[发明专利]一种模型训练、风险识别的方法、装置及设备

权利要求书

1.一种模型训练的方法，包括：

根据各用户之间的历史业务关系以及预设的图计算方法，确定表征所述各用户之间历史业务关系的拓扑图，其中，所述各用户分别对应所述拓扑图中的各顶点；

根据所述拓扑图中的各顶点所构成的拓扑结构，确定各顶点的特征向量；

根据确定出的各顶点的特征向量以及预先确定出的各用户所对应的历史风险结果，训练风险识别模型。

2.如权利要求1所述的方法，在所述拓扑图中，两个顶点之间的最短路径越短，则这两个顶点对应的特征向量的点积越大，两个顶点之间的最短路径越长，则这两个顶点对应的特征向量的点积越小；

在所述拓扑图中，两个顶点的局部拓扑结构越相似，则这两个顶点对应的特征向量的点积越大，两个顶点的局部拓扑结构越不相似，则这两个顶点对应的特征向量的点积越小，其中，一个顶点的局部拓扑结构，由与该顶点一阶至N阶邻接的其他顶点的数量表征，N为设定的正整数。

3.如权利要求1或2所述的方法，根据所述拓扑图中的各顶点所构成的拓扑结构，确定各顶点的特征向量，具体包括：

针对所述拓扑图中的每个顶点，以下述公式为损失函数，采用无监督学习方法，确定该顶点的特征向量；

其中，L是损失函数值；

是该顶点的特征向量；

T(W)是指与该顶点具有一阶至N阶邻接关系的其他顶点的集合，或在所述拓扑图中与该顶点的局部拓扑结构相似的其他顶点的集合；

U(W)是指在所述拓扑图中，与该顶点的邻接关系大于N阶邻接，且在所述拓扑图中与该顶点的局部拓扑结构不相似的其他顶点的集合；

是指在所述拓扑图中，与该顶点的邻接关系大于N阶邻接，且在所述拓扑图中与该顶点的局部拓扑结构不相似的其他顶点的特征向量；

σ是激励函数；

λ是与N有关的超参数；

E_c′∈U(w)[]是c′符合该顶点概率分布的期望值。

4.一种风险识别的方法，包括：

确定参与业务的各用户的特征向量；

根据确定出的特征向量以及如权利要求1～3任一所述的方法所训练出的风险识别模型，对所述业务的进行风险识别。

5.如权利要求4所述的方法，所述方法还包括：

当根据所述风险识别模型确定所述业务存在风险时，则根据与所述各用户的特征向量相匹配的特征向量所对应的用户的风险行为，确定所述各用户的风险行为，其中，当两个特征向量之间的点积大于设定阈值时，则确定这两个特征向量相匹配。

6.一种模型训练的装置，包括：

第一确定模块，根据各用户之间的历史业务关系以及预设的图计算方法，确定表征所述各用户之间历史业务关系的拓扑图，其中，所述各用户分别对应所述拓扑图中的各顶点；

第二确定模块，根据所述拓扑图中的各顶点所构成的拓扑结构，确定各顶点的特征向量；

训练模块，根据确定出的各顶点的特征向量以及预先确定出的各用户所对应的历史风险结果，训练风险识别模型。

7.如权利要求6所述的装置，在所述拓扑图中，两个顶点之间的最短路径越短，则这两个顶点对应的特征向量的点积越大，两个顶点之间的最短路径越长，则这两个顶点对应的特征向量的点积越小；

在所述拓扑图中，两个顶点的局部拓扑结构越相似，则这两个顶点对应的特征向量的点积越大，两个顶点的局部拓扑结构越不相似，则这两个顶点对应的特征向量的点积越小，其中，一个顶点的局部拓扑结构，由与该顶点一阶至N阶邻接的其他顶点的数量表征，N为设定的正整数。