一种金融交易风险预测方法及系统

1.本发明涉及金融技术领域，具体而言，涉及一种金融交易风险预测方法及系统。


背景技术：

2.交易风险预测是近年来金融领域关心的一个话题。交易风险预测是互联网金融风险控制中的重要环节，是对抗黑色产业(银行卡盗刷、信用卡套现等)的有效手段。传统的交易风险预测方法是基于具体规则来制定的，不能满足大数据时代应用的需要。
3.目前对于交易风险预测比较流行的方法是先基于统计的特征挖掘，再基于特征进行模型训练，这也是比较传统的机器学习方法的工作模式，这种预测方式是根据用户历史的交易行为来进行预测，其得到的预测结果只是根据用户交易行为来进行预测，得到的预测结果不够准确。


技术实现要素：

4.本发明的目的在于提供一种金融交易风险预测方法及系统，用以改善现有技术中根据用户交易行为来进行预测，得到的预测结果不够准确的问题。
5.第一方面，本技术实施例提供一种金融交易风险预测方法，包括以下步骤：
6.获取金融交易知识图谱库；
7.获取用户交互行为信息和历史交易信息；
8.根据用户交互行为信息和金融交易知识图谱库采用预置的偏好预测模型对用户偏好进行预测，得到用户偏好预测结果；
9.根据用户偏好预测结果和历史交易信息构建用户交易图；
10.利用deepwalk算法对用户交易图进行结构特征挖掘，生成特征向量；
11.将特征向量输入至预置的交易风险预测模型中，生成风险预测结果。
12.上述实现过程中，通过获取金融交易知识图谱库；然后获取用户交互行为信息和历史交易信息；然后根据用户交互行为信息和金融交易知识图谱库采用预置的偏好预测模型对用户偏好进行预测，得到用户偏好预测结果，从而可以预测到用户可能选择的交易对象；然后根据用户偏好预测结果和历史交易信息构建用户交易图，得到的用户交易图包含了预测交易商户，从而使用户交易图包含的信息更加丰富和全面；然后利用deepwalk 算法对用户交易图进行结构特征挖掘，生成特征向量；最后将特征向量输入至预置的交易风险预测模型中，生成风险预测结果。预测过程不仅考虑了用户交易行为，还通过用户的交互行为加入了用户偏好，通过加入用户偏好，并基于交易行为和用户偏好进行预测，使得到的用户交易图包含的信息更加全面，进而挖掘到的特征向量更加符合用户特征，从而使预测得到的风险预测结果更加准确。
13.基于第一方面，在本发明的一些实施例中，根据用户交互行为信息和金融交易知识图谱库采用预置的偏好预测模型对用户偏好进行预测，得到用户偏好预测结果的步骤包括以下步骤：
14.根据金融交易知识图谱库采用node2vec算法构建随机游走序列；
15.根据用户交互行为信息构建用户交互行为序列；
16.根据用户交互行为序列和随机游走序列采用预置的偏好预测模型对用户偏好进行预测，得到用户偏好预测结果。
17.基于第一方面，在本发明的一些实施例中，根据用户交互行为序列和随机游走序列采用预置的偏好预测模型对用户偏好进行预测，得到用户偏好预测结果的步骤包括以下步骤：
18.将用户交互行为序列和随机游走序列输入预置的item2vec模型中，得到项目嵌入向量；
19.将项目嵌入向量输入至预置的偏好预测模型中，得到用户偏好预测结果。
20.基于第一方面，在本发明的一些实施例中，将项目嵌入向量输入至预置的偏好预测模型中，得到用户偏好预测结果的步骤包括以下步骤：
21.将项目嵌入向量输入至预置的第一偏好预测模型中，得到第一偏好预测结果；
22.将项目嵌入向量输入至预置的第二偏好预测模型中，得到第二偏好预测结果；
23.将第一偏好预测结果和第二偏好预测结果组合得到用户偏好预测结果。
24.基于第一方面，在本发明的一些实施例中，根据用户偏好预测结果和历史交易信息构建用户交易图的步骤包括以下步骤：
25.根据历史交易信息构建第一图结构；
26.将用户偏好预测结果中项目结果作为其中一个节点加入到第一图结构中，并与第一图结构中的用户节点建立关联关系，以得到用户交易图。
27.基于第一方面，在本发明的一些实施例中，还包括以下步骤：
28.获取样本训练集；
29.将样本训练集中的各个交易数据分别采用deepwalk算法进行特征挖掘，得到多维特征集；
30.将多维特征集采用ligthgbm算法进行训练，得到交易风险预测模型。
31.第二方面，本技术实施例提供一种金融交易风险预测系统，包括：
32.数据库获取模块，用于获取金融交易知识图谱库；
33.信息获取模块，用于获取用户交互行为信息和历史交易信息；
34.偏好预测模块，用于根据用户交互行为信息和金融交易知识图谱库采用预置的偏好预测模型对用户偏好进行预测，得到用户偏好预测结果；
35.交易图构建模块，用于根据用户偏好预测结果和历史交易信息构建用户交易图；
36.特征挖掘模块，用于利用deepwalk算法对用户交易图进行结构特征挖掘，生成特征向量；
37.交易风险预测模块，用于将特征向量输入至预置的交易风险预测模型中，生成风险预测结果。
38.上述实现过程中，通过数据库获取模块获取金融交易知识图谱库；信息获取模块获取用户交互行为信息和历史交易信息；偏好预测模块根据用户交互行为信息和金融交易知识图谱库采用预置的偏好预测模型对用户偏好进行预测，得到用户偏好预测结果，从而可以预测到用户可能选择的交易对象；交易图构建模块根据用户偏好预测结果和历史交易
信息构建用户交易图，得到的用户交易图包含了预测交易商户，从而使用户交易图包含的信息更加丰富和全面；特征挖掘模块利用deepwalk算法对用户交易图进行结构特征挖掘，生成特征向量；交易风险预测模块将特征向量输入至预置的交易风险预测模型中，生成风险预测结果。预测过程不仅考虑了用户交易行为，还通过用户的交互行为加入了用户偏好，通过加入用户偏好，并基于交易行为和用户偏好进行预测，使得到的用户交易图包含的信息更加全面，进而挖掘到的特征向量更加符合用户特征，从而使预测得到的风险预测结果更加准确。
39.基于第二方面，在本发明的一些实施例中，偏好预测模块包括：
40.随机游走序列构建单元，用于根据金融交易知识图谱库采用node2vec 算法构建随机游走序列；
41.用户交互行为序列构建单元，用于根据用户交互行为信息构建用户交互行为序列；
42.预测单元，用于根据用户交互行为序列和随机游走序列采用预置的偏好预测模型对用户偏好进行预测，得到用户偏好预测结果。
43.第三方面，本技术实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。
44.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
45.本发明实施例至少具有如下优点或有益效果：
46.本发明实施例提供一种金融交易风险预测方法及系统，通过获取金融交易知识图谱库；然后获取用户交互行为信息和历史交易信息；然后根据用户交互行为信息和金融交易知识图谱库采用预置的偏好预测模型对用户偏好进行预测，得到用户偏好预测结果，从而可以预测到用户可能选择的交易对象；然后根据用户偏好预测结果和历史交易信息构建用户交易图，得到的用户交易图包含了预测交易商户，从而使用户交易图包含的信息更加丰富和全面；然后利用deepwalk算法对用户交易图进行结构特征挖掘，生成特征向量；最后将特征向量输入至预置的交易风险预测模型中，生成风险预测结果。预测过程不仅考虑了用户交易行为，还通过用户的交互行为加入了用户偏好，通过加入用户偏好，并基于交易行为和用户偏好进行预测，使得到的用户交易图包含的信息更加全面，进而挖掘到的特征向量更加符合用户特征，从而使预测得到的风险预测结果更加准确。
附图说明
47.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
48.图1为本发明实施例提供的一种金融交易风险预测方法流程图；
49.图2为本发明实施例提供的步骤130的详细步骤图；
50.图3为本发明实施例提供的偏好预测详细步骤图；
51.图4为本发明实施例提供的一种金融交易风险预测系统结构框图；
52.图5为本发明实施例提供的一种电子设备的结构框图。
53.图标：110-数据库获取模块；120-信息获取模块；130-偏好预测模块； 140-交易图构建模块；150-特征挖掘模块；160-交易风险预测模块；101
‑ꢀ
存储器；102-处理器；103-通信接口。
具体实施方式
54.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
55.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
56.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
57.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
58.实施例
59.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
60.请参看图1，图1为本发明实施例提供的一种金融交易风险预测方法流程图。该金融交易风险预测方法，包括以下步骤：
61.步骤s110：获取金融交易知识图谱库；知识图谱是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。知识图谱是一种结构化的知识图，图中的节点表示现实中的实物，其中包含着丰富的结构化知识，上述金融交易知识图谱库是根据交易信息构建的知识图谱。
62.步骤s120：获取用户交互行为信息和历史交易信息；上述用户交互行为信息包括用户在当前交易过程中所进行的交互行为，比如，选择的哪个平台、哪个商家等，例如：选择的平台为淘宝，选择的商家为商家a。历史交易信息包括商户、用户、交易时间、交易金额等信息。
63.步骤s130：根据用户交互行为信息和金融交易知识图谱库采用预置的偏好预测模
型对用户偏好进行预测，得到用户偏好预测结果；上述进行预测是为了根据用户交互行为挖掘出用户兴趣与偏好，以预测出可能会出现的交易对象或是项目。请参看图2，图2为本发明实施例提供的步骤130 的详细步骤图，上述进行预测的过程包括以下步骤：
64.首先，根据金融交易知识图谱库采用node2vec算法构建随机游走序列；上述构建过程是使用node2vec算法中的随机游走方式获取随机游走路径，然后从中提取出商家实体序列。上述采用node2vec算法构建随机游走序列属于现有技术，在此就不再赘述。
65.然后，根据用户交互行为信息构建用户交互行为序列；上述用户交互行为序列是以用户交互时间形成的序列。
66.最后，根据用户交互行为序列和随机游走序列采用预置的偏好预测模型对用户偏好进行预测，得到用户偏好预测结果。具体过程包括以下步骤：
67.第一步，将用户交互行为序列和随机游走序列输入预置的item2vec 模型中，得到项目嵌入向量；为了通过从项目上的大量顺序行为中学习项目的相似性来为每一个项目生成统一表示，可以采用训练好的item2vec 模型来捕获项目的相似性，并生成统一的项目表示空间，生成的项目嵌入向量可以表示出项目的相似性和顺序关系。将用户交互行为序列和随机游走序列相组合，作为item2vec模型的输入，最终得到项目嵌入向量。 item2vec是skip-gram与负抽样的重要扩展之一，用于为基于项目的协同过滤推荐产生项目嵌入，item2vec技术输入现有技术，在此就不再赘述。
68.第二步，将项目嵌入向量输入至预置的偏好预测模型中，得到用户偏好预测结果。上述偏好预测模型是用于预测用户可能访问的项目。
69.请参看图3，图3为本发明实施例提供的偏好预测详细步骤图。其中，用户的决策过程主要受到短期偏好和长期偏好，为使预测结果更加准确，上述预置的偏好预测模型可以包括两个独立的预测模型，一个用于短期预测，一个用于长期预测，上述得到用户偏好预测结果的过程包括以下步骤：
70.首先，将项目嵌入向量输入至预置的第一偏好预测模型中，得到第一偏好预测结果；上述第一偏好预测模型可以是短期偏好预测模型，可以是基于lstm神经网络架构训练得到的短期偏好预测模型，上述短期偏好预测模型可以是根据用户短期交互行为进行建模得到，通过构建一定时间段的短期交互行为样本集进行训练得到，具体时间段可以是由人为指定。上述建模过程就是基于lstm神经网络建模过程，在此就不做赘述。
71.然后，将项目嵌入向量输入至预置的第二偏好预测模型中，得到第二偏好预测结果；上述第二偏好预测模型可以是长期偏好预测模型，可以是基于lstm神经网络架构训练得到，长期偏好预测模型考虑了用户的长期稳定的历史偏好，通过构建历史交互行为样本集进行训练得到，该建模过程就是基于lstm神经网络建模过程，在此就不做赘述。
72.最后，将第一偏好预测结果和第二偏好预测结果组合得到用户偏好预测结果。得到的用户偏好预测结果包括了用户短期的偏好和长期稳定偏好，使得到的偏好预测结果更全面，更加准确。
73.步骤s140：根据用户偏好预测结果和历史交易信息构建用户交易图；上述用户交易图包括多个用户和多个商户，不同的用户、商户分别作为用户交易图的一个节点，各个节点之间的连接代表了消费关系。为了得到更加完整的用户交易图，可以将用户偏好预测结果加入到用户交易图中，上述构建用户交易图的过程包括以下步骤：
74.首先，根据历史交易信息构建第一图结构；上述第一图结构是根据历史真实交易信息建立的图结构，包含了用户、商户、交易关系。
75.然后，将用户偏好预测结果中项目结果作为其中一个节点加入到第一图结构中，并与第一图结构中的用户节点建立关联关系，以得到用户交易图。上述用户偏好预测结果中的项目结果就是指的预测商户，将预测商户作为节点加入到第一图结构中，并与对应的用户建立交易关系，以得到用户交易图。上述得到的用户交易图包含了实际交易情况和预测交易情况，使得信息更加全面。
76.步骤s150：利用deepwalk算法对用户交易图进行结构特征挖掘，生成特征向量；deepwalk算法是一个图的表征学习的过程，在尽可能保留图结构信息的情况下，降低成一个低维矩阵，从而挖掘出特征向量。上述利用deepwalk算法进行图结构挖掘属于现有技术，在此就不做赘述。
77.步骤s160：将特征向量输入至预置的交易风险预测模型中，生成风险预测结果。上述预置的交易风险预测模型是已经训练好的风险预测模型，上述交易风险预测模型可以是基于决策树模型构建的模型，比如xgboost、 lightgbm等。通过预置的交易风险预测模型可以预测出用户是否为风险用户，上述风险预测结果包括风险用户和正常用户。
78.其中，lightgbm模型训练速度快、效率高、准确率高，具体包括以下步骤：
79.首先，获取样本训练集；上述样本训练集包括多个交易数据，上述交易数据包括用户信息、商户信息、风险标识、金额信息等。其中风险标识包括0或1，0表示正常用户，1表示风险用户。
80.然后，将样本训练集中的各个交易数据分别采用deepwalk算法进行特征挖掘，得到多维特征集；例如：采用图结构特征挖掘得到的128维特征(其中参数设置为：维度d＝128，窗口大小w＝10，每个节点随机游走的次数γ＝10，随机游走的长度t＝40)。
81.最后，将多维特征集采用ligthgbm算法进行训练，得到交易风险预测模型。上述例子中，可以利用128特征用ligthgbm决策树模型进行二分类训练，以得到lightgbm模型。
82.上述实现过程中，通过获取金融交易知识图谱库；然后获取用户交互行为信息和历史交易信息；然后根据用户交互行为信息和金融交易知识图谱库采用预置的偏好预测模型对用户偏好进行预测，得到用户偏好预测结果，从而可以预测到用户可能选择的交易对象；然后根据用户偏好预测结果和历史交易信息构建用户交易图，得到的用户交易图包含了预测交易商户，从而使用户交易图包含的信息更加丰富和全面；然后利用deepwalk 算法对用户交易图进行结构特征挖掘，生成特征向量；最后将特征向量输入至预置的交易风险预测模型中，生成风险预测结果。预测过程不仅考虑了用户交易行为，还通过用户的交互行为加入了用户偏好，通过加入用户偏好，并基于交易行为和用户偏好进行预测，使得到的用户交易图包含的信息更加全面，进而挖掘到的特征向量更加符合用户特征，从而使预测得到的风险预测结果更加准确。
83.基于同样的发明构思，本发明还提出一种金融交易风险预测系统，请参看图4，图4为本发明实施例提供的一种金融交易风险预测系统结构框图，该金融交易风险预测系统包括：
84.数据库获取模块110，用于获取金融交易知识图谱库；
85.信息获取模块120，用于获取用户交互行为信息和历史交易信息；
86.偏好预测模块130，用于根据用户交互行为信息和金融交易知识图谱库采用预置的偏好预测模型对用户偏好进行预测，得到用户偏好预测结果；
87.交易图构建模块140，用于根据用户偏好预测结果和历史交易信息构建用户交易图；
88.特征挖掘模块150，用于利用deepwalk算法对用户交易图进行结构特征挖掘，生成特征向量；
89.交易风险预测模块160，用于将特征向量输入至预置的交易风险预测模型中，生成风险预测结果。
90.上述实现过程中，通过数据库获取模块110获取金融交易知识图谱库；信息获取模块120获取用户交互行为信息和历史交易信息；偏好预测模块 130根据用户交互行为信息和金融交易知识图谱库采用预置的偏好预测模型对用户偏好进行预测，得到用户偏好预测结果，从而可以预测到用户可能选择的交易对象；交易图构建模块140根据用户偏好预测结果和历史交易信息构建用户交易图，得到的用户交易图包含了预测交易商户，从而使用户交易图包含的信息更加丰富和全面；特征挖掘模块150利用deepwalk 算法对用户交易图进行结构特征挖掘，生成特征向量；交易风险预测模块 160将特征向量输入至预置的交易风险预测模型中，生成风险预测结果。预测过程不仅考虑了用户交易行为，还通过用户的交互行为加入了用户偏好，通过加入用户偏好，并基于交易行为和用户偏好进行预测，使得到的用户交易图包含的信息更加全面，进而挖掘到的特征向量更加符合用户特征，从而使预测得到的风险预测结果更加准确。
91.其中，偏好预测模块130包括：
92.随机游走序列构建单元，用于根据金融交易知识图谱库采用node2vec 算法构建随机游走序列；
93.用户交互行为序列构建单元，用于根据用户交互行为信息构建用户交互行为序列；
94.预测单元，用于根据用户交互行为序列和随机游走序列采用预置的偏好预测模型对用户偏好进行预测，得到用户偏好预测结果。
95.请参阅图5，图5为本技术实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器 101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本技术实施例所提供的一种金融交易风险预测方法及系统对应的程序指令/ 模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
96.其中，存储器101可以是但不限于，随机存取存储器(randomaccess memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory， eeprom)等。
97.处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器 102可以是通
用处理器，包括中央处理器(central processing unit， cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路 (application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
98.可以理解，图5所示的结构仅为示意，电子设备还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
99.在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
100.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
101.所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑ꢀ
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
102.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
103.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。