一种信用风险分析方法、装置及相关设备与流程

1.本发明涉及大数据技术领域，尤其涉及一种信用风险分析方法、装置及相关设备。


背景技术：

2.信用风险是指交易对手不会按照债券、衍生工具、保险单或其他合同的规定支付的风险。对于银行而言，必须及时识别和规避信用风险，否则容易面临比较严重的问题。
3.对于信用风险分析这一问题，常采用对交易对手财务状况进行分析、“5c”要素分析以及列表评分分析等分析方法，这些分析方法都是从交易对手本身对财务状况、资产水平和品格能力等方面进行分析，分析层面单一，致使分析结果存在片面性和局限性。


技术实现要素：

4.有鉴于此，本发明实施例提供一种信用风险分析方法、装置及相关设备，以解决目前分析层面单一，分析结果存在片面性和局限性的问题。
5.为实现上述目的，本发明实施例提供如下技术方案：
6.本发明实施例第一方面公开一种信用风险分析方法，所述方法包括：
7.当接收到携带第一用户标识的分析指令时，依据预设关系条件从数据库中获取所述第一用户标识对应的关系信息；
8.基于所述关系信息构建所述第一用户标识对应的关系复杂网络，所述关系复杂网络中包含多个基于所述关系信息创建的信用资质；
9.从所述关系复杂网络中提取目标信息，所述目标信息为任意多个所述信用资质；
10.对所述目标信息进行聚合交互处理，生成目标信用资质；
11.基于所述目标信用资质，利用预设二分类预测模型分析所述第一用户标识对应的信用风险概率；
12.输出所述信用风险概率。
13.优选的，所述基于所述关系信息构建所述第一用户标识对应的关系复杂网络，包括：
14.基于所述关系信息中的所述第一用户标识对应的用户信息、多个第二用户标识对应的用户信息、多个第三用户标识对应的用户信息，分别创建所述第一用户标识对应的第一信用资质、多个所述第二用户标识对应的第二信用资质、多个所述第三用户标识对应的第三信用资质，其中，所述第一用户标识和所述第二用户标识对应满足所述预设关系条件，所述第二用户标识和所述第三用户标识对应满足所述预设关系条件；
15.基于所述第一信用资质、多个所述第二信用资质、多个所述第三信用资质，构建所述第一用户标识对应的关系复杂网络。
16.优选的，所述对所述目标信息进行聚合交互处理，生成目标信用资质，包括：
17.将所述目标信息中的多个所述第二信用资质进行聚合处理，以及对所述目标信息中的多个所述第三信用资质进行递归处理；
18.将所述目标信息中的所述第一信用资质、经过聚合处理后的多个所述第二信用资质、经过递归处理后的多个所述第三信用资质进行交互处理，生成所述第一用户标识对应的目标信用资质。
19.优选的，所述基于所述目标信用资质，利用预设二分类预测模型分析所述第一用户标识对应的信用风险概率，包括：
20.将所述第一用户标识对应的所述目标信用资质输入至预设二分类预测模型，所述预设二分类预测模型由基于多个样本目标信用资质训练得到；
21.结合所述预设二分类预测模型中预设的风险等级标准，分析所述第一用户标识对应的信用风险概率。
22.本发明实施例第二方面公开一种信用风险分析装置，所述装置包括：
23.获取单元，用于当接收到携带第一用户标识的分析指令时，依据预设关系条件从数据库中获取所述第一用户标识对应的关系信息；
24.构建单元，用于基于所述关系信息构建所述第一用户标识对应的关系复杂网络，所述关系复杂网络中包含多个基于所述关系信息创建的信用资质；
25.提取单元，用于从所述关系复杂网络中提取目标信息，所述目标信息为任意多个所述信用资质；
26.处理单元，用于对所述目标信息进行聚合交互处理，生成目标信用资质；
27.分析单元，用于基于所述目标信用资质，利用预设二分类预测模型分析所述第一用户标识对应的信用风险概率；
28.输出单元，用于输出所述信用风险概率。
29.优选的，所述构建单元，包括：
30.创建模块，用于基于所述关系信息中的所述第一用户标识对应的用户信息、多个第二用户标识对应的用户信息、多个第三用户标识对应的用户信息，分别创建所述第一用户标识对应的第一信用资质、多个所述第二用户标识对应的第二信用资质、多个所述第三用户标识对应的第三信用资质，其中，所述第一用户标识和所述第二用户标识对应满足所述预设关系条件，所述第二用户标识和所述第三用户标识对应满足所述预设关系条件；
31.构建模块，用于基于所述第一信用资质、多个所述第二信用资质、多个所述第三信用资质，构建所述第一用户标识对应的关系复杂网络。
32.优选的，所述处理单元，包括：
33.聚合模块，用于将所述目标信息中的多个所述第二信用资质进行聚合处理，以及对所述目标信息中的多个所述第三信用资质进行递归处理；
34.交互模块，用于将所述目标信息中的所述第一信用资质、经过聚合处理后的多个所述第二信用资质、经过递归处理后的多个所述第三信用资质进行交互处理，生成所述第一用户标识对应的目标信用资质。
35.优选的，所述分析单元，包括：
36.输入模块，用于将所述第一用户标识对应的所述目标信用资质输入至预设二分类预测模型，所述预设二分类预测模型由基于多个样本目标信用资质训练得到；
37.分析模块，用于结合所述预设二分类预测模型中预设的风险等级标准，分析所述第一用户标识对应的信用风险概率。
38.本发明实施例第三方面公开一种电子设备，包括：处理器以及存储器，所述处理器以及存储器通过通信总线相连；其中，所述处理器，用于调用并执行所述存储器中存储的程序；所述存储器，用于存储程序，所述程序用于实现上述任一所述的信用风险分析方法。
39.本发明实施例第四方面公开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可执行指令，所述计算机可执行指令用于实现上述任一所述的信用风险分析方法。
40.基于上述本发明实施例提供的一种信用风险分析方法、装置及相关设备，该方法为：当接收到携带第一用户标识的分析指令时，依据预设关系条件从数据库中获取第一用户标识对应的关系信息；基于关系信息构建第一用户标识对应的关系复杂网络；从关系复杂网络中提取目标信息；对目标信息进行聚合交互处理，生成目标信用资质；基于目标信用资质，利用预设二分类预测模型分析第一用户标识对应的信用风险概率；输出信用风险概率。构建关系复杂网络，有助于多层面考虑实体用户之间的相互作用，从而全面性地评估用户的信用风险，提高了分析的精确性和可靠性。
附图说明
41.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
42.图1为本发明实施例提供的一种信用风险分析方法的流程图；
43.图2为本发明实施例提供的用户信用资质示意图；
44.图3为本发明实施例提供的关系复杂网络示意图；
45.图4为本发明实施例提供的一种信用风险分析装置的结构框图。
具体实施方式
46.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
47.在本技术中，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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
48.需要说明的是，本发明提供的一种信用风险分析方法、装置及相关设备可用于大数据领域或金融领域。上述仅为示例，并不对本发明提供的一种信用风险分析方法、装置及相关设备的应用领域进行限定。
49.由背景技术可知，目前主要对借款人的财务状况进行分析，以确定借款人的信用风险概率，但是这种分析方法分析层面单一，容易导致分析结果存在片面性和局限性。
50.因此，本发明实施例提供一种信用风险分析方法、装置及相关设备，当接收到携带第一用户标识的分析指令时，从数据库中获取第一用户标识对应的关系信息，构建第一用户标识对应的关系复杂网络，从关系复杂网络中提取目标信息，对目标信息进行聚合交互处理后得到目标信用资质，基于目标信用资质，分析第一用户标识对应的信用风险概率，反馈信用风险概率。通过将关系信息抽象为关系复杂网络，更加系统且全面的评估用户的信用风险，使分析结果更加精确可靠。
51.参加图1，示出了本发明实施例提供的一种信用风险分析方法的流程图，该信用风险分析方法包括：
52.可以理解的是，当借款人向银行提交材料申请借款之后，银行需要对借款人的信用进行评估。基于此生成针对借款人的分析指令，利用该分析方法对借款人的信用风险进行评估，其中，借款人标识为分析指令中的第一用户标识。
53.步骤s101：当接收到携带第一用户标识的分析指令时，依据预设关系条件从数据库中获取第一用户标识对应的关系信息。
54.需要说明的是，预设关系条件可以是与目标标识对应的目标用户处于同一位置、就职于同一公司、属于同一商户或存在亲属关系等。在步骤s101中，当目标标识为第一用户标识，目标用户为第一用户时，与第一用户处于同一位置、就职于同一公司、属于同一商户或存在亲属关系等的用户记为第二用户，第二用户对应第二用户标识；当目标标识为第二用户标识，目标用户为第二用户时，与第二用户处于同一位置、就职于同一公司、属于同一商户或存在亲属关系等的用户记为第三用户，第三用户对应第三用户标识。
55.在具体实现步骤s101的过程中，当接收到携带第一用户标识的分析指令时，根据预设关系条件，利用相关程序语言(如sql语言)从数据库中获取第一用户标识对应的关系信息。
56.可以理解的是，根据预设关系条件，第一用户标识对应的关系信息包括：第一用户标识对应的用户信息、第二用户标识对应的用户信息和第三用户标识对应的用户信息。用户信息包括但不限于用户基本的资产负债情况、财务状况和使用银行卡的消费记录等信息。
57.需要说明的是，依据预设关系条件还可以获取得到与第三用户对应满足预设关系条件的第四用户，与第四用户对应满足预设关系条件的第五用户，但是对于分析第一用户的信用风险概率来说，第四用户或第五用户的用户信息的参考价值不大，因此，在本发明实施例中只需获取第一用户的用户信息、第二用户的用户信息和第三用户的用户信息即可。
58.步骤s102：基于关系信息构建第一用户标识对应的关系复杂网络。
59.在具体实现步骤s102的过程中，基于获取得到的第一用户标识对应的关系创建第一用户标识对应的第一信用资质、多个第二用户标识对应的第二信用资质、多个第三用户标识对应的第三信用资质，基于多个信用资质构建得到第一用户标识对应的关系复杂网络。也就是说，关系复杂网络中包含多个基于关系信息创建的信用资质。
60.可以理解的是，参见图2示出的用户信用资质示意图，结合用户信息，创建用户标识对应的信用资质，其中，信用资质包括但不限于用户的资产负债、财务状况、消费水平、履约能力、还款意愿等维度。
61.需要说明的是，信用资质中资产负债和财务状况可以依据用户信息确定；消费水
平可以通过银行卡的消费记录进行评估；履约能力可以通过审核用户本身的资产情况、支付能力和生产能力进行评估；还款意愿可以通过社会调查了解用户的道德人品和过往借贷的履约情况判断主动还款意愿，也可以通过本次交易违约成本大小评估被动还款意愿。
62.参见图3示出的关系复杂网络示意图，基于第一信用资质、多个第二信用资质、多个第三信用资质，构建第一用户标识，即借款人对应的关系复杂网络。在关系复杂网络中，每位实体用户为一个节点，为每个节点赋予相应的属性特征，即信用资质。节点和节点之间依据边进行相连，有边相连的两个节点视为相邻节点，即一个节点可以是另一个节点的直接邻居。其中，边用于表示实体用户之间的关系，包括但不限于社交关系、同位置关系、亲属关系、职场关系、交易关系等。
63.一些具体实施例中，在关系复杂网络中第二用户标识对应的第二用户可以记为第一用户标识对应的第一用户的直接邻居；第三用户标识对应的第三用户可以记为第一用户标识对应的第一用户的非直接邻居。
64.可以理解的是，构建关系复杂网络可以获取实体用户所处的系统关系全貌，从更多维度获取用户的特征信息，也可以对已有的维度进行信息补充，更有利于分析用户的信用风险，使分析结果的稳定性更高。
65.步骤s103：从关系复杂网络中提取目标信息。
66.可以理解的是，目标信息为第一用户在关系复杂网络中存在不同关系的邻居的信用资质，例如目标信息包括：第一用户的家庭关系邻居伴侣a的信用资质；第一用户的社交关系邻居朋友b的信用资质；第一用户的商业关系邻居合作伙伴c的信用资质；第二用户朋友b的家庭关系邻居伴侣d的信用资质等。
67.在具体实现步骤s103的过程中，从关系复杂网络中提取第一信用资质、第二信用资质和第三信用资质。
68.在一些实施例中，目标信息还可以包括第二用户的关系复杂网络的拓扑结构信息和第三用户的关系复杂网络的拓扑结构信息，其中拓扑结构信息包括节点度、网络密度、网络直径和平均路径长度等信息。
69.需要说明的是，创建信用资质后构建出第一用户标识对应的关系复杂网络，再从关系复杂网络中提取出信用资质是因为：后续基于多个第二信用资质和多个第三信用资质生成第一用户标识对应的目标信用资质时，所采用的深度学习的图神经网络(graph neural network，gnn)算法为基于网络的学习算法，因此构建关系复杂网络是必要的。
70.步骤s104：对目标信息进行聚合交互处理，生成目标信用资质。
71.在具体实现步骤s104的过程中，利用预设算法，例如利用深度学习的图神经网络算法对目标信息进行聚合交互处理，生成第一用户标识对应的目标信用资质，其中，目标信用资质是对于关系复杂网络中第一用户标识对应的第一信用资质的进一步补充和优化，使第一用户标识对应的信用资质更加准确、可靠。
72.具体的，基于深度学习的图神经网络算法，将目标信息中的多个第二信用资质进行聚合处理；多层递归卷积目标信息中的多个第三信用资质；将目标信息中的第一信用资质、经过聚合处理后的多个第二信用资质、经过递归处理后的多个第三信用资质进行交互处理，生成第一用户标识对应的目标信用资质。
73.在具体实现交互处理的过程中，可以直接将多个第二信用资质和第三信用资质进
行聚合后作为目标信用资质；也可以将第一信用资质、多个第二信用资质、多个第三信用资质进行计算取均值或最大值作为目标信用资质；或者通过学习算法获取不同邻居关系对应的权重，例如对于设置第一用户标识的信用资质，家庭关系相对于朋友关系的可参考性可能更大一些，商业关系和朋友关系也应当有不同权重赋值，具体交互处理方式可以根据实际情况决定，在此不做限制。
74.步骤s105：基于目标信用资质，利用预设二分类预测模型分析第一用户标识对应的信用风险概率。
75.在具体实现步骤s105的过程中，将第一用户标识对应的目标信用资质输入至预设二分类预测模型，分析第一用户标识对应的信用风险概率。
76.可以理解的是，二分类预测模型由基于多个样本目标信用资质训练得到。预设二分类预测模型中至少包括预设的风险等级标准，将第一用户标识对应的目标信用资质输入至预设二分类预测模型之后，预设二分类预测模型依据预设的风险等级标准对第一用户标识的目标信用资质进行分析，得到信用风险概率。
77.步骤s106：输出信用风险概率。
78.在具体实现步骤s106的过程中，将分析得到的第一用户标识对应的信用风险概率进行输出。
79.在本发明实施例中，构建关系复杂网络，基于关系复杂网络多层面地分析用户的信用风险概率，实现了数据的充分运用和挖掘，提高用户信用分析的准确率和可靠性。
80.与上述本发明实施例提供的一种信用风险分析方法相对应，参见图4，示出了本发明实施例提供的一种信用风险分析装置的结构框图，该信用风险分析装置包括：获取单元401、构建单元402、提取单元403、处理单元404、分析单元405和输出单元406。
81.获取单元401，用于当接收到携带第一用户标识的分析指令时，依据预设关系条件从数据库中获取第一用户标识对应的关系信息。
82.构建单元402，用于基于关系信息构建第一用户标识对应的关系复杂网络，关系复杂网络中包含多个基于关系信息创建的信用资质。
83.提取单元403，用于从关系复杂网络中提取目标信息，目标信息为任意多个信用资质。
84.处理单元404，用于对目标信息进行聚合交互处理，生成目标信用资质。
85.分析单元405，用于基于目标信用资质，利用预设二分类预测模型分析第一用户标识对应的信用风险概率。
86.输出单元406，用于输出信用风险概率。
87.在本发明实施例中，在信用风险分析中应用复杂网络，利用用户对应的关系信息构建关系复杂网络，基于关系复杂网络全面性地对用户的信用风险进行评估，保证分析结果的稳定性和可靠性。
88.优选的，结合图4示出的内容，构建单元402包括：创建模块和构建模块。
89.创建模块，用于基于关系信息中的第一用户标识对应的用户信息、多个第二用户标识对应的用户信息、多个第三用户标识对应的用户信息，分别创建第一用户标识对应的第一信用资质、多个第二用户标识对应的第二信用资质、多个第三用户标识对应的第三信用资质，其中，第一用户标识和第二用户标识对应满足预设关系条件，第二用户标识和第三
用户标识对应满足预设关系条件。
90.构建模块，用于基于第一信用资质、多个第二信用资质、多个第三信用资质，构建第一用户标识对应的关系复杂网络。
91.优选的，结合图4示出的内容，处理单元404包括：聚合模块和交互模块。
92.聚合模块，用于将目标信息中的多个第二信用资质进行聚合处理，以及对目标信息中的多个第三信用资质进行递归处理。
93.交互模块，用于将目标信息中的第一信用资质、经过聚合处理后的多个第二信用资质、经过递归处理后的多个第三信用资质进行交互处理，生成第一用户标识对应的目标信用资质。
94.优选的，结合图4示出的内容，分析单元405包括：输入模块和分析模块。
95.输入模块，用于将第一用户标识对应的目标信用资质输入至预设二分类预测模型，预设二分类预测模型由基于多个样本目标信用资质训练得到。
96.分析模块，用于结合预设二分类预测模型中预设的风险等级标准，分析第一用户标识对应的信用风险概率。
97.本发明实施例提供了一种电子设备，包括：处理器以及存储器，处理器以及存储器通过通信总线相连；其中，处理器，用于调用并执行存储器中存储的程序；存储器，用于存储程序，程序用于实现上述方法实施例提供的信用风险分析方法。
98.本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机可执行指令，其中，计算机可执行指令用于执行上述方法实施例提供的信用风险分析方法。
99.综上所述，本发明实施例提供的一种信用风险分析方法、装置及相关设备，当接收到分析指令时，获取用户标识对应的关系信息，利用关系信息构建用户标识对应的关系复杂网络，基于关系复杂网络分析用户的信用风险概率。相较于传统单一的分析用户信用风险的方法，本方法结合用户所处的环境、社交等方面综合分析用户的信用风险，使分析结果更加具备全面性和可靠性，提高了信用风险分析的准确率。
100.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
101.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
102.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。