本申请涉及电子通信,尤其涉及一种数据更新,特别涉及一种风险票据团伙识别方法、装置、介质及设备。
背景技术:
1、传统的基于专家规则评分模型构建的票据中介的风控体系对于层出不穷的、隐藏更深的据中介团伙识别难度较大。通过建立关联图谱,从票据的背书交易关联关系、工商关系、交易对手关系等挖掘出隐藏较深的风险团伙关系,直观展示票据链条上的关联企业,进一步挖掘票据中介团伙。
技术实现思路
1、本申请实施例提供一种风险票据团伙识别方法、装置、介质及设备,利用本申请实施例提供的风险票据团伙识别方法,通过将票据所在票据团伙的信息构建形成票据关系网络图,再将票据关系网络图进行切割处理得到精简后的小社团票据关系网络图,实现去除大量无用节点,从而减少后续的计算量,再将小社团票据关系网络图输入训练好的风险评估模型进行判断票据所在团伙是否存在风险。
2、本申请实施例一方面提供了一种风险票据团伙识别方法,所述风险票据团伙识别方法包括:
3、基于多个票据关联人的身份信息构建待识别票据团伙的票据关系网络图;
4、对所述票据关系网络图进行子图切割,生成多个节点子集;
5、对所述节点子集中的无用节点进行去除操作,生成小社团票据关系网络图;
6、将所述小社团票据关系网络图输入训练好的风险评估模型进行风险评估操作,得到评估结果;
7、根据所述评估结果判断所述待识别票据团伙是否存在风险。
8、在本申请实施例所述的风险票据团伙识别方法中,所述票据关系网络图包括节点数据及边数据,其中,所述票据关系网络图中的节点数据用于存储单个票据关联人对应的基本信息,所述边数据用于存储相邻两个节点数据之间的关系信息。
9、在本申请实施例所述的风险票据团伙识别方法中,所述对所述票据关系网络图进行子图切割,生成多个节点子集,包括:
10、通过预设分割算法对所述票据关系网络图进行子图切割,生成多个节点子集;
11、所述分割算法通过以下公式表示:
12、
13、其中,m为票据关系网络图中总的边数,aij为节点i和节点j之间的边的边权重(weight),ki为节点i的邻边权重之和,kj为节点j的邻边权重之和,ci为节点i属于某个社区的标号,cj为节点j属于某个社区的标号。
14、在本申请实施例所述的风险票据团伙识别方法中,所述对所述节点子集中的无用节点进行去除操作,生成小社团票据关系网络图,包括:
15、通过最小生成树算法对节点子集进行计算得到最小生成树;
16、通过k-核算法对所述最小生成树进行迭代剪枝以去除所述无用节点;
17、根据剩余的节点生成小社团票据关系网络图。
18、在本申请实施例所述的风险票据团伙识别方法中,所述风险评估模型基于xgboost模型训练得到;所述xgboost模型的训练过程包括:
19、获取样本集d,其中,d={(xi,yi)}(|d|=n,xi∈rm,yi∈r),xi为第i个样本一天各个时刻的指标值,yi为第i个样本一天中指标是否存在通信异常的标签值,yi∈{0,1},0表示通信正常,1表示通信异常,n为样本数,m为样本特征数;
20、基于样本集d构造梯度提升树,采用cart回归树作为模型的子树模型,通过迭代的方式增加cart回归树,将所有的cart回归树合并在一起得到训练好的xgboost模型。
21、在本申请实施例所述的风险票据团伙识别方法中,所述方法还包括:
22、根据所述评估结果生成报告,其中,所述报告包括评估结果及与所述评估报告对应的票据团伙信息。
23、相应的,本申请实施例另一方面还提供了一种风险票据团伙识别装置,所述风险票据团伙识别装置包括:
24、构建模块,用于基于多个票据关联人的身份信息构建待识别票据团伙的票据关系网络图;
25、切割模块,用于对所述票据关系网络图进行子图切割,生成多个节点子集;
26、去除模块,用于对所述节点子集中的无用节点进行去除操作,生成小社团票据关系网络图;
27、评估模块,用于将所述小社团票据关系网络图输入训练好的风险评估模型进行风险评估操作,得到评估结果;
28、判断模块,用于根据所述评估结果判断所述待识别票据团伙是否存在风险。
29、在本申请实施例所述的风险票据团伙识别装置中,所述票据关系网络图包括节点数据及边数据,其中,所述票据关系网络图中的节点数据用于存储单个票据关联人对应的基本信息,所述边数据用于存储相邻两个节点数据之间的关系信息。
30、相应的,本申请实施例另一方面还提供了一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行如上所述的风险票据团伙识别方法。
31、相应的,本申请实施例另一方面还提供了一种终端设备,包括处理器和存储器,所述存储器存储有多条指令,所述处理器加载所述指令以执行如上所述的风险票据团伙识别方法。
32、本申请实施例提供了一种风险票据团伙识别方法、装置、介质及设备,该方法通过基于多个票据关联人的身份信息构建待识别票据团伙的票据关系网络图;对所述票据关系网络图进行子图切割,生成多个节点子集;对所述节点子集中的无用节点进行去除操作,生成小社团票据关系网络图;将所述小社团票据关系网络图输入训练好的风险评估模型进行风险评估操作,得到评估结果;根据所述评估结果判断所述待识别票据团伙是否存在风险。利用本申请实施例提供的风险票据团伙识别方法,通过将票据所在票据团伙的信息构建形成票据关系网络图,再将票据关系网络图进行切割处理得到精简后的小社团票据关系网络图,实现去除大量无用节点,从而减少后续的计算量,再将小社团票据关系网络图输入训练好的风险评估模型进行判断票据所在团伙是否存在风险。
1.一种风险票据团伙识别方法,其特征在于,包括:
2.如权利要求1所述的风险票据团伙识别方法,其特征在于,所述票据关系网络图包括节点数据及边数据,其中,所述票据关系网络图中的节点数据用于存储单个票据关联人对应的基本信息,所述边数据用于存储相邻两个节点数据之间的关系信息。
3.如权利要求1所述的风险票据团伙识别方法,其特征在于,所述对所述票据关系网络图进行子图切割,生成多个节点子集,包括:
4.如权利要求1所述的风险票据团伙识别方法,其特征在于,所述对所述节点子集中的无用节点进行去除操作,生成小社团票据关系网络图,包括:
5.如权利要求1所述的风险票据团伙识别方法,其特征在于,所述风险评估模型基于xgboost模型训练得到;所述xgboost模型的训练过程包括:
6.如权利要求1所述的风险票据团伙识别方法,其特征在于,所述方法还包括:
7.一种风险票据团伙识别装置,其特征在于,所述风险票据团伙识别装置包括:
8.如权利要求7所述的风险票据团伙识别装置,其特征在于,所述票据关系网络图包括节点数据及边数据,其中,所述票据关系网络图中的节点数据用于存储单个票据关联人对应的基本信息,所述边数据用于存储相邻两个节点数据之间的关系信息。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至6任一项所述的风险票据团伙识别方法。
10.一种终端设备,其特征在于,包括处理器和存储器,所述存储器存储有多条指令,所述处理器加载所述指令以执行权利要求1至6任一项所述的风险票据团伙识别方法。