-Entropy Loss进行计算。
本说明书提供了一种基于时空静态信息自动化生成的预测装置,包括:
特征生成模块,用于针对每个业务对象,将该业务对象的索引分别输入到预测模型中的第一嵌入网络和第二嵌入网络,得到所述第一嵌入网络输出的该业务对象的时序静态特征和所述第二嵌入网络输出的该业务对象的时序静态关系图谱生成特征;
特征合并模块,用于确定预设时间段下该业务对象的初始时序动态特征,并将所述初始时序动态特征输入到时序动态网络中,得到时序动态特征,根据所述时序动态特征与所述时序静态特征,得到该业务对象的时序特征;
图谱生成模块,用于根据各业务对象的时序静态关系图谱生成特征,生成时序静态关系图谱,所述时序静态关系图谱用于表示各业务对象之间的关系;
聚合模块,用于将各业务对象的时序特征和所述时序静态关系图谱输入到空间聚合网络,得到各业务对象的时空特征;
训练模块,用于根据所述目标业务对象的时空特征确定所述目标业务对象在所述预设时间段后的预测结果,以最小化所述预测结果与所述目标业务对象对应的标注信息之间的差异为训练目标对所述预测模型进行训练,以通过训练后的预测模型对目标业务对象的业务结果进行预测。
本说明书提供了一种计算机可读存储介质,所述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实现上述基于时空静态信息自动化生成的预测方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述基于时空静态信息自动化生成的预测方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
从上述一种基于时空静态信息自动化生成的预测方法中可以看出,可以针对每个业务对象,将该业务对象的索引分别输入到预测模型中的第一嵌入网络和第二嵌入网络,得到第一嵌入网络输出的该业务对象的时序静态特征和第二嵌入网络输出的该业务对象的时序静态关系图谱生成特征,确定预设时间段下该业务对象的初始时序动态特征,并将初始时序动态特征输入到时序动态网络中,得到时序动态特征,根据时序动态特征与时序静态特征,得到该业务对象的时序特征。而后,根据各业务对象的时序静态关系图谱生成特征,生成时序静态关系图谱,所述时序静态关系图谱用于表示各业务对象之间的关系,将各业务对象的时序特征和时序静态关系图谱输入到空间聚合网络,得到各业务对象的时空特征,最后,根据目标业务对象的时空特征确定目标业务对象在所述预设时间段后的预测结果,以最小化所述预测结果与目标业务对象对应的标注信息之间的差异为训练目标对所述预测模型进行训练,以通过训练后的预测模型对目标业务对象的业务结果进行预测。
本发明相对于现有技术的有益效果包括:
(1)本发明能够利用嵌入网络并基于下游预测任务自动化生成时序静态特征,避免大量异构时序静态特征组合引发维度***,为下游预测任务提供简洁有效的增量信息;
(2)本发明能够利用嵌入网络并基于下游预测任务自动化生成时序静态关系图谱生成特征,并利用时序静态关系图谱生成特征的相似度矩阵生成时序静态关系图谱,避免人工构建时序静态关系图谱不完整以及难以融合,为下游预测任务提供简洁有效的增量信息;
(3)本发明能够提供统一的框架来同时利用时序动静特征和时序静态关系图谱来处理下游预测任务,提升了下游预测任务的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书提供的一种基于时空静态信息自动化生成的预测方法的流程示意图;
图2为本说明书提供的一种预测模型的结构示意图;
图3为本说明书中提供的一种生成时序静态关系图谱的流程示意图;
图4为本说明书提供的一种基于时空静态信息自动化生成的预测装置示意图;
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种基于时空静态信息自动化生成的预测方法的流程示意图,具体包括以下步骤:
S100:针对每个业务对象,将该业务对象的索引分别输入到预测模型中的第一嵌入网络和第二嵌入网络,得到所述第一嵌入网络输出的该业务对象的时序静态特征和所述第二嵌入网络输出的该业务对象的时序静态关系图谱生成特征。
在本说明书中,鉴于时空静态信息相对稳定的特点,通过模型训练过程中自动化生成业务对象的时序静态特征和时序静态关系图谱,从而在后续进行预测时,直接使用生成的时序静态特征和时序静态关系图谱,来对业务对象涉及的业务进行预测。
在此不对本方法具体预测的应用场景进行限定,例如,业务对象可以为上市公司,对上市公司的预测可以为预测该上市公司后续是否会出现风险,再例如,业务对象可以为服务平台中的用户,对用户的预测可以为预测该用户是否存在风险。上述提到的时序静态特征可以用于表示业务对象在静态上的特点,上述提到的时序静态关系图谱用于表示各业务对象之间静态的业务关系。
例如,若业务对象为用户,则时序静态特征可以表示用户的年龄、性别的静态上的特点。由于通过现有方式整合众多类型的时序静态特征会存在特征维度***的情况,并不是所有的时序静态特征对于后续的预测有用,因此,本方法想要通过一定方式直接生成时序静态特征。对于时序静态关系图谱,在实际中可以整合表示业务对象多种类型的关系图谱,但是人工构建关系图谱往往因数据缺失而不完整,并且不同类型关系图谱较难融合,因此本方法中想要通过一定方式生成唯一的关系图谱来表征业务对象之间的关系。
基于此,服务器可以针对每个业务对象,将该业务对象的索引分别输入到预测模型中的第一嵌入网络和第二嵌入网络,得到第一嵌入网络输出的该业务对象的时序静态特征和第二嵌入网络输出的该业务对象的时序静态关系图谱生成特征。
本说明书中的预测模型的结构如图2所示。
图2为本说明书提供的一种预测模型的结构示意图。
其中,可以建立业务对象的字典,字典中可以包括每个业务对象的索引(这里提到的索引可以为用户的编号),并将字典中包含索引列表输入不同的嵌入网络(第一嵌入网络和第二嵌入网络)输出相应业务对象的嵌入向量分别作为各业务对象的时序静态特征和时序静态关系图谱生成特征/>其中,n为对象数量,k′1、k′2分别为特征维度。示例地,嵌入网络可以取Pytorch中的嵌入模型torch.nn.Embedding。
S102:确定预设时间段下该业务对象的初始时序动态特征,并将所述初始时序动态特征输入到时序动态网络中,得到时序动态特征,根据所述时序动态特征与所述时序静态特征,得到该业务对象的时序特征。
而后,可以确定预设时间段下该业务对象的初始时序动态特征,并将该初始时序动态特征输入到时序动态网络中,得到时序动态特征,而后,可以根据时序动态特征与时序静态特征,得到该业务对象的时序特征。
在预设时间段[t-T+1,t],各业务对象的初始时序动态特征的序列集合可以表示为D∈Rn*T*k,其中,n为对象数量,T为时间跨度,k为特征维度。示例地,业务对象可以指上市公司等,初始时序动态特征可以取日更新的交易指标等,时序动态网络可以取长短时记忆网络LSTM、门控循环单元网络GRU、自注意力网络Self-Attention等。初始时序动态特征序列集合D经时序动态网络处理后得到t时刻经处理的时序动态特征D′∈Rn*k′,其中,k′为特征维度。将时序动态特征D′∈Rn*k′和时序静态特征横向拼接为t时刻各业务对象的时序特征/>
S104:根据各业务对象的时序静态关系图谱生成特征,生成时序静态关系图谱,所述时序静态关系图谱用于表示各业务对象之间的关系。
S106:将各业务对象的时序特征和所述时序静态关系图谱输入到空间聚合网络,得到所述各业务对象的时空特征。
而后,可以根据各业务对象的时序静态关系图谱生成特征,生成时序静态关系图谱,所述时序静态关系图谱用于表示各业务对象之间的关系,可以将各业务对象的时序特征和所述时序静态关系图谱输入到空间聚合网络,得到各业务对象的时空特征。
需要说明的是,步骤S100、步骤S102和步骤S104之间的先后顺序不进行限定,两个步骤可以并列执行,也可以先后执行。
其中,上述时序静态关系图谱可以通过时序静态关系图谱生成特征得到,如图3所示。
图3为本说明书中提供的一种生成时序静态关系图谱的流程示意图,具体包括以下步骤:
S300:针对每两个业务对象,确定该两个业务对象的时序静态关系图谱生成特征之间的相似度。
S302:将该两个业务对象的时序静态关系图谱生成特征之间的相似度,作为该两个业务对象在时序静态关系图谱中对应节点之间的边权重,以构建出时序静态关系图谱。
即,可以针对每两个业务对象,确定该两个业务对象的时序静态关系图谱生成特征之间的相似度;并将该两个业务对象的时序静态关系图谱生成特征之间的相似度,作为该两个业务对象在时序静态关系图谱中对应节点之间的边权重,以构建出时序静态关系图谱。
具体的,可以通过计算各业务对象的时序静态关系图谱生成特征行与行之间的两两相似度得到相似度矩阵Net=(nij)n*n∈Rn*n,作为各业务对象的时序静态关系图谱,具体的计算形式如下所示:
其中,rowi、rowj分别表示D′2的第i行和j行,∈为了保证计算有效性,默认取1e-8。上述相似度矩阵可以直接作为时序静态关系图谱的邻接矩阵。
时序特征D″1和时序静态关系图谱Net经空间聚合网络处理后得到各业务对象的时空特征D″∈Rn*k″,其中,k″为特征维度。示例地,空间聚合网络可以取多层图卷积神经网络GCN、多层图注意力网络GAT或多层图采样聚合网络GraphSAGE。
S108:根据所述时空特征确定所述目标业务对象在所述预设时间段后的预测结果,以最小化所述预测结果与所述目标业务对象对应的标注信息之间的差异为训练目标对所述预测模型进行训练,以通过训练后的预测模型对目标业务对象的业务结果进行预测。
最后,可以根据上述时空特征确定目标业务对象在上述预设时间段后的预测结果,并以最小化预测结果与目标业务对象对应的标注信息之间的差异为训练目标对预测模型进行训练,以通过训练后的预测模型对目标业务对象的业务结果进行预测。
示例地,预测模型的预测任务可以是上市公司的收益风险预测、财务风险预测等,从而通过预测模型得到的预测结果可以用于对上市公司进行风控,损失函数可以根据下游预测任务取交叉熵损失函数Cross-Entropy Loss。
在预测模型训练完成后,可以通过训练完成后的预测模型得到准确的时序静态特征和时序静态关系图谱,从而可以结合训练完成后的预测模型,预测模型生成的时序静态特征和时序静态关系图谱,完成预测任务。
从上述内容中可以看出,本方法中,通过第一嵌入网络生成业务对象的时序静态特征,并通过第二嵌入网络生成用于得到关系图谱的时序静态关系图谱生成特征,通过预测模型的预测任务,来间接的优化第一嵌入网络和第二嵌入网络,从而得到更加准确的时序静态特征和时序静态关系图谱,从而通过模型训练阶段生成的时序静态特征和时序静态关系图谱,以及结合训练得到的预测模型来对业务对象涉及的业务进行预测,从而避免了现有技术中的时序静态特征维度***和人工构建时序静态关系图谱不完整以及难以融合的问题。
需要说明的是,为了便于描述,将执行本方法的执行主体作为服务器进行描述,本方法的执行主体可以是计算机、大型的服务平台等,在此不进行限定。
另外,需要说明的是,本说明书中所有获取信号、信息或数据的动作都是在遵照所在地相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
以上为本说明书的一个或多个实施例提供的基于时空静态信息自动化生成的预测方法,基于同样的思路,本说明书还提供了基于时空静态信息自动化生成的预测装置,如图4所示。
图4为本说明书提供的一种基于时空静态信息自动化生成的预测装置示意图,包括:
特征生成模块401,用于针对每个业务对象,将该业务对象的索引分别输入到预测模型中的第一嵌入网络和第二嵌入网络,得到所述第一嵌入网络输出的该业务对象的时序静态特征和所述第二嵌入网络输出的该业务对象的时序静态关系图谱生成特征;
特征合并模块402,用于确定预设时间段下该业务对象的初始时序动态特征,并将所述初始时序动态特征输入到时序动态网络中,得到时序动态特征,根据所述时序动态特征与所述时序静态特征,得到该业务对象的时序特征;
图谱生成模块403,用于根据各业务对象的时序静态关系图谱生成特征,生成时序静态关系图谱,所述时序静态关系图谱用于表示各业务对象之间的关系;
聚合模块404,用于将各业务对象的时序特征和所述时序静态关系图谱输入到空间聚合网络,得到所述各业务对象的时空特征;
训练模块405,用于根据所述目标业务对象的时空特征确定所述目标业务对象在所述预设时间段后的预测结果,以最小化所述预测结果与所述目标业务对象对应的标注信息之间的差异为训练目标对所述预测模型进行训练,以通过训练后的预测模型对目标业务对象的业务结果进行预测。
可选地,初始时序动态特征包括每日更新的交易指标。
可选地,所述预测模型用于识别业务对象是否存在风险,所述业务结果包括存在风险和不存在风险。
可选地,根据各业务对象的时序静态关系图谱生成特征,生成时序静态关系图谱,具体包括:
针对每两个业务对象,确定该两个业务对象的时序静态关系图谱生成特征之间的相似度;
将该两个业务对象的时序静态关系图谱生成特征之间的相似度,作为该两个业务对象在时序静态关系图谱中对应节点之间的边权重,以构建出时序静态关系图谱。
可选地,时序动态网络为长短时记忆网络LSTM、门控循环单元网络GRU、自注意力网络Self-Attention中的至少一种。
可选地,所述空间聚合网络为多层图卷积神经网络GCN、多层图注意力网络GAT或多层图采样聚合网络GraphSAGE。
可选地,所述预测模型的训练目标通过交叉熵损失函数Cross-Entropy Loss进行计算。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述基于时空静态信息自动化生成的预测方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现基于时空静态信息自动化生成的预测方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、***、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种基于时空静态信息自动化生成的预测方法,其特征在于,包括:
针对每个业务对象,将该业务对象的索引分别输入到预测模型中的第一嵌入网络和第二嵌入网络,得到所述第一嵌入网络输出的该业务对象的时序静态特征和所述第二嵌入网络输出的该业务对象的时序静态关系图谱生成特征;
确定预设时间段下该业务对象的初始时序动态特征,并将所述初始时序动态特征输入到时序动态网络中,得到时序动态特征,根据所述时序动态特征与所述时序静态特征,得到该业务对象的时序特征;
根据各业务对象的时序静态关系图谱生成特征,生成时序静态关系图谱,所述时序静态关系图谱用于表示各业务对象之间的关系;
将各业务对象的时序特征和所述时序静态关系图谱输入到空间聚合网络,得到各业务对象的时空特征;
根据目标业务对象的时空特征确定所述目标业务对象在所述预设时间段后的预测结果,以最小化所述预测结果与所述目标业务对象对应的标注信息之间的差异为训练目标对所述预测模型进行训练,以通过训练后的预测模型对目标业务对象的业务结果进行预测。
2.如权利要求1所述的方法,其特征在于,初始时序动态特征包括每日更新的交易指标。
3.如权利要求1所述的方法,其特征在于,所述预测模型用于识别业务对象是否存在风险,所述业务结果包括存在风险和不存在风险。
4.如权利要求1所述的方法,其特征在于,根据各业务对象的时序静态关系图谱生成特征,生成时序静态关系图谱,具体包括:
针对每两个业务对象,确定该两个业务对象的时序静态关系图谱生成特征之间的相似度;
将该两个业务对象的时序静态关系图谱生成特征之间的相似度,作为该两个业务对象在时序静态关系图谱中对应节点之间的边权重,以构建出时序静态关系图谱。
5.如权利要求1所述的方法,其特征在于,时序动态网络为长短时记忆网络LSTM、门控循环单元网络GRU、自注意力网络Self-Attention中的至少一种。
6.如权利要求1所述的方法,其特征在于,所述空间聚合网络为多层图卷积神经网络GCN、多层图注意力网络GAT或多层图采样聚合网络GraphSAGE。
7.如权利要求1所述的方法,其特征在于,所述预测模型的训练目标通过交叉熵损失函数Cross-Entropy Loss进行计算。
8.一种基于时空静态信息自动化生成的预测装置,其特征在于,包括:
特征生成模块,用于针对每个业务对象,将该业务对象的索引分别输入到预测模型中的第一嵌入网络和第二嵌入网络,得到所述第一嵌入网络输出的该业务对象的时序静态特征和所述第二嵌入网络输出的该业务对象的时序静态关系图谱生成特征;
特征合并模块,用于确定预设时间段下该业务对象的初始时序动态特征,并将所述初始时序动态特征输入到时序动态网络中,得到时序动态特征,根据所述时序动态特征与所述时序静态特征,得到该业务对象的时序特征;
图谱生成模块,用于根据各业务对象的时序静态关系图谱生成特征,生成时序静态关系图谱,所述时序静态关系图谱用于表示各业务对象之间的关系;
聚合模块,用于将各业务对象的时序特征和所述时序静态关系图谱输入到空间聚合网络,得到各业务对象的时空特征;
训练模块,用于根据目标业务对象的时空特征确定所述目标业务对象在所述预设时间段后的预测结果,以最小化所述预测结果与所述目标业务对象对应的标注信息之间的差异为训练目标对所述预测模型进行训练,以通过训练后的预测模型对目标业务对象的业务结果进行预测。
9.一种计算机可读存储介质,其特征在于,所述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实现上述权利要求1~7任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311546933.6A CN117494052A (zh) | 2023-11-17 | 2023-11-17 | 一种基于时空静态信息自动化生成的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311546933.6A CN117494052A (zh) | 2023-11-17 | 2023-11-17 | 一种基于时空静态信息自动化生成的预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117494052A true CN117494052A (zh) | 2024-02-02 |
Family
ID=89678011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311546933.6A Pending CN117494052A (zh) | 2023-11-17 | 2023-11-17 | 一种基于时空静态信息自动化生成的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117494052A (zh) |
-
2023
- 2023-11-17 CN CN202311546933.6A patent/CN117494052A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245047B (zh) | 时间序列异常检测方法、装置及设备 | |
CN111538794B (zh) | 一种数据融合方法、装置及设备 | |
CN110634030B (zh) | 应用的业务指标挖掘方法、装置及设备 | |
CN116304720B (zh) | 一种代价模型训练的方法、装置、存储介质及电子设备 | |
CN114997472A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN115146731A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN116882767B (zh) | 一种基于不完善异构关系网络图的风险预测方法及装置 | |
CN116757278B (zh) | 一种预测模型的训练方法、装置、存储介质及电子设备 | |
CN116521350B (zh) | 基于深度学习算法的etl调度方法及装置 | |
CN117370536A (zh) | 一种任务执行方法、装置、存储介质及电子设备 | |
CN116308738B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN116578877A (zh) | 一种模型训练及二次优化打标的风险识别的方法及装置 | |
CN116822606A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN116308620A (zh) | 一种模型训练和信息推荐的方法、装置、存储介质及设备 | |
CN117494052A (zh) | 一种基于时空静态信息自动化生成的预测方法及装置 | |
CN117786061B (zh) | 一种基于时空注意力机制的大语言模型预测方法及装置 | |
CN116340852B (zh) | 一种模型训练、业务风控的方法及装置 | |
CN115862675B (zh) | 一种情感识别方法、装置、设备及存储介质 | |
CN116501852B (zh) | 一种可控对话模型训练方法、装置、存储介质及电子设备 | |
CN116109008B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN117035695B (zh) | 一种信息预警的方法、装置、可读存储介质以及电子设备 | |
CN117593003A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN117454247A (zh) | 一种模型的训练方法、装置、存储介质及电子设备 | |
CN116484002A (zh) | 一种论文分类方法、装置、存储介质及电子设备 | |
CN116842570A (zh) | 一种模型训练的方法以及业务风控的方法及装置 |
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 |