买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜同济大学申请的专利一种基于多阶段数据表征的网络借贷欺诈预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114387092B 。

龙图腾网通过国家知识产权局官网在2025-03-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210111445.1，技术领域涉及：G06Q40/03；该发明授权一种基于多阶段数据表征的网络借贷欺诈预测方法是由王成;朱航宇设计研发完成，并于2022-01-29向国家知识产权局提交的专利申请。

本一种基于多阶段数据表征的网络借贷欺诈预测方法在说明书摘要公布了：本发明属于网络借贷欺诈预测技术领域，公开了一种基于多阶段数据表征的网络借贷欺诈预测方法，包括以下步骤：步骤S101：根据原始网络借贷申请数据选定可用字段构建原始信息网络，然后将节点划分为实体和属性，构建由实体层和属性层组成的分层信息网络；步骤S102：从属性层中提取一个属性网络，给每个属性附加一个预训练的词向量来反映属性之间的语义相似性，利用网络表征学习将从先验和外部语义知识中获取的属性相似信息和属性共现关联融入属性对应的嵌入向量中；步骤S103，实体表征；步骤S104，欺诈预测。本发明增强了网络借贷申请事务中信息关联的密度，提高了网络借贷欺诈预测模型的检测能力，对保护用户和企业的资金安全有更好的保障。

本发明授权一种基于多阶段数据表征的网络借贷欺诈预测方法在权利要求书中公布了：1.一种基于多阶段数据表征的网络借贷欺诈预测方法，其特征在于，分为四个步骤：步骤S101，关联表征：根据原始网络借贷申请数据中字段缺失率选定可用字段，基于所述字段构建原始信息网络，然后将所述原始信息网络中的节点划分为实体和属性，构建由实体层和属性层组成的分层信息网络；提供给S102和S103；其中，缺失率是指在原始网络借贷数据集中一个字段缺失的次数与总借贷事务数量的比值；步骤S102，属性表征：从所述分层信息网络中的属性层中提取一个属性网络，给每个属性附加一个预训练的词向量来反映属性之间的语义相似性，利用网络表征学习将从先验和外部语义知识中获取的属性相似信息和属性共现关联融入属性对应的嵌入向量中；提供给S103；步骤S103，实体表征：从所述分层信息网络中实体层抽取实体网络，利用层对应关联和步骤S102中得到的嵌入向量，生成带属性的实体网络，采用网络表征学习将带属性的实体网络嵌入到低维向量空间得到实体的嵌入向量；提供给S104；步骤S104，欺诈预测：在带属性的实体网络中引入实体与其一阶邻居的相似性作为微观特征，采用借贷申请交易与属于实体网络中的二阶邻居之间的相似性作为宏观特征，将不同实体的嵌入向量的相似性喂入常见分类器模型实现欺诈预测功能；所述步骤S101，其过程如下：获取原始网络借贷申请数据，基于测试需求设置训练集时间窗口和测试集时间窗口，以用于在原始网络借贷申请数据中划分出训练集数据和测试集数据，使得训练集数据和测试集数据构成可用于后续模型的网络借贷数据；对原始网络借贷数据进行字段选择；对所述选定的初始网络借贷数据的字段进行关联抽取，采用图结构描述网络借贷数据之间的关联，对所述的原始网络借贷数据中一笔申请的所选择的字段，使用星形拓扑结构构建原始信息网络：将其标识符和所有字段的取值表示为节点，将标识符和相应字段取值分别记为组成边的两个节点，不同的借贷申请标识符通过其共享的字段连接；将所述原始信息网络中的节点划分为实体和属性；实体集合V分为Vt和Vd两个部分，对于每一笔借贷申请，将其标识符记为vt∈Vt，将所述申请中的其他实体记为vd∈Vd；实体vd和标识符vt的共现关联被记为e＝vt，vd，r∈E，其中类型r∈R，R为对原始数据中所有实体的描述的集合，为原始数据中对于实体vd的描述，集合所有属性θv的集合Θ记为分层信息网络中的属性层；从借贷申请中提取出实体和属性的对应关联，在所述原始信息网络中，属性θv和实体vd都连接到实体vt，将属性θv和实体vd之间的公共连接记为层对应关联vd，θv，即实体和属性的对应关联；在所述属性层中，将每个实体v∈V的对应的属性记为其中i表示属性的类型，通过对所述原始信息网络的处理，得到实体层、属性层和层对应关联，进而由实体层和属性层两层以及层对应关联构建一个分层信息网络；所述步骤S102，属性表征，其过程如下：从所述分层信息网络中的属性层中提取一个属性网络G′Θ＝Θ，EΘ，RΘ来反映属性之间的共现关联，将两个属性对应于实体层中的同一实体的共现记为所述属性网络中的边，将共现的次数作为属性之间关联的权重ω，边被记为其中r′∈RΘ取决于两个属性和的类型，给每个属性附加一个预训练的词向量来反映属性之间的语义相似性，进一步地，使用预训练的词向量作为属性的向量化，并将预训练的词向量记为而后，将记为带语义的属性网络，其中为词向量集合；利用网络表征学习来学习带语义的属性网络GΘ中节点的嵌入向量，基于所述的嵌入向量，每个属性θv记为向量所述步骤S103，实体表征，其过程如下：从所述分层信息网络中实体层抽取实体网络GV＝V，E，R，基于步骤S102中所述的属性嵌入向量，将每个属性θv转换为对应的向量然后结合实体网络和属性与实体层之间的层对应关联来连接每个实体的属性向量进而，将带属性的实体网络记为其中是属性θv对应的向量；在带属性的实体网络GV上应用网络表征学习算法，得到每个实体v对应的实体表示其中保留了数据中所有的关联；所述步骤S104，欺诈预测，其过程如下：首先设计两种自动的嵌入特征来反映借贷申请之间的关联，所述自动的嵌入特征为：从微观角度观察申请标识符与各个连接的实体之间的相似性，从宏观角度观察申请标识符与其他间接连接的标识符之间的相似性；在所述带属性的实体网络中引入实体vt与其一阶邻居实体vd的相似性作为微观特征，对实体vt对应的嵌入向量和实体vd对应的嵌入向量计算相似度进一步地，采用所述实体网络中vt的二阶邻居实体v′t之间的相似性作为宏观特征，给定所述实体vt对应的嵌入向量和实体v′t对应的嵌入向量计算相似度在具有先验知识的前提下，设计手工的统计特征；而后，将自动的嵌入特征和手工的统计特征喂入常用的分类器进行训练样本拟合得到欺诈预测模型，对于输入的测试样本，经过所述的特征生成后，将其输入到欺诈预测模型中，进行判断，得到测试样本为欺诈的概率。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人同济大学，其通讯地址为：200092 上海市杨浦区四平路1239号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。