[发明专利]一种基于知识图谱和图深度学习的金融信用风险评估方法

权利要求书

1.一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，包括如下步骤：

S1：获取用户历史信用数据；

S2：根据信用数据构建用户知识图谱；

S3：利用图神经网络对用户知识图谱进行图深度学习，得到知识图谱的特征；

S4：利用知识图谱的特征表征用户的信用特征；

S5：基于所述用户信用特征，通过风险评估模型对所述用户进行金融信用风险评估，并通过softmax函数判别用户是否存在风险。

2.根据权利要求1所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述S1中历史信用数据包括结构化数据、半结构化数据和非结构化数据。

3.根据权利要求1所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述S2中具体包括：S21：对结构化数据、半结构化数据和非结构化数据进行处理预处理；S22：对预处理后的非结构化数据、半结构化和结构化信用数据进行知识抽取，并将抽取后的数据加入数据库；S23：对知识库进行知识融合，包括实体消歧、共指消解；S24：采用自底向上构建数据模型，完成结构化、网络化的知识表示；S25：根据已有的数据模型进行知识推理、知识发现，完成用户知识图谱的构建。

4.根据权利要求3所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述S21中数据预处理包括：S211：读取文本：获得字的部首的全集chars_set，bios_set，relations_set；S212：遍历训练数据：将每个句子中token_id,token,bio,relations,heads作为列表封装到该句子中；S213：遍历当前句子将样本数据id化，将句子中字列表embedding_ids,偏旁部首id的列表char_ids,实体标签的列表bio_ids，关系的列表scoringMatrixHeads封装到句子中；S214：处理句子id化的数据，使其在一个批量数据内每个句子的维度相等，已最长句子的维度作为最大维度，不足的填充0；上述token为句子中的字，relations为实体关系，heads为对应关系下标位置。

5.根据权利要求3所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述S22中对非结构化数据进行知识抽取包括：S221：从所述非结构化数据中基于相关度提取关键数据，

相关度为其中，k(w_i,w_j)为数据w_i与数据w_j的相关度，tfid(w_i)为w_i的词频与逆向频率值，d为关于数据w_i与数据w_j关于词向量的欧式距离；S222：使用深度学习对提取的关键数据中的句子进行实体识别和关系抽取。

6.根据权利要求3所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述S22中对结构化数据进行知识抽取包括：使用D2R技术对半结构化数据进行转换处理，将数据转换为关联数据。

7.根据权利要求3所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述S22中对半结构化数据处理基于属性抽取、Ontolog信息抽取、开放信息抽取。

8.根据权利要求1所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述S3中具体包括：S31：利用DeepWalk算法对所述用户信用知识图谱图做图嵌入，获得知识图谱各节点和边的向量表征；S32：将所述各节点和边的向量表征输入图神经网络中训练，学习各节点的特征，得到用户节点的特征向量表征。

9.根据权利要求1所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，S5中风险评估模型是一个多分类模型，模型函数为softmax分类器模型输入用户信用特征，根据输出值大小判断风险等级。