基于多智能体的风险探查方法、装置及设备与流程

本技术涉及金融风控，尤其涉及基于多智能体的风险探查方法、风险探查装置及电子设备。

背景技术：

1、在金融风控探查场景中，业务分析人员通常利用人工智能（例如智能体）对海量图谱数据进行风险分析。然而，人工智能受限于上下文窗口长度，无法一次性处理完整的海量图谱数据。现有方法被迫对图谱数据进行随机裁剪或采样截断，导致探查的关键风险路径丢失，人工智能无法感知完整的关联信息，造成风险链路漏判。进一步地，即便经过裁剪，剩余图谱数据规模仍然庞大，人工智能在有限算力下响应延迟显著增加，无法满足实时风控的时效性要求。

2、上述因素共同导致现有风险探查的准确性和时效性不足。

技术实现思路

1、本技术的主要目的在于提供一种基于多智能体的风险探查方法、装置及设备，旨在解决现有风险探查的准确性和时效性不足的技术问题。

2、为实现上述目的，本技术提出一种基于多智能体的风险探查方法，所述基于多智能体的风险探查方法包括：

3、响应于针对待探查对象触发的风险探查指令，获取所述待探查对象的图谱数据；

4、通过与主智能体，进行针对所述待探查对象的交互对话，得到交互对话内容，并对所述交互对话内容进行增量压缩，得到目标压缩摘要；

5、通过所述主智能体，基于所述目标压缩摘要确定探查任务信息，根据所述探查任务信息生成携带时间指示的探查子任务，并将所述探查子任务分发至各子智能体；

6、通过各所述子智能体，根据所述探查子任务的时间指示，从所述图谱数据中获取所述时间指示对应时间范围的子图数据，并对所述子图数据进行推理，将各自得到的推理结果返回至所述主智能体；

7、通过所述主智能体根据各子智能体的推理结果，生成所述待探查对象的风险探查结论。

8、在一实施例中，在所述获取所述待探查对象的图谱数据的步骤之前，包括：

9、针对每一关系记录，根据关系记录所属时间窗口的顺序标识及所连接节点的节点标识，确定关系记录的分片标识，并根据所述分片标识将所述关系记录存储至对应的存储分片，其中，所述关系记录用于表征图谱数据中两个节点之间的关联关系，所述节点为待探查对象；

10、其中，属于同一时间窗口的所有关系记录被分配至与所述时间窗口对应的预设数量个存储分片内，将存储于同一存储分片内且属于同一时间窗口的关系记录按时间先后顺序排列。

11、在一实施例中，所述对所述交互对话内容进行增量压缩，得到目标压缩摘要的步骤，包括：

12、在所述交互对话的过程中，通过所述主智能体根据上一轮对话的压缩摘要以及当前轮次的对话内容进行压缩，得到当前轮次的当前压缩摘要。

13、在一实施例中，所述通过所述主智能体根据上一轮对话的压缩摘要以及当前轮次的对话内容进行压缩，得到当前轮次的当前压缩摘要的步骤，包括：获取上一轮对话的压缩摘要和当前轮次的对话内容；

14、对所述当前轮次的对话内容进行语义压缩，得到初始压缩摘要；

15、计算所述上一轮对话的压缩摘要与所述初始压缩摘要之间的语义依赖程度，得到跨轮次语义依赖权重；

16、根据所述跨轮次语义依赖权重，将所述上一轮对话的压缩摘要与所述初始压缩摘要进行信息融合，得到当前轮次的压缩摘要。

17、在一实施例中，所述探查任务信息包括针对所述待探查对象的探查方向及所述探查方向对应的时间范围；所述根据所述探查任务信息生成携带时间指示的探查子任务，并将所述探查子任务分发至各子智能体的步骤包括：

18、根据所述探查方向生成探查子任务，并根据所述时间范围为所述探查子任务标注时间标签；

19、将标注有所述时间标签的探查子任务作为携带时间指示的探查子任务，分发至各子智能体。

20、在一实施例中，在所述生成所述待探查对象的风险探查结论的步骤之后，包括：

21、确定生成所述风险探查结论所依据的关键子图数据，将所述关键子图数据转化为自然语言描述；

22、将所述自然语言描述输入至大语言模型，生成候选风险特征；

23、获取所述关键子图数据的图谱结构特征，根据所述图谱结构特征与所述候选风险特征的匹配程度，对所述候选风险特征进行质量评分，得到各候选风险特征的质量评分；

24、将所述质量评分大于预设分数阈值的候选风险特征，作为目标风险特征；

25、基于所述目标风险特征，生成用于智能体调用的风险探查技能，其中，所述风险探查技能包括用于所述主智能体调用的第一风险探查技能，或者，子智能体调用的第二风险探查技能。

26、在一实施例中，在所述生成用于智能体调用的风险探查技能的步骤之后，包括：

27、获取标注有已知风险标签的模拟图谱数据；

28、在模拟环境中，基于所述风险探查技能对所述模拟图谱数据进行风险探查，得到第一探查结果；

29、将所述第一探查结果与所述已知风险标签进行比对，得到所述风险探查技能的性能评价结果；

30、将所述性能评价结果为通过的风险探查技能，部署至真实环境中。

31、在一实施例中，在所述获取标注有已知风险标签的模拟图谱数据的步骤之后，还包括：

32、对所述模拟图谱数据进行图结构变异处理，得到变异图谱数据；

33、在模拟环境中，基于所述风险探查技能对所述变异图谱数据进行风险探查，得到第二探查结果；

34、将所述第二探查结果与所述第一探查结果进行比对，得到所述风险探查技能的稳定性评价结果；

35、将所述稳定性评价结果和所述性能评价结果均为通过的风险探查技能，部署至真实环境中。

36、此外，为实现上述目的，本技术还提出一种风险探查装置，所述风险探查装置包括：

37、数据获取模块，用于响应于针对待探查对象触发的风险探查指令，获取所述待探查对象的图谱数据；

38、交互对话模块，用于通过与主智能体，进行针对所述待探查对象的交互对话，得到交互对话内容，并对所述交互对话内容进行增量压缩，得到目标压缩摘要；

39、生成调用模块，用于通过所述主智能体，基于所述目标压缩摘要确定探查任务信息，根据所述探查任务信息生成携带时间指示的探查子任务，并将所述探查子任务分发至各子智能体；

40、数据推理模块，用于通过各所述子智能体，根据所述探查子任务的时间指示，从所述图谱数据中获取所述时间指示对应时间范围的子图数据，并对所述子图数据进行推理，将各自得到的推理结果返回至所述主智能体；

41、风险探查模块，用于通过所述主智能体根据各子智能体的推理结果，生成所述待探查对象的风险探查结论。

42、此外，为实现上述目的，本技术还提出一种电子设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的基于多智能体的风险探查方法的步骤。

43、此外，为实现上述目的，本技术还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的基于多智能体的风险探查方法的步骤。

44、此外，为实现上述目的，本技术还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上文所述的基于多智能体的风险探查方法的步骤。

45、本技术提出的一个或多个技术方案，至少具有以下技术效果：

46、本技术通过在主智能体中针对待探查对象进行交互对话，并对交互对话内容进行增量压缩，得到目标压缩摘要。这使得主智能体能够基于目标压缩摘要，在上下文窗口有限的前提下持续累积跨轮次的关键信息，从而解析出针对待探查对象的探查任务信息，避免了现有技术因直接处理完整图谱数据被迫随机裁剪而导致关键路径丢失的问题。

47、进一步地，通过根据解析出的探查任务信息生成携带时间指示的探查子任务，将探查子任务分发至子智能体，使子智能体无需承载全量图谱数据，仅需获取时间指示对应时间范围的子图数据进行推理，从而将海量图谱数据的处理任务分解为多个有明确时间边界和探查边界的子任务并行执行，各子智能体在独立上下文中仅需处理与特定探查方向和时间范围相关的有限子图数据，而非一次性加载全部图谱数据，避免了因上下文窗口不足而对图谱数据进行截断，使与被探查对象存在关联的关键风险路径得以完整保留，降低了风险链路漏判风险。

48、在本技术的方案中，各子智能体仅需处理各自维度的子图数据，响应延迟显著降低，主智能体作为调度方和决策方仅需处理目标压缩摘要并汇总各子智能体返回的推理结果，生成风险探查结论，无需承担海量图谱数据的计算负担，从而通过主智能体和各子智能体的协同合作，在有限算力下实现对海量图谱数据的全面有效探查，同时提升了风险探查的准确性和时效性。