本技术涉及计算机，具体而言，涉及一种基于多源用户行为数据的金融平台风险预测方法及系统。
背景技术：
1、随着金融科技的快速发展，金融平台的风险管理成为了保障金融安全、维护市场秩序的重要环节。传统的风险管理方法往往依赖于单一数据源和简单的统计分析，难以全面、准确地评估用户行为风险。因此，开发一种基于多源用户行为数据的金融平台风险预测方法具有重要意义。
2、现有的风险预测方法多数关注于单一数据源的分析，忽略了多源数据之间的关联性和互补性。同时，传统的风险评估模型往往缺乏对用户行为模式的深入挖掘，难以准确捕捉潜在风险。此外，现有的风险预测方法在处理复杂用户行为数据时，往往面临计算量大、效率低等问题。
技术实现思路
1、鉴于上述提及的问题，结合本技术的第一方面，本技术实施例提供一种基于多源用户行为数据的金融平台风险预测方法，所述方法包括：
2、获取金融平台风险预测任务指示的多源用户行为数据，并对所述多源用户行为数据进行图自编码处理，生成所述多源用户行为数据对应的图自编码结构数据；所述图自编码结构数据包括依据多个图自编码器分别所述多源用户行为数据进行图自编码处理，生成的各图自编码器对应的多个编码维度的图自编码结构数据；
3、依据所述图自编码结构数据对所述多源用户行为数据进行初步风险预测，生成所述多源用户行为数据的第一风险预测数据，所述第一风险预测数据包括所述多源用户行为数据所对应的金融平台风险知识点和概率评分；
4、基于所述图自编码结构数据的影响特征域和所述概率评分，确定所述图自编码结构数据针对所述多源用户行为数据的风险预测的影响权重；所述影响特征域为所述图自编码结构数据中感知节点的特征域；
5、从所述多个图自编码器中提取符合目标特征要求的图自编码器，生成目标图自编码器，基于所述目标图自编码器输出的图自编码结构数据对应的影响权重，对所述目标图自编码器的多个编码维度的图自编码结构数据进行汇聚，生成表示描述所述多源用户行为数据为所述所对应的金融平台风险知识点的特征解释数据；
6、依据所述特征解释数据生成反映所述多源用户行为数据的特征影响状态权重的注意力权重分布，并将所述多源用户行为数据和所述注意力权重分布进行交融，生成交融数据，基于所述交融数据对所述多源用户行为数据进行进阶风险预测，生成所述多源用户行为数据的第二风险预测数据，所述第二风险预测数据表征所述多源用户行为数据所对应的目标金融平台风险知识点。
7、在第一方面的一种可能的实施方式中，所述依据所述图自编码结构数据对所述多源用户行为数据进行初步风险预测，生成所述多源用户行为数据的第一风险预测数据，包括：
8、利用风险评估单元依据所述图自编码结构数据对所述多源用户行为数据进行初步风险预测，生成所述多源用户行为数据的第一风险预测数据；
9、所述基于所述交融数据对所述多源用户行为数据进行进阶风险预测，生成所述多源用户行为数据的第二风险预测数据，包括：
10、利用优化评估单元基于所述交融数据对所述多源用户行为数据进行进阶风险预测，生成所述多源用户行为数据的第二风险预测数据。
11、在第一方面的一种可能的实施方式中，所述利用风险评估单元依据所述图自编码结构数据对所述多源用户行为数据进行初步风险预测，生成所述多源用户行为数据的第一风险预测数据的步骤之前，所述方法还包括：
12、获取样例学习数据，所述样例学习数据包括模板多源用户行为数据及其对应的标注风险知识点数据和样例标注概率；
13、利用风险评估单元对所述模板多源用户行为数据进行图自编码处理，生成所述模板多源用户行为数据对应的模板图自编码结构数据，并依据所述模板图自编码结构数据对所述模板多源用户行为数据进行初步风险预测，生成预测风险知识点和预测概率评分；
14、基于所述模板图自编码结构数据的影响特征域和所述预测概率评分，计算所述模板图自编码结构数据针对所述模板多源用户行为数据的风险预测的模板影响权重；
15、基于所述模板影响权重对所述模板图自编码结构数据进行汇聚，生成表示描述所述模板多源用户行为数据匹配所述预测风险知识点的模板特征解释数据；
16、利用优化评估单元依据所述模板特征解释数据对所述模板多源用户行为数据进行进阶风险预测，生成目标预测风险知识点；
17、计算所述预测风险知识点和所述标注风险知识点数据之间的特征距离，生成第一训练代价值，以及计算所述目标预测风险知识点和所述标注风险知识点数据之间的特征距离，生成第二训练代价值；
18、基于所述第一训练代价值更新所述风险评估单元的权值和偏置信息，以及基于所述第二训练代价值更新所述优化评估单元的权值和偏置信息，直至符合训练收敛要求。
19、在第一方面的一种可能的实施方式中，所述模板图自编码结构数据包括依据风险评估单元的多个图自编码器分别所述模板多源用户行为数据进行图自编码处理，生成的各图自编码器对应的多个编码维度的模板图自编码结构数据，所述基于所述模板影响权重对所述模板图自编码结构数据进行汇聚，生成表示描述所述模板多源用户行为数据匹配所述预测风险知识点的模板特征解释数据，包括：
20、从多个图自编码器中提取符合目标特征要求的图自编码器，生成目标图自编码器；
21、基于所述目标图自编码器输出的模板图自编码结构数据对应的模板影响权重，对所述目标图自编码器的多个编码维度的模板图自编码结构数据进行汇聚，生成表示描述所述模板多源用户行为数据匹配所述预测风险知识点的模板特征解释数据。
22、在第一方面的一种可能的实施方式中，所述样例学习数据还包括所述模板多源用户行为数据对应的风险知识点特征数据，所述利用优化评估单元依据所述模板特征解释数据对所述模板多源用户行为数据进行进阶风险预测，生成目标预测风险知识点，包括：
23、依据所述风险知识点特征数据和所述模板特征解释数据生成特征解释数据序列；
24、从所述特征解释数据序列中选择目标特征解释数据；
25、利用优化评估单元依据所述目标特征解释数据，对所述模板多源用户行为数据进行进阶风险预测，生成目标预测风险知识点。
26、在第一方面的一种可能的实施方式中，所述利用优化评估单元依据所述目标特征解释数据，对所述模板多源用户行为数据进行进阶风险预测，生成目标预测风险知识点，包括：
27、依据所述目标特征解释数据，生成反映所述模板多源用户行为数据的特征影响状态权重的模板注意力权重分布；
28、将所述模板多源用户行为数据和所述模板注意力权重分布进行交融，生成交融后多源用户行为数据；
29、利用优化评估单元基于所述交融后多源用户行为数据对所述模板多源用户行为数据进行进阶风险预测，生成目标预测风险知识点。
30、在第一方面的一种可能的实施方式中，所述依据所述目标特征解释数据，生成反映所述模板多源用户行为数据的特征影响状态权重的模板注意力权重分布的步骤，包括：
31、初始化一个注意力机制模型，该注意力机制模型用于接收目标特征解释数据作为输入，并输出注意力权重分布，所述注意力机制模型基于深度学习框架进行构建；
32、在所述注意力机制模型中，定义一个注意力函数，该注意力函数用于计算所述目标特征解释数据中每个特征对风险预测的重要性，所述注意力函数使用点积注意力、加性注意力或自注意力等机制中的一种；
33、将所述目标特征解释数据输入到所述注意力机制模型中，通过注意力机制模型中的注意力函数，计算所述目标特征解释数据每个特征对风险预测的注意力权重，所述注意力权重反映了不同特征在风险预测中的重要性，所述注意力函数使用点积注意力、加性注意力或自注意力等机制中的一种；
34、对计算得到的注意力权重进行归一化处理，生成反映模板多源用户行为数据的特征影响状态权重的模板注意力权重分布。
35、在第一方面的一种可能的实施方式中，所述将所述模板多源用户行为数据和所述模板注意力权重分布进行交融，生成交融后多源用户行为数据的步骤，包括：
36、将所述模板注意力权重分布中的权重值应用到所述模板多源用户行为数据的对应特征值上，以将每个特征值与其对应的权重值进行加权，生成加权特征值；
37、对所述加权特征值进行线性组合或者拼接，生成交融后特征向量，将所述交融后特征向量与所述模板多源用户行为数据中的其它未加权特征值进行整合，生成所述交融后多源用户行为数据。
38、在第一方面的一种可能的实施方式中，所述基于所述交融数据对所述多源用户行为数据进行进阶风险预测，生成所述多源用户行为数据的第二风险预测数据之后，所述方法还包括：
39、基于所述第二风险预测数据，检索与所述多源用户行为数据所对应的目标金融平台风险知识点匹配的目标多源用户行为数据，并对所述目标多源用户行为数据进行样本聚合搜集以便于神经网络模型学习；或者，
40、基于所述第二风险预测数据，将所述多源用户行为数据添加到与所述多源用户行为数据所对应的目标金融平台风险知识点匹配的知识点数据库；或者，
41、基于所述第二风险预测数据，生成与所述多源用户行为数据所对应的目标金融平台风险知识点的风险预警推送信息。
42、再一方面，本技术实施例还提供一种基于多源用户行为数据的金融平台风险预测系统，包括处理器、机器可读存储介质，所述机器可读存储介质和所述处理器连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以实现上述的方法。
43、基于以上方面，本技术实施例实现了对金融平台用户行为风险的精确预测和解释。首先，利用图自编码技术对多源用户行为数据进行处理，生成了包含丰富用户行为模式的图自编码结构数据，为风险预测提供了全面而准确的数据基础。其次，通过初步风险预测生成了第一风险预测数据，包括风险知识点和概率评分，为金融平台提供了即时的风险警示。进一步地，基于图自编码结构数据的影响特征域和概率评分，确定了不同特征对风险预测的影响权重，使得风险预测更加精准。同时，通过从多个图自编码器中提取符合目标特征要求的图自编码器，生成了目标图自编码器，并基于其输出的影响权重对编码数据进行汇聚，生成了特征解释数据，为风险预测结果提供了详细的解释。最后，依据特征解释数据生成了注意力权重分布，并与原始多源用户行为数据进行交融，生成了交融数据。基于交融数据进行的进阶风险预测，生成了更加准确和具体的第二风险预测数据，表征了目标金融平台风险知识点，不仅提高了风险预测的准确率，还为金融平台的风险管理和决策制定提供了有力支持。由此，通过结合图自编码技术和注意力机制，实现了对多源用户行为数据的深度分析和精准预测。
1.一种基于多源用户行为数据的金融平台风险预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于多源用户行为数据的金融平台风险预测方法，其特征在于，所述依据所述图自编码结构数据对所述多源用户行为数据进行初步风险预测，生成所述多源用户行为数据的第一风险预测数据，包括：
3.根据权利要求2所述的基于多源用户行为数据的金融平台风险预测方法，其特征在于，所述利用风险评估单元依据所述图自编码结构数据对所述多源用户行为数据进行初步风险预测，生成所述多源用户行为数据的第一风险预测数据的步骤之前，所述方法还包括：
4.根据权利要求3所述的基于多源用户行为数据的金融平台风险预测方法，其特征在于，所述模板图自编码结构数据包括依据风险评估单元的多个图自编码器分别所述模板多源用户行为数据进行图自编码处理，生成的各图自编码器对应的多个编码维度的模板图自编码结构数据，所述基于所述模板影响权重对所述模板图自编码结构数据进行汇聚，生成表示描述所述模板多源用户行为数据匹配所述预测风险知识点的模板特征解释数据，包括：
5.根据权利要求3所述的基于多源用户行为数据的金融平台风险预测方法，其特征在于，所述样例学习数据还包括所述模板多源用户行为数据对应的风险知识点特征数据，所述利用优化评估单元依据所述模板特征解释数据对所述模板多源用户行为数据进行进阶风险预测，生成目标预测风险知识点，包括：
6.根据权利要求5所述的基于多源用户行为数据的金融平台风险预测方法，其特征在于，所述利用优化评估单元依据所述目标特征解释数据，对所述模板多源用户行为数据进行进阶风险预测，生成目标预测风险知识点，包括：
7.根据权利要求6所述的基于多源用户行为数据的金融平台风险预测方法，其特征在于，所述依据所述目标特征解释数据，生成反映所述模板多源用户行为数据的特征影响状态权重的模板注意力权重分布的步骤，包括：
8.根据权利要求6所述的基于多源用户行为数据的金融平台风险预测方法，其特征在于，所述将所述模板多源用户行为数据和所述模板注意力权重分布进行交融，生成交融后多源用户行为数据的步骤，包括：
9.根据权利要求1-8中任意一项所述的基于多源用户行为数据的金融平台风险预测方法，其特征在于，所述基于所述交融数据对所述多源用户行为数据进行进阶风险预测，生成所述多源用户行为数据的第二风险预测数据之后，所述方法还包括：
10.一种基于多源用户行为数据的金融平台风险预测系统，其特征在于，所述基于多源用户行为数据的金融平台风险预测系统包括处理器和存储器，所述存储器和所述处理器连接，所述存储器用于存储程序、指令或代码，所述处理器用于执行所述存储器中的程序、指令或代码，以实现上述权利要求1-9任意一项所述的基于多源用户行为数据的金融平台风险预测方法。
