一种风险预测模型的训练方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112200382A(43)申请公布日2021.01.08(21)申请号202011167597.0(22)申请日2020.10.27(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人金宏王维强(74)专利代理机构北京博思佳知识产权代理有限公司11415代理人周嗣勇(51)Int.Cl.G06Q10/04(2012.01)G06Q20/40(2012.01)G06F16/36(2019.01)G06N20/00(2019.01)权利要求书7页说明书24页附图9页(54)发明名称一种风险预测模型的训练方法和装置(57)摘要说明书披露一种风险预测模型的训练方法和装置。所述方法包括：接收若干个数据提供方发送的三元组，三元组为各个数据提供方基于本方持有的数据提取得到，三元组中包括第一实体、第二实体和连边，连边表示第一实体和第二实体之间存在关联关系；基于各个数据提供方的三元组构建全局知识图谱；针对每一条样本交易数据，获取样本交易数据中涉及的各目标实体，并确定各目标实体在全局知识图谱中的邻居实体和与邻居实体之间的连边；基于各目标实体、各目标实体的邻居实体、各目标实体与其邻居实体之间的连边和所述样本交易数据构造训练样本；采用所述训练样本训练风险预测模型。CN112200382ACN112200382A权利要求书1/7页1.一种风险预测模型的训练方法，联合若干个数据提供方拥有的数据实现所述风险预测模型的训练，所述方法应用于数据挖掘方，包括：接收若干个数据提供方发送的三元组，所述三元组为各个数据提供方基于本方持有的数据提取得到，所述三元组中包括第一实体、第二实体和连边，所述连边表示第一实体和第二实体之间存在关联关系；基于各个数据提供方的三元组构建全局知识图谱；针对每一条样本交易数据，获取所述样本交易数据中涉及的各目标实体，并确定各目标实体在所述全局知识图谱中的邻居实体和与所述邻居实体之间的连边；基于各目标实体、各目标实体的邻居实体、各目标实体与其邻居实体之间的连边和所述样本交易数据构造训练样本；采用所述训练样本训练风险预测模型。2.根据权利要求1所述方法，所述基于各个数据提供方的三元组构建全局知识图谱，包括：针对每个所述第一实体，从各个数据提供方的三元组中提取出与所述第一实体存在关联关系的第二实体和与所述第二实体之间的连边，将所述第一实体、所述连边和所述第二实体进行融合，得到所述第一实体对应的局部知识图谱；将每个第一实体对应的局部知识图谱融合为所述全局知识图谱。3.根据权利要求1所述方法，所述三元组中还包括实体的初始标签，所述训练样本的样本标签的确定过程，包括：根据各个数据提供方提供的所述目标实体的初始标签，确定所述目标实体的综合标签；根据所述目标实体的综合标签确定所述训练样本的样本标签。4.根据权利要求1所述方法，所述三元组中还包括连边的初始标签，所述训练样本的样本标签的确定过程，包括：根据所述三元组中样本交易数据所涉及的目标实体之间连边的初始标签，确定所述连边的综合标签；根据所述连边的综合标签确定训练样本的样本标签。5.根据权利要求1所述方法，所述基于各个数据提供方的三元组构建全局知识图谱之后，还包括：对所述全局知识图谱进行知识表示训练，得到所述全局知识图谱中各个实体的向量和各条连边的向量；所述基于各目标实体、各目标实体的邻居实体、各目标实体与其邻居实体之间的连边和所述样本交易数据构造训练样本，包括：综合各目标实体的向量、各目标实体的邻居实体的向量、目标实体与邻居实体之间的连边的向量和所述样本交易数据的向量，得到训练样本的特征向量。6.根据权利要求5所述方法，所述对所述全局知识图谱进行知识表示训练，包括：利用知识表示模型对所述全局知识图谱进行知识表示训练。7.根据权利要求6所述方法，所述知识表示模型，包括：距离模型、双线性模型、神经张量模型或矩阵分解模型。2CN112200382A权利要求书2/7页8.根据权利要求1所述方法，所述数据包括非结构化数据；所述非结构化数据包括：交易信息和用户的聊天记录信息。9.根据权利要求1所述方法，所述目标实体包括用户实体和企业实体。10.一种风险预测的方法，联合若干个数据提供方拥有的数据进行风险预测，所述方法应用于数据挖掘方，包括：接收目标数据提供方发起的交易数据风险预测请求，所述风险预测请求中携带所述交易数据和所述交易数据涉及的各目标实体的三元组；向所述若干个数据提供方中的各个非目标数据提供方发送获取各目标实体的三元组的通知；接收各个非目标数据提供方发送的各目标实体的三元组；针对每个所述目标实体，基于各个数据提供方的三元组构建所述目标实体对应的局部知识图