(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211197037.9 (22)申请日 2022.09.28 (71)申请人 中国建设银行股份有限公司 地址 100033 北京市西城区金融大街25号 申请人 建信金融科技有限责任公司 (72)发明人 聂砂　王伊妍　罗奕康　戴菀庭　 丁苏苏　 (74)专利代理 机构 中原信达知识产权代理有限 责任公司 1 1219 专利代理师 李雪楠　王志远 (51)Int.Cl. G06Q 40/02(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种逾期风险概率的确定方法、 装置、 电子 设备和介质 (57)摘要 本发明公开了一种逾期风险概率的确定方 法、 装置、 电子设备和介质， 涉及金融风险技术领 域。 该方法的具体实施方式包括： 获取多个账号 的历史交易信息； 对历史交易信息进行预处理， 提取各个账号的时间序列特征； 遍历各个账号的 历史交易信息， 查找相互之间存在交易关系的账 号， 构建各个账号之间的交易关系的图数据； 将 图数据和时间序列特征输入图卷积神经网络， 得 到多个账号之间的关联关系特征； 对时间序列特 征和关联关系特征进行组合， 将特征组合结果输 入风险预测模型， 确定各个账号的逾期风险概 率。 该实施方式能够利用图卷积神经网络对用户 的账号之间的拆借关系进行分析， 准确识别可能 存在高危风险的用户， 提高逾期风险预测的准确 度。 权利要求书2页 说明书12页 附图6页 CN 115526708 A 2022.12.27 CN 115526708 A 1.一种逾期风险概 率的确定方法， 其特 征在于， 包括： 获取多个账号的历史 交易信息； 对所述历史 交易信息进行 预处理， 提取各个所述账号的时间序列特 征； 遍历各个所述账号的历史交易信息， 查找相互之间存在交易关系的所述账号， 构建各 个所述账号之间的交易关系的图数据； 将各个所述账号之间的交易关系的图数据和所述 时间序列特征输入图卷积神经网络， 根据所述图卷积神经网络的输出， 得到多个所述账号之间的关联关系特 征； 对所述时间序列特征和所述关联关系特征进行组合， 将特征组合结果输入风险预测模 型， 利用所述 风险预测模型的输出确定各个所述账号的逾期风险概 率。 2.根据权利要求1所述的方法， 其特征在于， 所述对所述历史交易信息进行预处理， 包 括： 对所述历史交易信息进行数据清洗， 处理所述历史交易信息中的重复信息、 缺失信息 和异常信息； 针对经过所述数据清洗后的所述历史交易信息， 对数值变量进行归一化处理， 并对分 类变量进行独热编码； 针对经过所述数据清洗后的所述历史交易信 息， 将数值变量的归一化值和分类变量的 独热编码进行组合， 得到包括各个所述账号的历史 交易信息的预处 理结果。 3.根据权利要求2所述的方法， 其特 征在于， 所述对数值变量进行归一 化处理， 包括： 将所述数值变量与全部所述数值变量中的最小值之差作为分子， 将全部所述数值变量 中的最大值与最小值之差作为分母， 计算各个所述数值变量的归一 化值。 4.根据权利要求2所述的方法， 其特 征在于， 所述对分类 变量进行独热编码， 包括： 将所述分类 变量的变量 值映射到整数值； 利用二进制向量表示所述整数值， 得到各个所述分类 变量的独热编码。 5.根据权利要求1所述的方法， 其特征在于， 所述提取各个所述账号的时间序列特征， 包括： 按照账号维度， 将所述预处 理结果进行扁平化； 将每一个所述账号的扁平化数据输入预训练的行为特 征模型； 根据所述行为特 征模型的输出， 确定各个所述账号的时间序列特 征。 6.根据权利要求5所述的方法， 其特征在于， 所述行为特征模型采用LSTM网络、 Bi ‑RNN 网络或者GRU网络 。 7.根据权利要求6所述的方法， 其特 征在于， 确定所述行为特 征模型， 包括： 获取多个样本账号的样本交易特 征和样本时间序列； 将各个所述样本账号的所述样本交易特征作为行为特征模型的输入、 所述样本时间序 列作为所述行为特 征模型的输出， 对所述行为特 征模型进行迭代训练； 根据训练结果， 生成所述行为特 征模型。 8.根据权利要求5所述的方法， 其特征在于， 在所述将每一个所述账号的扁平化数据输 入预训练的行为特 征模型之前， 还 包括： 对所述扁平化数据进行层标准 化处理。 9.根据权利要求1所述的方法， 其特征在于， 所述将各个所述账号之间的交易关系的图权　利　要　求　书 1/2 页 2 CN 115526708 A 2数据和所述时间序列特 征输入预训练的所述图卷积神经网络， 替换为： 将所述时间序列特征输入所述图卷积神经网络， 以确定多个所述账号之间的所述关联 关系矩阵。 10.根据权利要求1所述的方法， 其特征在于， 所述将各个所述账号之间的交易关系的 图数据和所述时间序列特 征输入预训练的所述图卷积神经网络， 替换为： 将各个所述账号之间的交易关系的所述图数据输入图卷积神经网络， 以确定多个所述 账号之间的所述关联关系矩阵。 11.根据权利要求1所述的方法， 其特征在于， 所述对所述时间序列特征和所述关联关 系特征进行组合， 包括： 将所述时间序列特 征和所述关联关系特 征进行拼接， 确定所述特 征组合结果。 12.根据权利要求1所述的方法， 其特征在于， 所述账号为借记卡账号， 和/或， 贷记卡账 号。 13.一种逾期风险概 率的确定装置， 其特 征在于， 包括： 获取模块， 用于获取多个账号的历史 交易信息； 预处理模块， 用于对所述历史交易信息进行预处理， 提取各个所述账号的时间序列特 征； 预处理模块， 还用于遍历各个所述账号的历史交易信息， 查找相互之间存在交易关系 的所述账号， 构建各个所述账号之间的交易关系的图数据； 特征提取模块， 用于将各个所述账号之间的交易关系的图数据和所述 时间序列特征输 入图卷积神经网络， 根据所述图卷积神经网络的输出， 得到多个所述账号之间的关联关系 特征； 预测模块， 用于对所述时间序列特征和所述关联关系特征进行组合， 将特征组合结果 输入风险预测模型， 利用所述 风险预测模型的输出确定各个所述账号的逾期风险概 率。 14.一种逾期风险概 率的确定的电子设备， 其特 征在于， 包括： 一个或多个处 理器； 存储装置， 用于存 储一个或多个程序， 当所述一个或多个程序被所述一个或多个处理器执行， 使得所述一个或多个处理器实 现如权利要求1 ‑12中任一所述的方法。 15.一种计算机可读介质， 其上存储有计算机程序， 其特征在于， 所述程序被处理器执 行时实现如权利要求1 ‑12中任一所述的方法。 16.一种计算机程序产品， 包括计算机程序， 其特征在于， 所述计算机程序被处理器执 行时实现如权利要求1 ‑12中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115526708 A 3