[发明专利]一种商户风险识别方法、装置、设备及存储介质

权利要求书

1.一种商户风险识别方法，其特征在于，所述方法包括：

获取目标商户的异构关系网络图，所述异构关系网络图的节点用于表征所述目标商户对应的交易对象的交易数据中的商户和用户，所述异构关系网络图的边用于表征所述节点之间的交易关系；

基于所述异构关系网络图中每个节点的邻接信息，生成所述异构关系网络图的邻接矩阵；

基于所述每个节点对应的交易统计信息，生成所述异构关系网络图的节点交易属性特征矩阵；

将所述邻接矩阵和所述节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成所述目标商户对应的目标商户节点的目标特征信息，所述目标特征信息用于表征对应节点的邻接特征和交易属性特征；

将所述目标特征信息输入分类模型进行商户风险识别，得到所述目标商户的风险识别指标数据。

2.根据权利要求1所述的方法，其特征在于，所述图神经网络包括采样层和卷积层，所述将所述邻接矩阵和所述节点交易属性特征矩阵输入图神经网络进行节点特征提取，生成所述目标商户对应的目标商户节点的目标特征信息包括：

将所述邻接矩阵输入所述采样层进行所述目标商户节点的多阶邻居采样，确定所述目标商户节点的采样邻居节点；

将所述节点交易属性特征矩阵中所述采样邻居节点的交易属性特征向量输入所述卷积层进行特征聚合处理，生成所述目标特征信息。

3.根据权利要求2所述的方法，其特征在于，所述采样邻居节点包括一阶邻居节点和二阶邻居节点，所述卷积层包括第一卷积层和第二卷积层，所述将所述节点交易属性特征矩阵中所述采样邻居节点的交易属性特征向量输入所述卷积层进行特征聚合处理，生成所述目标特征信息包括：

将所述二阶邻居节点的交易属性特征向量输入所述第一卷积层进行特征平均聚合处理，得到所述一阶邻居节点的特征嵌入向量；

将所述一阶邻居节点的交易属性特征向量输入所述第一卷积层进行特征平均聚合处理，得到所述目标商户节点的特征嵌入向量；

将所述一阶邻居节点的特征嵌入向量和所述目标商户节点的特征嵌入向量输入所述第二卷积层进行特征平均聚合处理，得到所述目标特征信息。

4.根据权利要求1所述的方法，其特征在于，所述基于所述异构关系网络图中每个节点的邻接信息，生成所述异构关系网络图的邻接矩阵包括：

生成节点标识信息与目标序号的节点映射文件；

基于所述节点映射文件和所述邻接信息，生成所述异构关系网络图的邻接表；

对所述邻接表进行特征提取，生成所述邻接矩阵。

5.根据权利要求1所述的方法，其特征在于，所述基于所述每个节点对应的交易统计信息，生成所述异构关系网络图的节点交易属性特征矩阵包括：

根据所述每个节点对应的交易统计信息，确定多个交易属性特征下所述每个节点对应的特征参数；

根据决策树和所述多个交易属性特征的影响因子，对所述多个交易属性特征进行筛选，得到目标交易属性特征；

根据所述目标交易属性特征下所述每个节点对应的特征参数，生成所述每个节点的交易属性特征向量；

对所述每个节点的交易属性特征向量进行拼接处理，得到所述节点交易属性特征矩阵。

6.根据权利要求1至5任一所述的方法，其特征在于，所述方法还包括：

获取样本异构关系网络图和所述样本异构关系网络图中样本商户节点对应的风险类别标签；

生成所述样本异构关系网络图的样本邻接矩阵和样本节点交易属性特征矩阵；

将所述样本邻接矩阵和所述样本节点交易属性特征矩阵输入初始图神经网络进行节点特征提取，得到所述样本商户节点的初始目标特征信息；

基于所述初始目标特征信息对应的风险识别类别和所述风险类别标签的交叉熵，确定损失函数；

基于所述损失函数，确定下降梯度；

基于所述下降梯度和预设学习率更新所述初始图神经网络的网络参数，得到更新后的初始图神经网络；

将所述更新后的初始图神经网络作为所述图神经网络。