一种用于风险识别的方法和装置与流程

技术特征：
1.一种用于风险识别的方法，其中，所述方法包括：从输入数据中抽取用户实体以及所述用户实体对应的关系信息，并根据所述用户实体以及所述关系信息建立网络关系异构图；根据所述网络关系异构图，获得边信息表示以及用户特征表示；根据所述边信息表示以及用户特征表示，确定多个高阶用户表示；根据所述多个高阶用户表示，并使用多层注意力机制，建立融合边信息的多层注意力模型；构建损失函数，并使用所述损失函数对所述多层注意力模型进行训练。2.根据权利要求1所述的方法，其中，所述方法还包括：将目标用户数据输入训练好的多层注意力模型，获得输出的风险识别结果。3.根据权利要求1所述的方法，其中，所述根据所述网络关系图，获得边信息表示以及用户特征表示，包括：对所述网络关系异构图进行表示学习，获得用户特征表示；根据所述网络关系异构图进行异质关系提取，获得边信息表示。4.根据权利要求3所述的方法，其中，所述根据所述网络关系异构图进行异质关系提取，获得边信息表示，包括：根据所述网络关系异构图进行异质关系提取，获得边的文本信息，根据所述边的文本信息，确定边信息表示。5.根据权利要求4所述的方法，其中，所述根据所述网络关系异构图进行异质关系提取，获得边的文本信息，包括：根据所述网络关系异构图，并基于transformer结构，进行异质关系提取，获得边的文本信息。6.根据权利要求1至5中任一项所述的方法，其中，所述根据所述边信息表示以及所述用户特征表示，确定多个高阶用户表示的步骤，包括：对于所述用户实体中的每个目标用户，根据该目标用户对应的边信息表示以及用户特征表示，确定该目标用户对应的高阶用户表示，其中，所述目标用户包括中心用户的每个邻居用户。7.根据权利要求6所述的方法，其中，所述目标用户还包括所述中心用户。8.根据权利要求6所述的方法，其中，所述根据该目标用户对应的边信息表示以及用户特征表示，确定该目标用户对应的高阶用户表示，包括：将该目标用户对应的边信息表示与用户特征表示进行拼接，获得该目标用户对应的高阶用户表示。9.根据权利要求6所述的方法，其中，所述根据该目标用户对应的边信息表示以及用户特征表示，确定该目标用户对应的高阶用户表示，包括：将该目标用户对应的边信息表示与用户特征表示相乘，获得该目标用户对应的高阶用户表示。10.根据权利要求1至9中任一项所述的方法，其中，所述根据所述多个高阶用户表示，并使用多层注意力机制，建立融合边信息的多层注意力模型，包括：根据所述多个高阶用户表示，并使用基于transformer的多层注意力机制，建立融合边
信息的多层注意力模型。11.根据权利要求10所述的方法，其中，所述多个高阶用户表示包括所述中心用户的多个邻居用户分别对应的高阶用户表示，所述根据所述高阶用户表示，并使用基于transformer的多层注意力机制，建立融合边信息的多层注意力模型，包括：计算所述多个高阶用户中每相邻的两个高阶用户表示之间的第一相似度，根据所述第一相似度，并使用基于transformer的多层注意力机制，建立融合边信息的多层注意力模型。12.根据权利要求10所述的方法，其中，所述多个高阶用户表示包括中心用户对应的高阶用户表示以及所述中心用户的多个邻居用户分别对应的高阶用户表示，所述根据所述高阶用户表示，并使用基于transformer的多层注意力机制，建立融合边信息的多层注意力模型，包括：计算所述中心用户与所述多个邻居用户中的每个邻居用户之间的第二相似度，根据所述第二相似度，并使用基于transformer的多层注意力机制，建立融合边信息的多层注意力模型。13.一种用于风险识别的装置，其中，所述装置包括：用于从输入数据中抽取用户实体以及所述用户实体对应的关系信息，并根据所述用户实体以及所述关系信息建立网络关系异构图的装置；用于根据所述网络关系异构图，获得边信息表示以及用户特征表示的装置；用于根据所述边信息表示以及用户特征表示，确定多个高阶用户表示的装置；用于根据所述多个高阶用户表示，并使用多层注意力机制，建立融合边信息的多层注意力模型的装置；用于构建损失函数，并使用所述损失函数对所述多层注意力模型进行训练的装置。14.根据权利要求13所述的装置，其中，所述用于根据所述网络关系图，获得边信息表示以及用户特征表示的装置，用于：对所述网络关系异构图进行表示学习，获得用户特征表示；根据所述网络关系异构图进行异质关系提取，获得边信息表示。15.根据权利要求14所述的装置，其中，所述根据所述网络关系异构图进行异质关系提取，获得边信息表示，包括：根据所述网络关系异构图进行异质关系提取，获得边的文本信息，根据所述边的文本信息，确定边信息表示。16.根据权利要求13至15中任一项所述的装置，其中，所述用于根据所述多个高阶用户表示，并使用多层注意力机制，建立融合边信息的多层注意力模型的装置，用于：根据所述多个高阶用户表示，并使用基于transformer的多层注意力机制，建立融合边信息的多层注意力模型。17.根据权利要求16所述的装置，其中，所述多个高阶用户表示包括所述中心用户的多个邻居用户分别对应的高阶用户表示，所述根据所述高阶用户表示，并使用基于transformer的多层注意力机制，建立融合边信息的多层注意力模型，包括：计算所述多个高阶用户中每相邻的两个高阶用户表示之间的第一相似度；根据所述第一相似度，并使用基于transformer的多层注意力机制，建立融合边信息的
多层注意力模型。18.根据权利要求16所述的装置，其中，所述多个高阶用户表示包括中心用户对应的高阶用户表示以及所述中心用户的多个邻居用户分别对应的高阶用户表示，所述根据所述高阶用户表示，并使用基于transformer的多层注意力机制，建立融合边信息的多层注意力模型，包括：计算所述中心用户与所述多个邻居用户中的每个邻居用户之间的第二相似度；根据所述第二相似度，并使用基于transformer的多层注意力机制，建立融合边信息的多层注意力模型。19.一种计算机设备，其中，所述计算机设备包括：存储器，用于存储一个或多个程序；一个或多个处理器，与所述存储器相连，当所述一个或多个程序被所述一个或者多个处理器执行时，使得所述一个或多个处理器执行如权利要求1至12中任一项所述的方法。20.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序可被处理器执行如权利要求1至12中任一项所述的方法。

技术总结
本申请提供了一种用于风险识别的方法，所述方法包括：从输入数据中抽取用户实体以及所述用户实体对应的关系信息，并根据所述用户实体以及所述关系信息建立网络关系异构图；根据所述网络关系异构图，获得边信息表示以及用户特征表示；根据所述边信息表示以及用户特征表示，确定多个高阶用户表示；根据所述多个高阶用户表示，并使用多层注意力机制，建立融合边信息的多层注意力模型；构建损失函数，并使用所述损失函数对所述多层注意力模型进行训练。根据本申请的方案，能够针对异构图使用多层注意力机制，建立融合边信息的多层注意力模型，从而能够使得模型准确表达不同邻居用户对中心用户的不同影响，以更准确地识别用户风险。以更准确地识别用户风险。以更准确地识别用户风险。


技术研发人员：张宝安 单黎平 杨青
受保护的技术使用者：度小满科技(北京)有限公司
技术研发日：2021.09.03
技术公布日：2022/1/7