[发明专利]一种同质风险单位特征集合生成方法、装置、设备及介质

权利要求书

1.一种同质风险单位特征集合生成方法，包括：

对于目标风险单位特征集合中的风险单位特征，将该风险单位特征输入至预先训练的风险特征决策树，确定该风险单位特征所划分到的叶子节点，其中，所述风险特征决策树的叶子节点对应风险类别；

对于所述风险特征决策树中目标风险类别的叶子节点，构建与该叶子节点对应的相似度网络，其中，所构建的相似度网络的各节点分别对应划分到该叶子节点的各风险单位特征，所构建的相似度网络图中任两节点间的相似度与该两节点各自对应的风险单位特征间的第一相似度正相关，所述第一相似度为该两节点各自对应的风险特征单位在该叶子节点对应的路径向量间的相似度；

对于所构建的各相似度网络，利用预设社区发现算法，生成该相似度网络的社区，以及用所生成的每个社区中各节点对应的风险单位特征生成与该社区对应的同质风险单位特征集合。

2.如权利要求1所述的方法，所述风险特征决策树是通过如下训练步骤训练得到的：

获取参考样本集合，其中，参考样本包括样本风险单位信息和对应的样本风险类别；

对所述参考样本信息集合中的每个参考样本中样本风险单位信息进行特征提取，得到对应的样本特征；

对于所述参考样本集合中的参考样本，以该参考样本中的样本风险信息对应的样本特征作为输入，以该参考样本中的样本风险类别作为期望输出，训练决策树，得到所述风险特征决策树。

3.如权利要求2所述的方法，所述方法还包括：

对于所述风险特征决策树中目标风险类别的叶子节点，输出至少一项以下信息：与该叶子节点对应的相似度网络的节点数，与该叶子节点对应的相似度网络的每个社区对应的同质风险单位特征集合。

4.如权利要求1-3中任一所述的方法，所述预设社区发现算法为标签传播算法和/或所述第一相似度为该两节点各自对应的风险特征单位在该叶子节点对应的路径向量间的余弦相似度。

5.一种同质风险单位特征集合生成装置，包括：

风险单位特征划分模块，用于对于目标风险单位特征集合中的风险单位特征，将该风险单位特征输入至预先训练的风险特征决策树，确定该风险单位特征所划分到的叶子节点，其中，所述风险特征决策树的叶子节点对应风险类别；

相似度网络构建模块，用于对于所述风险特征决策树中目标风险类别的叶子节点，构建与该叶子节点对应的相似度网络，其中，所构建的相似度网络的各节点分别对应划分到该叶子节点的各风险单位特征，所构建的相似度网络图中任两节点间的相似度与该两节点各自对应的两个风险单位特征间的第一相似度正相关，所述第一相似度为该两节点各自对应的风险特征单位在该叶子节点对应的路径向量间的相似度；

同质风险生成模块，用于对于所构建的各相似度网络，利用预设社区发现算法，生成该相似度网络的社区，以及用所生成的每个社区中各节点对应的风险单位特征生成与该社区对应的同质风险单位特征集合。

6.如权利要求5所述的装置，所述风险特征决策树是通过如下训练步骤训练得到的：

获取参考样本集合，其中，参考样本包括样本风险单位信息和对应的样本风险类别；

对所述参考样本信息集合中的每个参考样本中样本风险单位信息进行特征提取，得到对应的样本特征；

对于所述参考样本集合中的参考样本，以该参考样本中的样本风险信息对应的样本特征作为输入，以该参考样本中的样本风险类别作为期望输出，训练决策树，得到所述风险特征决策树。

7.如权利要求6所述的装置，所述装置还包括：

输出模块，用于对于所述风险特征决策树中目标风险类别的叶子节点，输出至少一项以下信息：与该叶子节点对应的相似度网络的节点数，与该叶子节点对应的相似度网络的每个社区对应的同质风险单位特征集合。

8.如权利要求6-7中任一所述的装置，所述预设社区发现算法为标签传播算法和/或所述第一相似度为该两节点各自对应的风险特征单位在该叶子节点对应的路径向量间的余弦相似度。