CN114418009B 基于图注意力网络的分类方法、装置、设备和存储介质 （平安科技（深圳）有限公司）

道福安社区益田路5033号平安金融中本发明公开了一种基于图注意力网络的分数据输入到预设的图注意力网络分类模型中进2对所述目标因子数据进行数值化处理，得到与所述目标因子数据对应的目标特征数将所述报案号数据与对应的所述目标特征数据进行数据关联处理，根据预设关系类型数据，将具有相同的所述预设关系类型数据对应将所述第一目标关联特征数据和所述第二目标关联特征数据输入到预设的图注意力对所述历史时序行为因子进行特征加工处理，得到行为轨迹数据和历史非白名单数将所述行为轨迹数据和所述历史非白名单数据作为所述关根据预设饱和度指标，对所述用户行为数据和所述关联因子数据进行特征清洗处理，根据预设相关性指标，对所述用户行为数据和所述关联因子数据进行特征清洗处理，对所述目标因子数据进行数据归一化处理，得到与所述目标对所述目标因子数据进行数据分箱处理，得到与所述目标因子对所述目标因子数据进行离散数值化处理，得到与所述目标因子3特征清洗处理模块，用于对所述用户行为数据和所述关联因子数据进行特征清洗处数值处理模块，用于对所述目标因子数据进行数值化处理，得到数据分类模块，用于获取报案号数据；将所述报案号数据与对应关联特征数据和所述第二目标关联特征数据输入到预设的图注意力网络分类模型中进行对所述历史时序行为因子进行特征加工处理，得到行为轨迹数据和历史非白名单数将所述行为轨迹数据和所述历史非白名单数据作为所述关要求1至4中任意一项所述的基于图注意力行程序用于执行权利要求1至4中任意一项所述的基于图注意力网络4基于历史非法风险行为数据以及保险公司根据经验形成的判断非法风险行为的特定规则，而用于检测非法风险行为的数据往往局限于保险公司收集的赔案数据和少量的外部数据，[0008]对所述用户行为数据和所述关联因子数据进行特征清洗处理，得到目标因子数5终可得到异常行为数据和正常行为数据，而异常行为数据表征具有个体非法风险行为/个6[0033]本发明实施例基于图神经网络，融合保险行业的相关特征数据(例如用户行为数据)以及关系数据(例如关联因子数据)，并通过构建好的理赔反非法风险行为模型即图注意力网络分类模型来对相关特征数据以及关系数据进行分类，相比未使用关系数据的模施例的用户行为数据进行获取和处理(又例如可以对关联因子数据、目标因子数据和目标[0042]步骤S500、将目标特征数据输入到预设的图注意力网络分类模型中进行分类处[0043]可以理解的是，本发明实施例需要获取待处理的用户行为数据。例如，可基于Spark(一种专为大规模数据处理而设计的快速通用的计算引擎)大数据平台整合多个例如7[0044]通过Spark平台执行对多个用户行为数据的选择，即对获取的原始数据进行底层[0052]可以理解的是，用户行为数据是可通过Spark平台进行底层因子选择以整合得到常行为数据可以用于表征不具有个体非法风险行为/个体非法风险行为概率较小。本实施8导航地图中POI信息点的多少以及信息的准确程度和信息更新速度，都将影响到导航的使spark组件，其提供了一个可编程抽象数据模型，并且可被视为一个分布式的SQL查询引9通过使用分组计算得到最晚回家时间段和地点逗留频次统计等，而wifi连接因子的特征[0072]可以理解的是，本发明实施例还将进一步通过获取的报案号数据来构建关系数数据为若干报案号数据，若干报案号数据之间通过相同的预设关系类型数据进行映射关[0078]参照图4，对用户行为数据和关联因子数据进行特征清洗处理，得到目标因子数数据进行特征清洗处理，以过滤冗余和/或脏数据(如空数据量)，之后再进行特征加工处数据x所对应的Y标签即预测目标应该是未知的，且该用户行为数据x对应的取值也应该是离散目标特征数据对应的数值进行排序，可以由大到小进行排序也可以由小到大进行排在90100％的离散目标特征数据设为分组10，并理后的分箱目标特征数据进行数据归一化处理，以使得后续图注意力网络分类模型训练的输入对应的节点特征向量维度，F'表征图注意力层的输出对应的新的节点特征向量维[0106]经过本发明实施例的GAT模型中的图注意力层后输出一个新的特征向量，假设图之后对每个节点使用自注意力机制来计算一个注意力系数(attention系数)，本发明实施eij相同的计算公式原理以计算得到。本发明实施例使用的共享的自注意力机制(self-Ni[0108]本发明实施例选择参数为a∈R2F'的单层还将通过预设的NN函数(相关函数)f(x)，以将节点i对应的输出特征数据映射到分类数据[0123]由此，本发明实施例通过将目标特征数据(第一目标关联特征数据和第二目标关预设的图注意力网络分类模型中进行训练，从而得到训练完成的图注意力网络分类模型。[0132]数据分类模块500，用于将目标特征数据输入到预设的图注意力网络分类模型中[0138]实现上述实施例的基于图注意力网络的分类方法所需的非暂态软件程序以及指[0142]以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方