金融风险预测方法、金融风险评分卡的生成方法和装置

摘要

本申请公开一种金融风险预测方法、金融风险评分卡的生成方法和装置。进行金融风险预测和生成评分卡之前，建立金融知识图谱；从金融知识图谱中确定目标顶点所属的社区；根据社区内所有顶点的金融负面信息获得社区的风险社区因子；获得金融知识图谱中目标顶点参与的传导路径上，从一级顶点到目标顶点之间相邻接的两个顶点间的衰减权重；根据衰减权重和传导路径获得目标顶点的风险传导因子。根据目标顶点的风险社区因子和/或目标顶点的风险传导因子预测目标顶点的金融风险或者生成目标顶点的金融风险评分卡。提出的风险社区因子和风险传导因子提升商户金融风险评定的准确性，提升了金融场景下风险管控的有效性。

说明书

技术领域

本申请涉及数据处理技术领域，特别是涉及一种金融风险预测方法、金融风险评分卡的生成方法和装置。

背景技术

当前互联网金融场景活跃发展，个人客户风险管控较为成熟，但商户风险管理一直是短板。依托线上支付、缴费等场景平台，各大商业银行互联网场景商户数量快速扩张。但在业务发展的同时，场景商户风险管理工作中存在的问题也日益凸显。

首先，在商户准入方面，目前缺少丰富的商户身份识别和尽职调查手段。其次，在商户经营管理阶段，缺乏日常商户经营的跟踪监测和实时预警机制。同时，在商户巡检环节，缺乏有针对性的可疑商户巡检机制。另外，人民银行下发了一系列监管要求，各家商业银行均面临不同程度监管和合规隐患。

经过调研，目前各大商业银行已普遍引入商户评级等管理机制，以补齐互联网场景商户功能短板。从技术角度，商户风险评价通用解决方案是建立专家评分卡，通过商户注册信息、工商信息、结算账户信息等数百项风险因子，结合专家经验及数据分析手段，赋予评价因子不同风险权重，汇总得到最终商户风险评分。根据一般商户风险评分卡设计，风险等级可分为高、较高、一般、较低、低五个风险等级。

近年来工商及司法纠纷案件易集群出现，近年来欺诈案件频发，呈现出产业链化、高科技化、多渠道化发展趋势。目前商户风险评估方案中，只考虑单个商户实体信息，未能充分利用商户间及商户法人间的关联信息，无法有效利用公共数据资源。为确保场景金融业务健康快速发展，提升商业银行互联网金融风险管控能力，需建立可针对商户的更完善的金融风险评估方案，搭建起能够有效应对当前开放场景金融的风险控制体系和手段。

发明内容

基于上述问题，本申请提供了一种金融风险预测方法、金融风险评分卡的生成方法和装置，以提升商户风险评定的准确性，提升金融场景下风险管控的有效性。

本申请实施例公开了如下技术方案：

本申请第一方面提供一种金融风险预测方法，包括：

建立金融知识图谱；所述金融知识图谱中包括多个顶点，一个顶点表示一个商户或者一个法人客户，顶点之间的边表示顶点之间具有的金融交易关系；

从所述金融知识图谱中确定目标顶点所属的社区；所述社区包括多个顶点；根据所述社区内所有顶点的金融负面信息获得所述社区的风险社区因子；所述社区内所有顶点共享所述社区的风险社区因子；

获得所述金融知识图谱中所述目标顶点参与的传导路径上，从一级顶点到所述目标顶点之间相邻接的两个顶点间的衰减权重；根据所述衰减权重和所述传导路径获得所述目标顶点的风险传导因子；

根据所述目标顶点的风险社区因子和/或所述目标顶点的风险传导因子预测所述目标顶点的金融风险。

可选地，所述从所述金融知识图谱中确定目标顶点所属的社区，包括：

通过标签传播LPA算法从所述金融知识图谱中确定目标顶点所属的社区。

可选地，所述根据所述社区内所有顶点的金融负面信息获得所述社区的风险社区因子，包括：

获得所述社区内所有顶点的网页级别PR值；

根据所述社区内所有顶点的总数、所述社区内所有顶点的PR值以及所述社区内所有顶点在风险项集合中的每一个风险项的金融负面信息，获得所述社区在每一个风险项的风险值；

根据每一个风险项的权重和所述社区在每一个风险项的风险值加权求和获得所述社区的风险社区因子。

可选地，所述根据所述社区内所有顶点的总数、所述社区内所有顶点的PR值以及所述社区内所有顶点在风险项集合中的每一个风险项的金融负面信息，获得所述社区在每一个风险项的风险值，包括：

对于所述风险项集合中的任意一个风险项，将所述社区内在该风险项具有金融负面信息的顶点作为该风险项对应的关键风险顶点，该风险项对应的每个关键风险顶点在该风险项的标签值为1；

将所述社区内该风险项对应的每个关键风险顶点在该风险项的标签值与其PR值相乘获得所述社区内该风险项对应的每个关键风险顶点的第一乘积；

将所述社区内该风险项对应的所有关键风险顶点的第一乘积相加得到第一求和结果；

将所述第一求和结果作为分子，将所述社区内所有顶点的总数作为分母，进行除法运算得到所述社区在该风险项的风险值。

可选地，以上方法还包括：

确定所述风险传导级数；

根据所述风险传导级数从所述金融知识图谱中确定出所述目标顶点参与的传导路径；所述传导路径上所述一级顶点到所述目标顶点的传导级数小于或等于所述风险传导级数；所述一级顶点具有金融负面信息。

可选地，所述根据所述衰减权重和所述传导路径获得所述目标顶点的风险传导因子，包括：

在所述传导路径的传导方向上，对于每一个顶点，根据上一顶点的风险传导值以及所述上一顶点和本顶点之间的衰减权重获得本顶点的风险传导值；所述一级顶点的标签值作为所述一级顶点的风险传导值；

根据所述目标顶点在所述传导路径上的风险传导值获得所述目标顶点的风险传导因子。

可选地，所述风险项集合包括以下风险项：

工商、司法和反洗钱。

本申请第二方面提供一种金融风险评分卡的生成方法，包括：

建立金融知识图谱；所述金融知识图谱中包括多个顶点，一个顶点表示一个商户或者一个法人客户，顶点之间的边表示顶点之间具有的金融交易关系；

从所述金融知识图谱中确定目标顶点所属的社区；所述社区包括多个顶点；根据所述社区内所有顶点的金融负面信息获得所述社区的风险社区因子；所述社区内所有顶点共享所述社区的风险社区因子；

获得所述金融知识图谱中所述目标顶点参与的传导路径上，从一级顶点到所述目标顶点之间相邻接的两个顶点间的衰减权重；根据所述衰减权重和所述传导路径获得所述目标顶点的风险传导因子；

根据所述目标顶点的风险社区因子和/或所述目标顶点的风险传导因子生成所述目标顶点的金融风险评分卡。

本申请第三方面提供一种金融风险预测装置，包括：

图谱建立模块，用于建立金融知识图谱；所述金融知识图谱中包括多个顶点，一个顶点表示一个商户或者一个法人客户，顶点之间的边表示顶点之间具有的金融交易关系；

社区确定模块，用于从所述金融知识图谱中确定目标顶点所属的社区；所述社区包括多个顶点；

风险社区因子获取模块，用于根据所述社区内所有顶点的金融负面信息获得所述社区的风险社区因子；所述社区内所有顶点共享所述社区的风险社区因子；

衰减权重获取模块，用于获得所述金融知识图谱中所述目标顶点参与的传导路径上，从一级顶点到所述目标顶点之间相邻接的两个顶点间的衰减权重；

风险传导因子获取模块，用于根据所述衰减权重和所述传导路径获得所述目标顶点的风险传导因子；

风险预测模块，用于根据所述目标顶点的风险社区因子和/或所述目标顶点的风险传导因子预测所述目标顶点的金融风险。

本申请第四方面提供一种金融风险评分卡的生成装置，包括：

图谱建立模块，用于建立金融知识图谱；所述金融知识图谱中包括多个顶点，一个顶点表示一个商户或者一个法人客户，顶点之间的边表示顶点之间具有的金融交易关系；

社区确定模块，用于从所述金融知识图谱中确定目标顶点所属的社区；所述社区包括多个顶点；

风险社区因子获取模块，用于根据所述社区内所有顶点的金融负面信息获得所述社区的风险社区因子；所述社区内所有顶点共享所述社区的风险社区因子；

衰减权重获取模块，用于获得所述金融知识图谱中所述目标顶点参与的传导路径上，从一级顶点到所述目标顶点之间相邻接的两个顶点间的衰减权重；

风险传导因子获取模块，用于根据所述衰减权重和所述传导路径获得所述目标顶点的风险传导因子；

评分卡生成模块，用于根据所述目标顶点的风险社区因子和/或所述目标顶点的风险传导因子生成所述目标顶点的金融风险评分卡。

相较于现有技术，本申请具有以下有益效果：

本申请提供的金融风险预测方法、金融风险评分卡的生成方法和装置，在进行金融风险预测和生成评分卡之前，需要建立金融知识图谱；金融知识图谱中包括多个顶点，一个顶点表示一个商户或者一个法人客户，顶点之间的边表示顶点之间具有的金融交易关系；从金融知识图谱中确定目标顶点所属的社区；社区包括多个顶点；根据社区内所有顶点的金融负面信息获得社区的风险社区因子；社区内所有顶点共享社区的风险社区因子；获得金融知识图谱中目标顶点参与的传导路径上，从一级顶点到目标顶点之间相邻接的两个顶点间的衰减权重；根据衰减权重和传导路径获得目标顶点的风险传导因子。最后，根据目标顶点的风险社区因子和/或目标顶点的风险传导因子预测目标顶点的金融风险或者生成目标顶点的金融风险评分卡。在本申请中，提出风险社区因子和风险传导因子，以表征金融负面信息对社区和多度传导关系顶点的影响，弥补现有专家评分卡只统计个体信息的弊端，充分将金融交易关系结合外部数据，从而提升了商户金融风险评定的准确性，提升了金融场景下风险管控的有效性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种金融风险预测方法的流程图；

图2为本申请实施例提供的一种应用PR函数度量顶点影响力的示意图；

图3为本申请实施例提供的一种超步内并行化处理消息并生成消息传递给下一个超步的示意图；

图4为Pregel API消息传递过程示意图；

图5为本申请实施例提供的一种金融风险评分卡的生成方法的流程图；

图6为本申请实施例提供的一种金融风险预测装置的结构示意图；

图7为本申请实施例提供的一种金融风险评分卡的生成装置的结构示意图。

具体实施方式

正如前文描述，目前的商户风险评估方案中，通常只考虑单个商户实体信息，未能充分利用商户间及商户法人间的关联信息，无法有效利用公共数据资源。从评估的准确性来看，准确性不足，难以为当前的金融风险管控提供有效的支持。针对此问题，发明人经过研究提供了一种金融风险预测方法、金融风险评分卡的生成方法和装置。在金融知识图谱的基础上，提出了获取风险社区因子和风险传导因子，有效利用了金融交易数据和外部数据，提升了商户风险评定的准确性，并提升了金融场景下风险管控的有效性。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参见图1，该图为本申请实施例提供的一种金融风险预测方法的流程图。如图1所示，本申请实施例提供的金融风险预测方法，包括：

S101：建立金融知识图谱。

知识图谱有许多技术手段可以实现。Spark是专为大规模数据处理而设计的快速通用的计算引擎，适用于数据挖掘与机器学习等大数据应用领域，GraphX是基于Spark内核的分布式图计算组件。Spark中最基本的数据抽象是弹性分布式数据集(ResilientDistributed DataSet，简写RDD)，分布式节点对数据可以并行计算。通过引入属性图，即顶点和边均有属性的有向多重图，来扩充Spark的RDD，并提供图计算和图挖掘接口，极大地方便了对分布式图处理的需求。GraphX用边RDD和顶点RDD来表示一个图，这种方式可以解决处理大规模图模型时的分区问题。分区图的分布式处理是把图拆分成很多的子图，然后分别对这些子图进行并行计算。

在本申请实施例中，S101可以首先定义需要建成的知识图谱中的顶点和边。金融知识图谱中包括多个顶点，一个顶点表示一个商户或者一个法人客户，顶点之间的边表示顶点之间具有的金融交易关系。在一种实现方式中，将关于商户、法人客户和其间的金融交易关系作为数据基础，利用Spark的GraphX组件即可以建立起关于这些商户和法人客户的金融知识图谱。

下面以目标顶点作为该金融知识图谱中一个示例介绍的主体对象进行描述。

S102：从金融知识图谱中确定目标顶点所属的社区。

本步骤的执行目的是识别出S101所建立的金融知识图谱中紧密交织的群体。对于社区而言，其一般包括多个顶点。

在一种可能的实现方式中，可以根据知识图谱中顶点之间的金融交易的频率、金额、距离等信息确定出社区。

在另一种可能的实现方式中，可以利用标签传播(Label Propagation，简称LPA)算法确定出各个社区。LPA是一种检测社区结构的实现方案，其总体思想是让稠密连接的顶点在唯一的标签上达成一致，并将这些顶点定义为一个社区。考虑到LPA通常无法收敛，因此可以利用GraphX提供的指定迭代次数的静态调用方式，在LPA计算过程实现制定迭代次数的迭代。

作为示例，知识图谱中的各个顶点以自身的客户号ID作为在需要确定社区时向其他顶点传播的标签，经过多次传播，具有稠密关系的顶点的标签趋于一致。进而可以根据一致的标签确定社区。

S103：根据社区内所有顶点的金融负面信息获得社区的风险社区因子。

为了获得社区的风险社区因子，需要根据知识图谱中社区的结构(包括顶点和边)了解各个顶点的影响力。在一种可能的实现方式中，可以通过网页级别(PageRank，简称PR)算法获得各个顶点的PR值，PR值越高代表在社区中的影响力越高，重要性越高。PR值仅仅与知识图谱中的结构有关。

采用网页级别(PageRank，简称PR)算法，网页级别最早用于Google评估网页重要性，并作为搜索引擎排名的重要参数，这个算法也可以用来度量图中顶点的影响力。图2示意了一种应用PR函数度量顶点影响力的示意图。图2中标识的数值为计算出的各个顶点的PR值。

经过研究发现，当一个社区中存在较多的具有金融负面信息的顶点时，其他顶点存在风险的几率上升。通过跟踪分析，经过一段时间的推移后，PR值越大的商户转变为异常商户的可能性越高。由此可见，获取顶点的PR值以及风险社区因子的重要性。

本步骤实现时，可以首先获得社区内所有顶点的PR值；其后根据社区内所有顶点的总数、社区内所有顶点的PR值以及社区内所有顶点在风险项集合中的每一个风险项的金融负面信息，获得社区在每一个风险项的风险值；最后根据每一个风险项的权重和社区在每一个风险项的风险值加权求和获得社区的风险社区因子。

对于风险项集合中的任意一个风险项，将社区内在该风险项具有金融负面信息的顶点作为该风险项对应的关键风险顶点，该风险项对应的每个关键风险顶点在该风险项的标签值为1；将社区内该风险项对应的每个关键风险顶点在该风险项的标签值与其PR值相乘获得社区内该风险项对应的每个关键风险顶点的第一乘积；将社区内该风险项对应的所有关键风险顶点的第一乘积相加得到第一求和结果；将第一求和结果作为分子，将社区内所有顶点的总数作为分母，进行除法运算得到社区在该风险项的风险值。

在本申请实施例中，风险项集合包括多个风险项。作为示例，包括司法、工商和反洗钱三个风险项。下面结合示例描述上述实现方式。以工商风险项为例，目标顶点所在的社区内的顶点总数为N，在工商具有金融负面信息的顶点(即关键风险顶点)包括A、B、C三个顶点，其PR值分别为K

S

PR值可以理解为求取风险值的内部权重，另外还可以预先配置不同风险项的权重作为求取风险社区因子的外部权重。假设司法、工商和反洗钱三个风险项的权重分别为K

Q

在公式(2)中，社区在司法风险项的风险值S

社区内所有顶点共享社区的风险社区因子。按照以上方式获得社区的风险社区因子后，即相当于获得目标顶点的风险社区因子。例如，同一社区所有的顶点的风险社区因子均为0.3。

S104：获得金融知识图谱中目标顶点参与的传导路径上，从一级顶点到目标顶点之间相邻接的两个顶点间的衰减权重。

金融知识图谱中，由一条边连接的两个顶点之间具有金融交易关系。该金融交易关系可能是单向的，也可能是双向的。金融交易关系的方向也即是传导路径的传到方向。例如，顶点A向顶点B转账，顶点B向顶点C转账，则顶点A、B和C共同位于一条包含A→B→C的传导路径上。假设顶点A本身具有金融负面信息，则其相比于不具备金融负面信息的顶点C具有较高的金融风险。由于其位于同一条传导路径，且顶点C与顶点A的距离较近(中间仅相隔一个顶点B)，则顶点A可以通过该路径将风险传导给其下游的顶点B和顶点C。由于顶点B与顶点A的距离较近，为邻接顶点，顶点C与顶点A的距离相对较远，因此顶点A的风险对顶点B的影响要大于顶点A的风险对顶点C的影响。

在实际应用中，为了获得目标顶点的风险传导因子，可以首先明确出目标顶点所在的传导路径。判断其上游的顶点是否具备金融负面信息。如果是，则该目标顶点也有可能受到具备金融负面信息的上游顶点的影响。这种上游顶点称为一级顶点。以上述示例为例，顶点A为一级顶点，顶点B和顶点C依次为二级顶点和三级顶点。从一级顶点到二级顶点的衰减权重要高于二级顶点到三级顶点的衰减权重，以此类推。例如顶点A到顶点B的衰减权重0.7，顶点B到顶点C的衰减权重0.4。

S105：根据衰减权重和传导路径获得目标顶点的风险传导因子。

本步骤在具体实现时，可以在传导路径的传导方向上，对于每一个顶点，根据上一顶点的风险传导值以及上一顶点和本顶点之间的衰减权重获得本顶点的风险传导值。例如，顶点B的风险传导值为根据顶点A的风险传导值和顶点A到顶点B的衰减权重的乘积获得的；顶点C的风险传导值为根据顶点B的风险传导值和顶点B到顶点C的衰减权重的乘积获得的。

在整个传导路径上，一级顶点的标签值作为一级顶点的风险传导值。例如一级顶点的标签值为1，则一级顶点的风险传导值就是1。

目标顶点的风险传导因子具体为根据目标顶点在传导路径上的风险传导值获得的。若目标顶点仅位于一条传导路径上，则可以直接将获取到的目标顶点的风险传导值作为目标顶点的风险传导因子。而若目标顶点位于多条传导路径上，例如路径一(A→B→C)和路径二(E→F→G→C)，则可以综合目标顶点C在多条传导路径上分别获得的风险传导值来计算风险传导因子。

需要说明的是，金融风险在传导路径上的传导也可以视为风险标签的传导。例如，一级顶点具有金融负面信息，则一级顶点带有一个风险标签，通过传导路径，一级顶点将风险标签逐步传导至下游的二级顶点、三级顶点……风险标签可以分为多个风险项维度的标签，也可以是一个综合所有风险项维度的标签。

在图1中仅以先获取风险社区因子后获取风险传导因子为示例。在实际应用中，风险社区因子和风险传导因子的获取顺序不做限制。例如，可以先执行S104-S105后执行S102-S103，也可以同步执行S102-S103和S104-S105。

S106：根据目标顶点的风险社区因子和/或目标顶点的风险传导因子预测目标顶点的金融风险。

在一种可能的实现方式中，为风险社区因子和风险传导因子分别配以第一权重和第二权重，将目标顶点的风险社区因子与第一权重相乘，再将目标顶点的风险传导因子与第二权重相乘。将两个乘积的和作为最终评估值，评估目标顶点的金融风险。最终评估值越高，表示该目标顶点的金融风险越高。

以上即为本申请提供的金融风险预测方法，在本申请中，提出风险社区因子和风险传导因子，以表征金融负面信息对社区和多度传导关系顶点的影响，弥补现有专家评分卡只统计个体信息的弊端，充分将金融交易关系结合外部数据，从而提升了商户金融风险评定的准确性，提升了金融场景下风险管控的有效性。

在以上实施例中，描述的各个风险项的金融负面信息具体可以来统计机构、工商局、法院等。此处对于金融负面信息的来源渠道不做限制。

可选地，在前述S104执行之前，还可以包括以下步骤：

确定风险传导级数；根据风险传导级数从金融知识图谱中确定出目标顶点参与的传导路径。

例如，风险传导级数M＝2(M为正整数)，则要求确定出的传导路径中仅包括一级节点、二级节点和三级节点。类似地，如果风险传导级数M＝3，则要求确定出的传导路径中仅包括一级节点、二级节点、三级节点和四级节点。作为示例，顶点E(具有金融负面信息)、F、G和C以此具有金融交易关系，如果M＝2，则确定出的传导路径包括E→F→G，而不包含顶点C。在该路径上，顶点F和顶点G均可以作为目标顶点。也就是说，依据风险传导级数确定出的传导路径上，一级顶点到目标顶点的传导级数小于或等于风险传导级数M。

风险传导级数可以根据实际需求进行设置，此处对设置的风险传导级数的具体数值不做限制。在本申请实施例中，以风险传导级数确定传导路径，可以提升运算效率。

在前述的风险传导因子计算过程，可以利用GraphX组件的Pregel API提供简明的函数式算法设计实现。算法被分成一系列超步，每一个超步就是一轮单独的迭代。在每个超步内部，每个顶点的计算都是并行的。在超步结束前，每个顶点都为其他顶点生成消息，这些消息传递到下一个超步中。由于有同步屏障机制，直到当前超步全部执行完后，下一个超步才会开始执行。图3为本申请实施例提供的一种超步内并行化处理消息并生成消息传递给下一个超步的示意图。

Pregel API主要通过消息合并(mergeMsg)、消息处理(vprog)和消息发送(sendMsg)完成超步迭代工作。mergeMsg函数将上一个超步发送过来的消息合并处理，其返回结果消息但不会直接对顶点更新，返回结果消息作为参数传递给顶点处理程序vprog，vprog以顶点和消息作为输入，返回新的顶点数据以便被框架更新到顶点中。在超步迭代的最后一步，顶点会沿着出边的方向发送消息，顶点也可以选择不发送消息。如果目标顶点未收到任何消息，则不会参与下一个超步运算，发送逻辑被定义在sendMsg函数中。图4示意了Pregel API消息传递过程。

基于前述实施例提供的金融风险预测方法，本申请还相应地提出一种金融风险评分卡的生成方法。参见图5，该图为金融风险评分卡的生成方法的流程图。如图5所示，S501-S505与前述实施例中S101-S105的实现方式基本相同，此处不再赘述。

S506：根据目标顶点的风险社区因子和/或目标顶点的风险传导因子生成目标顶点的金融风险评分卡。

在金融风险评分卡中可以包含多个顶点的风险社区因子和/或风险传导因子。此外，还可以包含依据风险社区因子和风险传导因子获得的对目标顶点的最终评估值。

在以上实施例中，通过提出风险社区因子和风险传导因子，以表征金融负面信息对社区和多度传导关系顶点的影响，弥补现有专家评分卡只统计个体信息的弊端，充分将金融交易关系结合外部数据，完善了金融风险评分卡。依据该评分卡对商户的金融风险进行评定，提升了评定的准确性，提升了金融场景下风险管控的有效性。

以上实施例中提供的方法生成的评分卡可以部署于商业银行的线上支付管理平台的解决方案。

基于前述方法实施例，相应地，本申请还提供了一种金融风险预测装置和一种金融风险评分卡的生成装置。以下结合实施例和附图进行说明。

图6为一种金融风险预测装置的结构示意图。如图6所示，金融风险预测装置600包括：

图谱建立模块601，用于建立金融知识图谱；所述金融知识图谱中包括多个顶点，一个顶点表示一个商户或者一个法人客户，顶点之间的边表示顶点之间具有的金融交易关系；

社区确定模块602，用于从所述金融知识图谱中确定目标顶点所属的社区；所述社区包括多个顶点；

风险社区因子获取模块603，用于根据所述社区内所有顶点的金融负面信息获得所述社区的风险社区因子；所述社区内所有顶点共享所述社区的风险社区因子；

衰减权重获取模块604，用于获得所述金融知识图谱中所述目标顶点参与的传导路径上，从一级顶点到所述目标顶点之间相邻接的两个顶点间的衰减权重；

风险传导因子获取模块605，用于根据所述衰减权重和所述传导路径获得所述目标顶点的风险传导因子；

风险预测模块606，用于根据所述目标顶点的风险社区因子和/或所述目标顶点的风险传导因子预测所述目标顶点的金融风险。

图7为一种金融风险评分卡的生成装置的结构示意图。如图7所示，金融风险评分卡的生成装置700包括：

图谱建立模块701，用于建立金融知识图谱；所述金融知识图谱中包括多个顶点，一个顶点表示一个商户或者一个法人客户，顶点之间的边表示顶点之间具有的金融交易关系；

社区确定模块702，用于从所述金融知识图谱中确定目标顶点所属的社区；所述社区包括多个顶点；

风险社区因子获取模块703，用于根据所述社区内所有顶点的金融负面信息获得所述社区的风险社区因子；所述社区内所有顶点共享所述社区的风险社区因子；

衰减权重获取模块704，用于获得所述金融知识图谱中所述目标顶点参与的传导路径上，从一级顶点到所述目标顶点之间相邻接的两个顶点间的衰减权重；

风险传导因子获取模块705，用于根据所述衰减权重和所述传导路径获得所述目标顶点的风险传导因子；

评分卡生成模块706，用于根据所述目标顶点的风险社区因子和/或所述目标顶点的风险传导因子生成所述目标顶点的金融风险评分卡。

在本申请中，提出风险社区因子和风险传导因子，以表征金融负面信息对社区和多度传导关系顶点的影响，弥补现有专家评分卡只统计个体信息的弊端，充分将金融交易关系结合外部数据，从而提升了商户金融风险评定的准确性，提升了金融场景下风险管控的有效性。

可选地，社区确定模块602和702用于通过标签传播LPA算法从所述金融知识图谱中确定目标顶点所属的社区。

可选地，风险社区因子获取模块603和703包括：

网页级别值获取单元，用于获得所述社区内所有顶点的网页级别PR值；

风险值获取单元，用于根据所述社区内所有顶点的总数、所述社区内所有顶点的PR值以及所述社区内所有顶点在风险项集合中的每一个风险项的金融负面信息，获得所述社区在每一个风险项的风险值；

风险社区因子获取单元，用于根据每一个风险项的权重和所述社区在每一个风险项的风险值加权求和获得所述社区的风险社区因子。

可选地，风险值获取单元，用于：

对于所述风险项集合中的任意一个风险项，将所述社区内在该风险项具有金融负面信息的顶点作为该风险项对应的关键风险顶点，该风险项对应的每个关键风险顶点在该风险项的标签值为1；

将所述社区内该风险项对应的每个关键风险顶点在该风险项的标签值与其PR值相乘获得所述社区内该风险项对应的每个关键风险顶点的第一乘积；

将所述社区内该风险项对应的所有关键风险顶点的第一乘积相加得到第一求和结果；

将所述第一求和结果作为分子，将所述社区内所有顶点的总数作为分母，进行除法运算得到所述社区在该风险项的风险值。

可选地，以上金融风险预测装置600和金融风险评分卡的生成装置700还包括：

风险传导级数确定模块，用于确定所述风险传导级数；

传导路径确定模块，用于根据所述风险传导级数从所述金融知识图谱中确定出所述目标顶点参与的传导路径；所述传导路径上所述一级顶点到所述目标顶点的传导级数小于或等于所述风险传导级数；所述一级顶点具有金融负面信息。

风险传导级数可以根据实际需求进行设置，此处对设置的风险传导级数的具体数值不做限制。在本申请实施例中，以风险传导级数确定传导路径，可以提升运算效率。

可选地，风险传导因子获取模块605和705，包括：

风险传导值获取单元，用于在所述传导路径的传导方向上，对于每一个顶点，根据上一顶点的风险传导值以及所述上一顶点和本顶点之间的衰减权重获得本顶点的风险传导值；所述一级顶点的标签值作为所述一级顶点的风险传导值；

风险传导因子获取单元，用于根据所述目标顶点在所述传导路径上的风险传导值获得所述目标顶点的风险传导因子。

以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。