对象意图信息的预测方法、装置、设备及存储介质与流程

1.本技术涉及图神经网络技术领域，尤其涉及一种对象意图信息的预测方法、装置、设备及存储介质。


背景技术：

2.目前，为了维护所在供应链的生存，提高供应链资金运作的效力，降低供应链整体的管理成本，需要为中小企业提供金融贷款服务。
3.目前，预测中小企业是否有贷款意向的方式主要是通过人工收集信息，但是单个企业贷款额度相对较小且企业数量较多，如果投入较多的人力资源去营销、发掘贷款业务是低效益且并不能及时发现缺资金的企业。
4.因此，亟需一种基于图神经网络的企业贷款意向值预测模型训练方法，能够快速获取企业当前的资产情况及变化趋势，进而更加准确、及时地预测企业贷款意向，从而提升业务人员的效率。


技术实现要素：

5.本技术提供一种对象意图信息的预测方法、装置、设备及存储介质，能够快速获取企业当前的资产情况及变化趋势，进而更加准确、及时地预测企业贷款意向，从而提升业务人员的效率。
6.第一方面，本技术提供一种对象意图信息的预测方法，包括：
7.获取待预测的对象图节点所表征的对象的数据信息；
8.将所述数据信息按照预设时间生成时序数据信息；
9.将所述时序数据信息输入至预测模型中，得到对象意图信息；其中，所述对象意图信息表征对象图节点所表征的对象的贷款意向值；其中，所述预测模型是基于多个对象图节点中每一对象图节点的数据信息、以及所述每一对象图节点的贷款意向值所训练得到的。
10.在一个示例中，将所述数据信息按照预设时间生成时序数据信息，包括：
11.根据所述数据信息，建立相应的图神经网络数据信息；
12.根据预设时间内的所述图神经网络数据信息，生成时序数据信息。
13.在一个示例中，所述预测模型包括：空间图神经网络层、门控循环神经网络层、自注意机制层和多层感知机。
14.在一个示例中，将所述时序数据信息输入至预测模型中，得到对象意图信息，包括：
15.将所述时序数据信息输入至空间图神经网络层，输出聚合后的数据信息；
16.将所述聚合后的的数据信息输入至门控循环神经网络层，得到局部时序的数据信息；
17.将所述局部时序的数据信息输入至自注意机制层，得到全局时序的数据信息；
18.将所述全局时序的数据信息输入至多层感知机，输出所述对象意图信息。
19.在一个示例中，在获取待预测的对象图节点所表征的对象的数据信息之后，还包括：
20.对所述对象的数据信息进行预处理，得到预处理后的数据信息；其中，所述预处理的过程包括如下至少一项：缺失值处理、异常值处理和归一化处理。
21.在一个示例中，所述对象的数据信息包括：对象的属性信息、对象的关联信息和邻居信息；其中，所述邻居信息表征与所述对象关联的其他对象的属性信息。
22.第二方面，本技术提供一种应用于预测对象意图信息的模型训练方法，所述方法包括：
23.获取多个对象图节点中每一对象图节点所表征的对象的数据信息、以及所述每一对象的贷款意向值；
24.将每一对象的数据信息按照预设时间生成每一对象的时序数据信息；
25.基于所述每一对象的时序数据信息和所述贷款意向值训练初始模型，得到预测模型；其中，所述预测模型用于预测对象图节点所表征的对象的对象意图信息，所述对象意图信息表征对象图节点所表征的对象的贷款意向值。
26.在一个示例中，将每一对象的数据信息按照预设时间生成每一对象的时序数据信息，包括：
27.根据所述每一对象的数据信息，建立每一对象的图神经网络数据信息；
28.根据预设时间内所述每一对象的图神经网络数据信息，生成所述每一对象的时序数据信息。
29.在一个示例中，所述预测模型包括：空间图神经网络层、门控循环神经网络层、自注意机制层和多层感知机。
30.在一个示例中，基于所述每一对象的时序数据信息和所述贷款意向值训练初始模型，得到预测模型，包括：
31.将所述每一对象的时序数据信息输入至空间图神经网络层，输出聚合后的数据信息；
32.根据所述聚合后的数据信息，输出预测的贷款意向值；
33.根据所述预测的贷款意向值和所述贷款意向值训练所述初始模型，得到预测模型。
34.在一个示例中，根据所述聚合后的数据信息，输出预测的贷款意向值，包括：
35.将所述聚合后的的数据信息输入至门控循环神经网络层，得到局部时序的数据信息；
36.将所述局部时序的数据信息输入至自注意机制层，得到全局时序的数据信息；
37.将所述全局时序的数据信息输入至多层感知机，输出预测的贷款意向值。
38.在一个示例中，在获取多个对象图节点中每一对象图节点所表征的对象的数据信息之后，还包括：
39.对所述对象的数据信息进行预处理，得到预处理后的数据信息；其中，所述预处理的过程包括如下至少一项：缺失值处理、异常值处理和归一化处理。
40.在一个示例中，所述对象的数据信息包括：对象的属性信息、对象的关联信息和邻
居信息；其中，所述邻居信息表征与所述对象关联的其他对象的属性信息。
41.第三方面，本技术提供一种对象意图信息的预测装置，所述装置包括：
42.获取单元，用于获取待预测的对象图节点所表征的对象的数据信息；
43.生成单元，用于将所述数据信息按照预设时间生成时序数据信息；
44.输入单元，用于将所述时序数据信息输入至预测模型中，得到对象意图信息；其中，所述对象意图信息表征对象图节点所表征的对象的贷款意向值；其中，所述预测模型是基于多个对象图节点中每一对象图节点的数据信息、以及所述每一对象图节点的贷款意向值所训练得到的。
45.在一个示例中，生成单元，包括：
46.建立模块，用于根据所述数据信息，建立相应的图神经网络数据信息；
47.生成模块，用于根据预设时间内的所述图神经网络数据信息，生成时序数据信息。
48.在一个示例中，所述预测模型包括：空间图神经网络层、门控循环神经网络层、自注意机制层和多层感知机。
49.在一个示例中，输入单元，包括：
50.第一输入模块，用于将所述时序数据信息输入至空间图神经网络层，输出聚合后的数据信息；
51.第二输入模块，用于将所述聚合后的的数据信息输入至门控循环神经网络层，得到局部时序的数据信息；
52.第三输入模块，用于将所述局部时序的数据信息输入至自注意机制层，得到全局时序的数据信息；
53.第四输入模块，用于将所述全局时序的数据信息输入至多层感知机，输出所述贷款意向值。
54.在一个示例中，所述装置还包括：
55.预处理单元，用于对所述对象的数据信息进行预处理，得到预处理后的数据信息；其中，所述预处理的过程包括如下至少一项：缺失值处理、异常值处理和归一化处理。
56.在一个示例中，所述对象的数据信息包括：对象的属性信息、对象的关联信息和邻居信息；其中，所述邻居信息表征与所述对象关联的其他对象的属性信息。
57.第四方面，本技术提供一种应用于预测对象意图信息的模型训练装置，所述装置包括：
58.获取单元，用于获取多个对象图节点中每一对象图节点所表征的对象的数据信息、以及所述每一对象的贷款意向值；
59.生成单元，用于将每一对象的数据信息按照预设时间生成每一对象的时序数据信息；
60.训练单元，用于基于所述每一对象的时序数据信息和所述贷款意向值训练初始模型，得到预测模型；其中，所述预测模型用于预测对象图节点所表征的对象的对象意图信息，所述对象意图信息表征对象图节点所表征的对象的贷款意向值。
61.在一个示例中，生成单元，包括：
62.建立模块，用于根据所述每一对象的数据信息，建立每一对象的图神经网络数据信息；
63.生成模块，用于根据预设时间内所述每一对象的图神经网络数据信息，生成所述每一对象的时序数据信息。
64.在一个示例中，所述预测模型包括：空间图神经网络层、门控循环神经网络层、自注意机制层和多层感知机。
65.在一个示例中，训练单元，包括：
66.输入模块，用于将所述每一对象的时序数据信息输入至空间图神经网络层，输出聚合后的数据信息；
67.输出模块，用于根据所述聚合后的数据信息，输出预测的贷款意向值；
68.训练模块，用于根据所述预测的贷款意向值和所述贷款意向值训练所述初始模型，得到预测模型。
69.在一个示例中，输出模块，包括：
70.第一输入子模块，用于将所述聚合后的的数据信息输入至门控循环神经网络层，得到局部时序的数据信息；
71.第二输入子模块，用于将所述局部时序的数据信息输入至自注意机制层，得到全局时序的数据信息；
72.输出子模块，用于将所述全局时序的数据信息输入至多层感知机，输出预测的贷款意向值。
73.在一个示例中，所述装置，还包括：
74.预处理单元，用于对所述对象的数据信息进行预处理，得到预处理后的数据信息；其中，所述预处理的过程包括如下至少一项：缺失值处理、异常值处理和归一化处理。
75.在一个示例中，所述对象的数据信息包括：对象的属性信息、对象的关联信息和邻居信息；其中，所述邻居信息表征与所述对象关联的其他对象的属性信息。
76.第五方面，本技术提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
77.所述存储器存储计算机执行指令；
78.所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面或第二方面所述的方法。
79.第六方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面或第二方面所述的方法。
80.第七方面，本技术提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如第一方面或第二方面所述的方法。
81.本技术提供的一种对象意图信息的预测方法、装置、设备及存储介质，该方法包括：获取待预测的对象图节点所表征的对象的数据信息；将所述数据信息按照预设时间生成时序数据信息；将所述时序数据信息输入至预测模型中，得到对象意图信息；其中，所述对象意图信息表征对象图节点所表征的对象的贷款意向值；其中，所述预测模型是基于多个对象图节点中每一对象图节点的数据信息、以及所述每一对象图节点的贷款意向值所训练得到的。采用本技术方案，能够快速获取企业当前的资产情况及变化趋势，进而更加准确、及时地预测企业贷款意向，从而提升业务人员的效率。
附图说明
82.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
83.图1是根据本技术实施例一提供的一种对象意图信息的预测方法的流程示意图；
84.图2是根据本技术实施例一提供的一种对象图节点的示意图；
85.图3是根据本技术实施例二提供的一种对象意图信息的预测方法的流程示意图；
86.图4是根据本技术实施例二提供的一种门控循环神经网络层的结构示意图；
87.图5是根据本技术实施例三提供的一种应用于预测对象意图信息的模型训练方法的流程示意图；
88.图6是根据本技术实施例三提供的一种预测模型示意图；
89.图7是根据本技术实施例四提供的一种对象意图信息的预测装置的示意图；
90.图8是根据本技术实施例五提供的一种对象意图信息的预测装置的示意图；
91.图9是根据本技术实施例六提供的一种应用于预测对象意图信息的模型训练装置的示意图；
92.图10是根据本技术实施例七提供的一种应用于预测对象意图信息的模型训练装置的示意图；
93.图11是根据一示例性实施例示出的一种终端设备的框图。
94.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
95.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
96.本技术提供的对象意图信息的预测方法，旨在解决现有技术的如上技术问题。
97.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
98.图1是根据本技术实施例一提供的一种对象意图信息的预测方法的流程示意图。实施例一中包括如下步骤：
99.s101、获取待预测的对象图节点所表征的对象的数据信息。
100.在一个示例中，对象图节点可以定义为g＝(v,e,w,x)。其中，g表示为对象图节点；v表示对象图节点中的点，n＝|v|表示对象图节点的个数，e表示对象图节点中边的集合，w∈rn×n是加权的邻接矩阵，x∈rn×d表示对象图节点中对象的数据信息。待预测的对象图节点中的对象可以为企业，其中，对象的数据信息可以为对象的属性信息、对象的关联信息和邻居信息；其中，所述邻居信息表征与所述对象关联的其他对象的属性信息。若对象为企业，则对象的数据信息可以为企业的属性信息，其中，企业的属性信息为财务收益信息、资
产运营信息、偿债能力信息和发展能力信息；对象的关联信息为企业之间的关联信息，进一步地，企业之间的关联信息为企业所有人、企业供应链关系和企业担保关系。具体的，可以参见图2中示出的一种对象图节点的示意图，从图2中可以看出每一个圆圈代表一个对象图节点，每一个对象图节点与多个其他的对象图节点相连接，其中，每一个对象图节点中包括对象的数据信息。
101.s102、将数据信息按照预设时间生成时序数据信息。
102.本实施例中，对象图节点的所表征的对象的数据信息是一个时刻的数据信息，时序数据信息为一个时间段的数据信息，其中，对象图节点的时序数据信息是对象图节点所表征的对象的数据信息在一个时间段的数据信息的总和。本实施例中，若预设时间为1个月，则时序数据信息为一个月的对象的数据信息的总和。示例性地，对象图节点可以定义为g＝(v,e,w,x)，则对象图节点的时序数据信息为t是时刻节点，g
t
表示t时刻的对象图节点，t表示预设时间，表示时序数据信息。
103.s103、将时序数据信息输入至预测模型中，得到对象意图信息；其中，对象意图信息表征对象图节点所表征的对象的贷款意向值；其中，预测模型是基于多个对象图节点中每一对象图节点的数据信息、以及每一对象图节点的贷款意向值所训练得到的。
104.本实施例中，预测模型可以是图神经网络模型，其中，图神经网络模型与卷积神经网络模型类似，均是前向传播网络，是由多层神经网络层构成的。图神经网络模型中的对象图节点是用于聚合邻居信息的，只不过其可以处理邻居对象图节点数量、顺序、位置不同的情况。
105.本实施例中，对象意图信息可以表示对象图节点的对象的贷款意向值，其中贷款意向值为0-1之间的数值，越接近1，则对象的贷款意向越高。
106.本技术提供的一种对象意图信息的预测方法，该方法包括：获取待预测的对象图节点所表征的对象的数据信息，将数据信息按照预设时间生成时序数据信息，将时序数据信息输入至预测模型中，得到对象意图信息。采用本技术方案，可以综合利用企业自身以及与之关联的企业的时序信息，能够从时间空间双视角建模企业的状况，更有利于贷款意向的预测。
107.图3是根据本技术实施例二提供的一种对象意图信息的预测方法的流程示意图。实施例二中包括如下步骤：
108.s301、获取待预测的对象图节点所表征的对象的数据信息。
109.在一个示例中，对对象的数据信息进行预处理，得到预处理后的数据信息；其中，预处理的过程包括如下至少一项：缺失值处理、异常值处理和归一化处理。
110.本实施例中，对象的数据信息可能会出现一些异常数据信息，则先将对象的数据信息进行预处理，得到预处理后的数据信息后，再对预处理后的数据信息进行后续的处理。
111.本实施例中，对象的数据信息包括：对象的属性信息、对象的关联信息和邻居信息；其中，邻居信息表征与对象关联的其他对象的属性信息。
112.s302、根据数据信息，建立相应的图神经网络数据信息。
113.在一个示例中，数据信息经过如下公式后，得到图神经网络数据信息：
114.[0115][0116]
其中，表示节点v在第k层的图神经网络数据信息，n(v)表示邻居的节点v的邻居(邻居包含v自身)，aggregate用于聚合邻居的信息相似度计算，combine将投射后的用户信息和聚合的邻居信息拼接起来作为用户的特征。aggregate一般为最大池化、平均池化、lstm、注意力机制等方法，本实施例中的k表示层数，k为从1开始的自然数。
[0117]
s303、根据预设时间内的图神经网络数据信息，生成时序数据信息。
[0118]
时序数据信息在单一时间节点上是图神经网络数据信息，用于聚合对象图节点和其邻居的数据信息，然后对预设时间内的图神经网络数据信息的结果进行时序建模。对象图节点v在时刻t的图神经网络数据信息输出为然后利用lstm、gru、transformer等时序建模方法对各个时刻的输出进行建模从而感知时间上的变化趋势，最终得到对象图节点v的时序数据信息hv。
[0119]
s304、将时序数据信息输入至预测模型中，得到对象意图信息；其中，对象意图信息表征对象图节点所表征的对象的贷款意向值；其中，预测模型是基于多个对象图节点中每一对象图节点的数据信息、以及每一对象图节点的贷款意向值所训练得到的。
[0120]
本实施例中，预测模型包括：空间图神经网络层、门控循环神经网络层、自注意机制层和多层感知机。
[0121]
本实施例中，将时序数据信息输入至空间图神经网络层，输出聚合后的数据信息；
[0122]
将聚合后的的数据信息输入至门控循环神经网络层，得到局部时序的数据信息；
[0123]
将局部时序的数据信息输入至自注意机制层，得到全局时序的数据信息；
[0124]
将全局时序的数据信息输入至多层感知机，输出对象意图信息。
[0125]
在一个示例中，空间图神经网络层是空间感知聚合器。在时刻t，对象图节点u和其邻居空间感知聚合器φ可表示为：
[0126][0127]
其中，和分别表示节点和边edge(u,v)在时刻t的原始特征，是可学习的参数。空间感知聚合器一般采用最大池化、平均池化、lstm、注意力机制等方式。考虑到，不同的邻居节点对目标节点有不同的影响，使用基于注意力机制的空间感知聚合器。公式可以表示如下：
[0128][0129][0130][0131]
其中，σ是非线性激活函数，[
·
,
·
]表示向量拼接，v
φ
，w
φ1
，w
φ2
，w
φ3
是可学习的参数，在实际应用中，一般迭代堆叠几层聚合器，即将上层聚合器的输出作为下一层聚合器的输入，从而能够聚合多阶邻居信息。为了简化表示，此处用表示经过几层聚合器的输出。
[0132]
在一个示例中，门控循环神经网络层是一种循环神经网络，结构更加简单，但是效果很好，能够对时序数据进行建模。在门控循环神经网络层中有两个门：分别是更新门和重置门。具体结构可以参见图4，具体的，门控循环神经网络层的输入是t个空间图神经网络的输出，即为聚合后的数据信息；其中，σ是非线性激活函数。门控循环神经网络层的表达式可以表示如下：
[0133][0134][0135][0136][0137][0138]
其中，和是可学习的参数，门控循环神经网络层在t时刻的输出为前一时刻的门控循环神经网络层输出结果，经过空间图神经网络层，作为下一时刻门控循环神经网络层的输入。门控循环神经网络层在t时刻的局部时序的数据信息为其中n是图中对象图节点的个数，fh是每个对象图节点输出向量的维数。
[0139]
门控循环神经网络层主要用于捕捉局部时序的数据信息，自注意机制层用于捕获全局时序的数据信息。自注意机制层是一种适合学习长序列的神经网络模型，弥补了rnn系列模型在误差积累，梯度爆炸，长时记忆等方面的短板，其作用是捕捉每个空间节点在时间维度上的长时依赖。这里的自注意机制层与一般的自注意机制层基本结构别无二致，分别由位置编码机制，多头注意力层和前馈输出层组成。自注意机制层的输入为门控循环神经网络层的输出，其最核心的是自注意力机制。自注意力机制由查询向量q、键向量k和值向量v组成：
[0140][0141]
查询向量q、键向量k和值向量v分别由一个对象图节点特征进行映射得到；
[0142][0143][0144][0145]
对于每一个对象图节点都需要进行一次自注意力的计算：
[0146][0147]
为了感知位置信息，在h
t
上加入位置信息e
t
。
[0148][0149]
为了提升训练的稳定性，可采用多头形式的自注意力：
[0150][0151]
本实施例中，将全局时序的数据信息输入至多层感知机，输出对象意图信息。
[0152]
在一个示例中，自注意机制层的输出为然后将图节点在t个时间步的信息送入到多层感知机进行聚合。聚合层的可以采用拼接、池化、注意力机制等方法，最终得到图节点的输出向量然后将ho送入多层感知机中和交叉熵损失函数中。
[0153]
具体的，可以参见如下公式：
[0154]ho
＝tal(h')；
[0155][0156][0157]
本技术提供的一种对象意图信息的预测方法，该方法包括：获取待预测的对象图节点所表征的对象的数据信息，根据数据信息，建立相应的图神经网络数据信息，根据预设时间内的图神经网络数据信息，生成时序数据信息，将时序数据信息输入至预测模型中，得到对象意图信息；其中，对象意图信息表征对象图节点所表征的对象的贷款意向值；其中，预测模型是基于多个对象图节点中每一对象图节点的数据信息、以及每一对象图节点的贷款意向值所训练得到的。采用本技术方案，利用对象图节点信息，能够同时对对象图节点自身和其上下游的对象图节点进行建模，并且考虑到对象图节点的历史时序信息，从而能够综合感知对象图节点所处的情况及变化趋势，更加准确、及时地预测企业的贷款意向。
[0158]
图5是根据本技术实施例三提供的一种应用于预测对象意图信息的模型训练方法的流程示意图。实施例三中包括如下步骤：
[0159]
s501、获取多个对象图节点中每一对象图节点所表征的对象的数据信息、以及每一对象的贷款意向值。
[0160]
本实施例中，可以从网站公开的数据信息中获取多个对象图节点的每一对象图节点所表征的对象的数据信息，以及该对象的贷款意向值。
[0161]
s502、将每一对象的数据信息按照预设时间生成每一对象的时序数据信息。
[0162]
在一个示例中，根据每一对象的数据信息，建立每一对象的图神经网络数据信息；
[0163]
根据预设时间内每一对象的图神经网络数据信息，生成每一对象的时序数据信息。
[0164]
示例性地，本步骤可以参见上述步骤s303，不再赘述。
[0165]
s503、基于每一对象的时序数据信息和贷款意向值训练初始模型，得到预测模型；其中，预测模型用于预测对象图节点所表征的对象的对象意图信息，对象意图信息表征对象图节点所表征的对象的贷款意向值。
[0166]
在一个示例中，将每一对象的数据信息按照预设时间生成每一对象的时序数据信息，包括：
[0167]
根据每一对象的数据信息，建立每一对象的图神经网络数据信息；
[0168]
根据预设时间内每一对象的图神经网络数据信息，生成每一对象的时序数据信息。
[0169]
示例性地，本步骤可以参见上述步骤s303，不再赘述。
[0170]
示例性地，预测模型包括：空间图神经网络层、门控循环神经网络层、自注意机制层和多层感知机。本实施例中，具体的，可以参见图6中示出的一种预测模型示意图，可以从图中看出该预测模型的工作过程。gru(gated recurrent unit，门控循环网络)的输入是t个空间图神经网络的输出，gru在t时刻的输出为前一时刻的gru输出结果，经过空间图神经网络层，作为下一时刻gru的输入。其中，s-gnn层为空间图神经网络，最终，gru层的在t时刻的输出为其中n是图中节点的个数，fh是每个节点输出向量的维数。transformer层是自注意机制层，mlp(multi layer perceptron，多层感知器)包括至少一个隐藏层(除了一个输入层和一个输出层以外)。单层感知器只能学习线性函数，而多层感知器也可以学习非线性函数。cross entropyloss为交叉熵损失函数。
[0171]
在一个示例中，基于每一对象的时序数据信息和贷款意向值训练初始模型，得到预测模型，包括：
[0172]
将每一对象的时序数据信息输入至空间图神经网络层，输出聚合后的数据信息；
[0173]
根据聚合后的数据信息，输出预测的贷款意向值；
[0174]
根据预测的贷款意向值和贷款意向值训练初始模型，得到预测模型。
[0175]
在一个示例中，根据聚合后的数据信息，输出预测的贷款意向值，包括：
[0176]
将聚合后的的数据信息输入至门控循环神经网络层，得到局部时序的数据信息；
[0177]
将局部时序的数据信息输入至自注意机制层，得到全局时序的数据信息；
[0178]
将全局时序的数据信息输入至多层感知机，输出预测的贷款意向值。
[0179]
在一个示例中，本步骤可以参见上述步骤s304，不再赘述。
[0180]
在一个示例中，在获取多个对象图节点中每一对象图节点所表征的对象的数据信息之后，还包括：
[0181]
对对象的数据信息进行预处理，得到预处理后的数据信息；其中，预处理的过程包括如下至少一项：缺失值处理、异常值处理和归一化处理。
[0182]
在一个示例中，本步骤可以参见上述步骤s301，不再赘述。
[0183]
在一个示例中，对象的数据信息包括：对象的属性信息、对象的关联信息和邻居信息；其中，邻居信息表征与对象关联的其他对象的属性信息。
[0184]
本技术提供的一种应用于预测对象意图信息的模型训练方法，该方法包括：获取多个对象图节点中每一对象图节点所表征的对象的数据信息、以及每一对象的贷款意向值，将每一对象的数据信息按照预设时间生成每一对象的时序数据信息，基于每一对象的
时序数据信息和贷款意向值训练初始模型，得到预测模型；其中，预测模型用于预测对象图节点所表征的对象的对象意图信息，对象意图信息表征对象图节点所表征的对象的贷款意向值。采用本技术方案，从时间、空间两角度对对象图节点进行建模，预测对象的贷款意向。
[0185]
图7是根据本技术实施例四提供的一种对象意图信息的预测装置的示意图，实施例四的装置70包括：
[0186]
获取单元701，用于获取待预测的对象图节点所表征的对象的数据信息。
[0187]
生成单元702，用于将数据信息按照预设时间生成时序数据信息。
[0188]
输入单元703，用于将时序数据信息输入至预测模型中，得到对象意图信息；其中，对象意图信息表征对象图节点所表征的对象的贷款意向值；其中，预测模型是基于多个对象图节点中每一对象图节点的数据信息、以及每一对象图节点的贷款意向值所训练得到的。
[0189]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0190]
图8是根据本技术实施例五提供的一种对象意图信息的预测装置的示意图，实施例五的装置80包括：
[0191]
获取单元801，用于获取待预测的对象图节点所表征的对象的数据信息。
[0192]
生成单元802，用于将数据信息按照预设时间生成时序数据信息。
[0193]
输入单元803，用于将时序数据信息输入至预测模型中，得到对象意图信息；其中，对象意图信息表征对象图节点所表征的对象的贷款意向值；其中，预测模型是基于多个对象图节点中每一对象图节点的数据信息、以及每一对象图节点的贷款意向值所训练得到的。
[0194]
在一个示例中，生成单元802，包括：
[0195]
建立模块8021，用于根据数据信息，建立相应的图神经网络数据信息。
[0196]
生成模块8022，用于根据预设时间内的图神经网络数据信息，生成时序数据信息。
[0197]
在一个示例中，预测模型包括：空间图神经网络层、门控循环神经网络层、自注意机制层和多层感知机。
[0198]
在一个示例中，输入单元803，包括：
[0199]
第一输入模块8031，用于将时序数据信息输入至空间图神经网络层，输出聚合后的数据信息。
[0200]
第二输入模块8032，用于将聚合后的的数据信息输入至门控循环神经网络层，得到局部时序的数据信息。
[0201]
第三输入模块8033，用于将局部时序的数据信息输入至自注意机制层，得到全局时序的数据信息。
[0202]
第四输入模块8034，用于将全局时序的数据信息输入至多层感知机，输出贷款意向值。
[0203]
在一个示例中，装置还包括：
[0204]
预处理单元804，用于对对象的数据信息进行预处理，得到预处理后的数据信息；其中，预处理的过程包括如下至少一项：缺失值处理、异常值处理和归一化处理。
[0205]
在一个示例中，对象的数据信息包括：对象的属性信息、对象的关联信息和邻居信
息；其中，邻居信息表征与对象关联的其他对象的属性信息。
[0206]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0207]
图9是根据本技术实施例六提供的一种应用于预测对象意图信息的模型训练装置的示意图，实施例六的装置90包括：
[0208]
获取单元901，用于获取多个对象图节点中每一对象图节点所表征的对象的数据信息、以及每一对象的贷款意向值。
[0209]
生成单元902，用于将每一对象的数据信息按照预设时间生成每一对象的时序数据信息。
[0210]
训练单元903，用于基于每一对象的时序数据信息和贷款意向值训练初始模型，得到预测模型；其中，预测模型用于预测对象图节点所表征的对象的对象意图信息，对象意图信息表征对象图节点所表征的对象的贷款意向值。
[0211]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0212]
图10是根据本技术实施例七提供的一种应用于预测对象意图信息的模型训练装置的示意图，实施例七的装置100包括：
[0213]
获取单元1001，用于获取多个对象图节点中每一对象图节点所表征的对象的数据信息、以及每一对象的贷款意向值。
[0214]
生成单元1002，用于将每一对象的数据信息按照预设时间生成每一对象的时序数据信息。
[0215]
训练单元1003，用于基于每一对象的时序数据信息和贷款意向值训练初始模型，得到预测模型；其中，预测模型用于预测对象图节点所表征的对象的对象意图信息，对象意图信息表征对象图节点所表征的对象的贷款意向值。
[0216]
在一个示例中，生成单元1002，包括：
[0217]
建立模块10021，用于根据每一对象的数据信息，建立每一对象的图神经网络数据信息。
[0218]
生成模块10022，用于根据预设时间内每一对象的图神经网络数据信息，生成每一对象的时序数据信息。
[0219]
在一个示例中，预测模型包括：空间图神经网络层、门控循环神经网络层、自注意机制层和多层感知机。
[0220]
在一个示例中，训练单元1003，包括：
[0221]
输入模块10031，用于将每一对象的时序数据信息输入至空间图神经网络层，输出聚合后的数据信息。
[0222]
输出模块10032，用于根据聚合后的数据信息，输出预测的贷款意向值。
[0223]
训练模块10033，用于根据预测的贷款意向值和贷款意向值训练初始模型，得到预测模型。
[0224]
在一个示例中，输出模块10032，包括：
[0225]
第一输入子模块100321，用于将聚合后的的数据信息输入至门控循环神经网络层，得到局部时序的数据信息。
[0226]
第二输入子模块100322，用于将局部时序的数据信息输入至自注意机制层，得到全局时序的数据信息。
[0227]
输出子模块100323，用于将全局时序的数据信息输入至多层感知机，输出预测的贷款意向值。
[0228]
在一个示例中，装置，还包括：
[0229]
预处理单元1004，用于对对象的数据信息进行预处理，得到预处理后的数据信息；其中，预处理的过程包括如下至少一项：缺失值处理、异常值处理和归一化处理。
[0230]
在一个示例中，对象的数据信息包括：对象的属性信息、对象的关联信息和邻居信息；其中，邻居信息表征与对象关联的其他对象的属性信息。
[0231]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0232]
图11是根据一示例性实施例示出的一种终端设备的框图，该设备可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
[0233]
装置1100可以包括以下一个或多个组件：处理组件1102，存储器1104，电源组件1106，多媒体组件1108，音频组件1110，输入/输出(i/o)接口1112，传感器组件1114，以及通信组件1116。
[0234]
处理组件1102通常控制装置1100的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1102可以包括一个或多个处理器1120来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1102可以包括一个或多个模块，便于处理组件1102和其他组件之间的交互。例如，处理组件1102可以包括多媒体模块，以方便多媒体组件1108和处理组件1102之间的交互。
[0235]
存储器1104被配置为存储各种类型的数据以支持在装置1100的操作。这些数据的示例包括用于在装置1100上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1104可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0236]
电源组件1106为装置1100的各种组件提供电力。电源组件1106可以包括电源管理系统，一个或多个电源，及其他与为装置1100生成、管理和分配电力相关联的组件。
[0237]
多媒体组件1108包括在装置1100和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1108包括一个前置摄像头和/或后置摄像头。当装置1100处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
[0238]
音频组件1110被配置为输出和/或输入音频信号。例如，音频组件1110包括一个麦
克风(mic)，当装置1100处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1104或经由通信组件1116发送。在一些实施例中，音频组件1110还包括一个扬声器，用于输出音频信号。
[0239]
i/o接口1112为处理组件1102和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
[0240]
传感器组件1114包括一个或多个传感器，用于为装置1100提供各个方面的状态评估。例如，传感器组件1114可以检测到装置1100的打开/关闭状态，组件的相对定位，例如所述组件为装置1100的显示器和小键盘，传感器组件1114还可以检测装置1100或装置1100一个组件的位置改变，用户与装置1100接触的存在或不存在，装置1100方位或加速/减速和装置1100的温度变化。传感器组件1114可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1114还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1114还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
[0241]
通信组件1116被配置为便于装置1100和其他设备之间有线或无线方式的通信。装置1100可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件1116经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1116还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
[0242]
在示例性实施例中，装置1100可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
[0243]
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1104，上述指令可由装置1100的处理器1120执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0244]
一种非临时性计算机可读存储介质，当该存储介质中的指令由终端设备的处理器执行时，使得终端设备能够执行上述终端设备的对象意图信息的预测方法或者应用于预测对象意图信息的模型训练方法。
[0245]
本技术还公开了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如本实施例中所述的方法。
[0246]
本技术以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至
少一个输出装置。
[0247]
用于实施本技术的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或电子设备上执行。
[0248]
在本技术的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0249]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0250]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据电子设备)、或者包括中间件部件的计算系统(例如，应用电子设备)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0251]
计算机系统可以包括客户端和电子设备。客户端和电子设备一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-电子设备关系的计算机程序来产生客户端和电子设备的关系。电子设备可以是云电子设备，又称为云计算电子设备或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。电子设备也可以为分布式系统的电子设备，或者是结合了区块链的电子设备。应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本技术中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本技术公开的技术方案所期望的结果，本文在此不进行限制。
[0252]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识
或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求书指出。
[0253]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。