一种基于混合策略的跨平台信用社区影响力度量方法

摘要

本发明涉及信用风险传递计算技术领域，具体公开了一种基于混合策略的跨平台信用社区影响力度量方法，包括如下步骤：S1：利用信用知识图谱技术构建信用主体关联结构模型；S2：分析信用风险在信用主体关联结构中的传递模式，提出不同传递模式下的影响力度量方法；S3：当信用主体发生变化时，通过广度优先算法查找多层次的信用风险传递结点，并利用信用风险传递影响力计算方法计算受影响的程度；S4：构建启发式方法对信用主体关联结构中的结点进行社区的划分；S5：利用混合策略查找各社区中具有重要影响力的关键结点及全局关键结点；本发明对信用主体关联结构中风险社区的划分和关键结点的查找，可以提前预警风险区域。

说明书

技术领域

本发明涉及信用风险传递计算技术领域，具体为一种基于混合策略的跨平台信用社区影响力度量方法。

背景技术

在当前跨平台、跨领域信用大服务模式下，信用信息来源参差不齐，信用风险无处不在。信用风险并非孤立存在，而是存在传递效应。信用主体间的关联性反映了社会生产生活中信用主体之间错综复杂的联系，信用风险的传递强度主要与信用主体关联结构的关联密度、信用主体间的关联强度有关。然而对信用风险在信用主体间传递的方式及影响力的计算，尚没有一个有效的方案，对信用主体关联结构中风险社区的划分和关键结点的查找，可以提前预警风险区域。

发明内容

本发明的目的在于提供一种基于混合策略的跨平台信用社区影响力度量方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于混合策略的跨平台信用社区影响力度量方法，包括如下步骤：

S1：利用信用知识图谱技术构建信用主体关联结构模型；

S2：分析信用风险在信用主体关联结构中的传递模式，提出不同传递模式下的影响力度量方法；

S3：当信用主体发生变化时，通过广度优先算法查找多层次的信用风险传递结点，并利用信用风险传递影响力计算方法计算受影响的程度；

S4：构建启发式方法对信用主体关联结构中的结点进行社区的划分；

S5：利用混合策略查找各社区中具有重要影响力的关键结点及全局关键结点；

其中，构建信用主体关联结构模型的过程包括：

对采集的信用主体数据进行预处理、实体识别及关系抽取、实体对齐及生成知识图谱；

依据构建的信用知识图谱，提取相关的信用主体及其关联关系；

构建深度学习模型，并利用深度学习方法得出各类关联关系强度的经验值。

优选的，所述步骤S1中，构建信用主体关联结构模型，通过有向图G＝(V,E)描述信用主体关联结构，其中V代表结点：信用主体的集合，E代表边：关联关系；该信用主体关联结构数学模型为一个N阶方阵M，具体为：

其中权值w

优选的，所述步骤S2中，不同传递模式下的影响力度量方法具体包括单路径连续传递结点i对结点j产生的影响力和多路径复合传递结点i对结点j产生的影响力；

其中单路径连续传递结点i对结点j产生的影响力的公式为：

多路径复合传递结点i对结点j产生的影响力的公式为：

优选的，所述深度学习模型包括CNN层和编码层；所述CNN层包括卷积层、池化层和全连接层；所述编码层包括卷积编码层和卷积解码层；

所述深度学习模型需进行训练，具体步骤为：

将训练集输入所述深度学习模型中，所述编码层对所述训练集进行无监督预训练，获取所述训练集的初步特征；

利用提取的特征初始化所述卷积层，得到训练样本标签；

所述CNN层依次对预训练后的所述训练集进行卷积、池化和全连接处理；

所述编码层对卷积处理的所述训练集进行卷积编码和解码处理，输出数据反馈至所述卷积层；

所述CNN层结束所述全连接处理后输出识别结果并判断是否与所述训练样本标签一致。

优选的，所述深度学习模型的训练过程中，若识别结果与所述训练样本标签一致，则停止迭代训练，所述深度学习模型训练完成；若识别结果与所述训练样本标签不一致，则继续进行迭代训练，直至判断结果一致时停止训练，输出所述深度学习模型。

优选的，所述步骤S4中，根据结点的度中心性和结点间的关联关系对信用主体进行社区的划分；所述步骤S5中，每个子社区的结点计算其对其他结点的影响力，依据影响力大小，搜索社区的关键结点；根据度中心性和对其他结点影响力的大小，搜索全域范围的关键结点。

与现有技术相比，本发明的有益效果是：本发明通过知识图谱技术和深度学习构建信用主体关联结构模型，提出信用风险传递影响力计算方法，计算信用风险产生的影响度，依据主体间关联关系和影响力对信用主体进行社区划分，找到各子社区的关键结点和全局关键结点，提前预警风险区域。

附图说明

图1为本发明的步骤流程图；

图2为本发明的单路径连续传递模型图；

图3为本发明的多路径复合传递模型图；

图4为本发明的多层次多路径信用风险传递示意图；

图5为本发明的不同规模社区划分结果和关键结点实验结果图；

图6为本发明的实施例中算法1示意图；

图7为本发明的实施例中算法2示意图；

图8为本发明的实施例中算法3示意图；

图9为本发明的实施例中算法4示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

请参阅图1-9，描述本发明任意一个实施例，以作进一步的说明：

一种基于混合策略的跨平台信用社区影响力度量方法，包括如下步骤：

S1：利用信用知识图谱技术构建信用主体关联结构模型；其中需要说明的是，构建信用主体关联结构模型包括：

对采集的信用主体数据进行预处理、实体识别及关系抽取、实体对齐及生成知识图谱；

利用深度学习方法无监督学习方式得到各类关联关系强度的经验值；

通过有向图G＝(V,E)描述信用主体关联结构，其中V代表结点：信用主体的集合，E代表边：关联关系；该信用主体关联结构数学模型为一个N阶方阵M，具体为：

其中权值w

深度学习模型包括CNN层和编码层；CNN层包括卷积层、池化层和全连接层；编码层包括卷积编码层和卷积解码层；

深度学习模型需进行训练，具体步骤为：

将训练集输入所述深度学习模型中，编码层对所述训练集进行无监督预训练，获取所述训练集的初步特征；

利用提取的特征初始化所述卷积层，得到训练样本标签；

CNN层依次对预训练后的所述训练集进行卷积、池化和全连接处理；

编码层对卷积处理的所述训练集进行卷积编码和解码处理，输出数据反馈至所述卷积层；

CNN层结束所述全连接处理后输出识别结果并判断是否与所述训练样本标签一致。深度学习模型的训练过程中，若识别结果与所述训练样本标签一致，则停止迭代训练，所述深度学习模型训练完成；若识别结果与所述训练样本标签不一致，则继续进行迭代训练，直至判断结果一致时停止训练，输出所述深度学习模型。

S2：分析信用风险在信用主体关联结构中的传递模式，提出不同传递模式下的影响力度量方法；

当信用主体发生变化时，通过广度优先搜索算法查找多层次多路径信用传递结点：算法1，详见图6，并根据单路径连续传递影响力计算方法或多路径复合传递影响力计算方法计算相关结点受当前主体的影响程度：算法2，详见图7。

S3：当信用主体发生变化时，通过广度优先算法查找多层次的信用风险传递结点，并利用信用风险传递影响力计算方法计算受影响的程度；

S4：构建启发式方法对信用主体关联结构中的结点进行社区的划分；

信用主体结点之间的关联强度由信用主体间关联关系的类别决定，关联关系较强的结点子集可能构成风险社区。通过有向图G＝(V,E)描述信用主体关联结构V，用启发式策略查找结点子集，划分不同等级的风险社区：算法3，详见图8。

S5：利用混合策略查找各社区中具有重要影响力的关键结点及全局关键结点，对信用风险提前预警：算法4，详见图9。

为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例选择对信用风险传递进行仿真实验，然后在大量不同规模的信用主体关联结构实例中进行对比测试。

参照图4，为某实例展示的信用风险多层次多路径传递示意图，若结点1发生信用风险，图中橙色标注的为单路径连续传递路径：1→2→3→16，通过单路径传递计算方法可以计算得到该路径各结点受到的影响力。图中蓝色标注的为从1号结点到19号结点的多路径复合传递：1→7→11→19，1→10→11→19，1→6→11→19，1→6→8→19，通过多路径复合传递计算方法可以计算得到19号结点受到的影响力。

参照图5，为试验对比的最终结果输出曲线示意图，对于任意一个信用主体关联结构实例，社区关键结点总数大于全局关键结点总数。这是因为社区关键结点的意义在于：当某个信用主体发生信用风险后，其影响会在子社区内部剧烈扩散。而在全局范围内，一个社区的关键结点对其它社区结点的影响力则相对较弱，甚至无影响，因此会出现社区关键结点总数大于全局关键结点总数的现象。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。