CN119444407A 一种风控决策方法、系统、存储介质及电子设备 （江西汉辰信息技术股份有限公司）

开发区高新大道589号南昌大学科技据的被预测结果与实际结果进行比对，以对2应用社群发现算法在所述关联图谱中寻找不同风险等级的建立LightGBM模型，利用所述低维向量空间中的特征向量，并叠加本利用训练好的所述LightGBM模型对新的样在后续过程中，应用样本数据的被预测结果与实际结果进行比对，以2.根据权利要求1所述的风控决策方法，其特征在于，所述样本数据包括用户基本信基于大数据找出所述用户基本信息、交易记录和信用评分两两相邻之间的交易关系、;设定多级相似度区间，计算每个所述用户的行为习惯特征矩阵与所将与用户相关的所有样本数据均等同为所述用户本身的风3将每个所述节点和所述边所包含的信息提炼出多个文本，并给每个所;选择所述特征向量所要映射的维度z，并选择所述协方差矩阵的z个述低维向量空间中的特征向量，并叠加本地变量和外部三方变量作为入模变量训练所述建立LightGBM模型，并以所述降维特征矩阵中的特征向量作为低将所述低维向量空间中的特征向量、本地风险变量和外部第三方所述LightGBM模型按照不同风险分类的入模变量进行收集，代入线性回归算法分析，进而得到所述LightGBM模型的健康度;设定健康度评分区间，统计各风险分类的所述入模变量在LightGBM模型将同一个用户的行为习惯特征矩阵的相似度与健康度评分进行融合计算，得;4分类模块：用于应用社群发现算法在所述关联图谱中寻找不同风险等级的样本数据，提取模块：用于利用所述关联图谱，通过所述节点和所述边的属性对所预测模块：利用训练好的所述LightGBM模型对新的样本数5方法在风险预测的准确性和实时性方面也存在不利用所述关联图谱，通过所述节点和所述边的属性对所述样本数据进行特征提在后续过程中，应用样本数据的被预测结果与实际结果进行比对，以对所述6征矩阵与所述高风险团伙的行为习惯特征矩阵;行为习惯特征矩阵中的行为习惯特征向量，k表示行为习惯特征向量中的单个行为习惯特将与用户相关的所有样本数据均等同为所述用户本身的风;7;表示本地风险变量的数目，wb表示外部第三方风险变量，q表示外部第三方风险变量的数;征矩阵与所述高风险团伙的行为习惯特征矩阵;8行为习惯特征矩阵中的行为习惯特征向量，k表示行为习惯特征向量中的单个行为习惯特将与用户相关的所有样本数据均等同为所述用户本身的风所述提取模块具体用于：将每个所述节点和所述边所包含的信息提炼出多个文;变量和外部三方变量作为入模变量训练所述Light;表示本地风险变量的数目，wb表示外部第三方风险变量，q表示外部第三方风险变量的数9;通过关联图谱能够有效地表示和处理大规模数据，挖掘数据间的复杂关联关系。征矩阵与所述高风险团伙的行为习惯特征矩阵;行为习惯特征矩阵中的行为习惯特征向量，k表示行为习惯特征向量中的单个行为习惯特将与用户相关的所有样本数据均等同为所述用户本身的风;;表示本地风险变量的数目，wb表示外部第三方风险变量，q表示外部第三方风险变量的数;征矩阵与所述高风险团伙的行为习惯特征矩阵;行为习惯特征矩阵中的行为习惯特征向量，k表示行为习惯特征向量中的单个行为习惯特将与用户相关的所有样本数据均等同为所述用户本身的风;地变量和外部三方变量作为入模变量训练所述LightG;表示本地风险变量的数目，wb表示外部第三方风险变量，q表示外部第三方风险变量的数;[0034]本发明还提出一种电子设备，请参阅图4，所示为本发明第三实施例中的电子设[0036]其中，处理器20在一些实施例中可以是电子控制单元(ElectronicControl[0039]本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或的电连接部（电子装置便携式计算机盘盒（