(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211261970.8 (22)申请日 2022.10.14 (71)申请人 深圳前海微众 银行股份有限公司 地址 518027 广东省深圳市前海深港合作 区前湾一路1号A栋201室 (72)发明人 谭丁武　李检全　李建峰　李毅　 万磊　 (74)专利代理 机构 北京同立钧成知识产权代理 有限公司 1 1205 专利代理师 闫洁　黄健 (51)Int.Cl. G06Q 40/02(2012.01) G06F 16/36(2019.01) G06F 17/18(2006.01) G06F 17/16(2006.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 对象识别方法、 装置、 设备及存 储介质 (57)摘要 本申请提供一种对象识别方法、 装置、 设备 及存储介质， 获取待识别对象的画 像特征数据和 关联关系以生成待识别对象 的图谱结构， 进而利 用边类型的参数共享邻域信息融合机制对图谱 结构学习得到的行为类型预测模 型， 确定出待识 别对象的特征行为概率分布， 再根据特征行为概 率分布确定待识别对象是否为特征行为对象。 采 用边类型的参数共享邻域信息融合机制得到的 行为类型预测模 型适用于节点数较大的图谱， 减 少了模型构建所需的神经网络数量， 减少模型计 算量和规模， 并避免梯度消失问题和梯度爆炸问 题， 提高学习效率和预测 效率。 考量了邻域节点 之间的分布差异， 使 得行为类型预测模型得到充 分学习， 准确、 高效地识别具有特征行为风险的 待识别对象。 权利要求书3页 说明书20页 附图4页 CN 115511606 A 2022.12.23 CN 115511606 A 1.一种对象识别方法， 其特 征在于， 包括： 获取待识别对象的画像特征数据和关联关系， 根据 所述画像特征数据和所述关联关系 生成所述待识别对象的图谱结构， 所述待识别对象包括企业对象或者个 体对象； 根据所述图谱结构和行为类型预测模型， 得到所述待识别对象的特征行为概率分布， 所述行为类型预测模型是采用边类型的参数共享邻域信息融合机制对所述图谱结构进行 学习得到的； 根据所述特征行为概率分布确定所述待识别对象是否为特征行为对象， 所述特征行为 对象存在特 征行为风险。 2.根据权利要求1所述的对象识别方法， 其特征在于， 采用所述边类型的参数共享邻域 信息融合机制对所述图谱结构学习以得到所述行为类型 预测模型， 包括： 根据所述图谱结构确定目标节点的目标特征数据， 所述目标特征数据包括所述目标节 点的各邻域节点通过不同类型的边传递的特征数据， 所述目标节点为所述图谱结构中表征 所述待识别对象的节点； 根据各不同类型的边传递的特征数据确定所述目标节点在 目标迭代次数时的新增特 征数据； 根据所述新增特征数据和所述目标节点在所述目标迭代次数前一次时的自身隐藏层 向量得到节点向量， 所述自身隐藏层向量用于表征所述目标节点在所述目标迭代次数的前 一次自融合到的特 征数据， 所述节点向量用于表征 所述行为类型 预测模型。 3.根据权利要求2所述的对象识别方法， 其特征在于， 所述根据 所述图谱结构确定目标 节点的目标 特征数据， 包括： 根据所述图谱结构确定所述目标节点的每种类型的边在所述目标迭代次数时的权重 系数， 所述权 重系数用于表征 所述目标节点与所述各邻域节点之间的相关性； 根据所述每种类型的边对应的权重系数以及权重参数网络模型确定所述不同类型的 边传递的特 征数据； 其中， 权重参数网络模型包括第一特征映射函数和特征矩阵， 所述第一特征映射函数 与所述目标迭代次数相关且用于特征 空间转换， 所述特征矩阵与所述目标节点的边类型和 所述目标迭代次数相关。 4.根据权利要求3所述的对象识别方法， 其特征在于， 所述根据 所述图谱结构确定所述 目标节点的每种类型的边在所述目标迭代次数时的权 重系数， 包括： 根据所述图谱结构以及特征映射函数集群通过差异化融合处理得到所述目标节点的 每种类型的边对应的权 重系数； 其中， 所述目标节点的同种类型的边对应的权重系数之和为1， 所述特征映射函数集群 包括所述每种类型的边对应的第二特 征映射函数的集 合。 5.根据权利要求4所述的对象识别方法， 其特征在于， 所述根据 所述图谱结构以及特征 映射函数集合通过差异 化融合处理得到所述目标节点的每种类型的边对应的权重系数， 包 括： 针对所述目标节点的每种类型的边， 根据 所述目标节点和所述各邻域节点各自在所述 目标迭代次数的前一次对应的节点向量， 以及所述目标节点的当前类型的边对应的第二特 征映射函数的集 合， 进行矩阵乘法运 算， 得到矩阵乘法运 算结果；权　利　要　求　书 1/3 页 2 CN 115511606 A 2对所述矩阵乘法运 算结果进行等比例缩放处 理， 得到缩放处 理结果； 利用归一化指数函数对所述缩放处理结果进行归一化， 得到所述目标节点的每种类型 的边对应的权 重系数。 6.根据权利要求3所述的对象识别方法， 其特征在于， 所述根据 所述每种类型的边对应 的权重系数以及权 重参数网络模型确定所述 不同类型的边传递的特 征数据， 包括： 获取所述每种类型的边对应的权重系数、 所述每种类型的边对应的邻域节点在所述目 标迭代次数前一次的节点向量以及所述每种类型的边对应的权重参数网络模型之间的乘 积， 将得到的乘积确定为对应 类型的边传递的特 征数据。 7.根据权利要求2 ‑6任一项所述的对象识别方法， 其特征在于， 所述根据 各不同类型的 边传递的特 征数据确定所述目标节点在目标迭代次数时的新增特 征数据， 包括： 获取所述目标节点的各不同类型的边对应的特征向量之和， 得到向量之和， 每种类型 的边对应的特 征向量用于表征 所述每种类型的边传递的特 征数据； 对所述向量之和采用激活函数进行分段线性处 理， 得到线性结果向量； 获取线性映射矩阵与 所述线性结果向量的乘积， 利用得到的乘积向量表征所述目标节 点在所述目标迭代次数时的新增特 征数据。 8.根据权利要求7所述的对象识别方法， 其特征在于， 所述根据 所述新增特征数据和所 述目标节点在所述目标迭代次数 前一次时的自身隐藏层向量得到节点向量， 包括： 将所述乘积向量和所述目标节点在所述目标迭代次数前一 次时的自身隐藏层向量， 输 入至预设循环神经网络， 将输出确定为所述节点向量。 9.根据权利要求2 ‑6任一项所述的对象识别方法， 其特征在于， 所述根据 所述图谱结构 和行为类型 预测模型， 得到所述待识别对象的概 率分布， 包括： 将所述节点向量 通过第三特 征映射函数映射 为类别概 率分布向量； 将所述类别概率分布向量输入至二分类器， 得到类别输出向量， 所述类别输出向量用 于表征所述待识别对象的特 征行为概率分布。 10.根据权利要求9所述的对象识别方法， 其特征在于， 所述根据所述特征行为概率分 布确定所述待识别对象是否为特 征行为对象， 包括： 根据所述类别输出向量和预设类别矢量判断所述待识别对象是否为所述特征行为对 象， 所述预设类别矢量包括是所述特征行为对象的类别矢量和非所述特征行为对象的类别 矢量。 11.根据权利要求2 ‑6任一项所述的对象识别方法， 其特征在于， 获取所述待识别对象 的关联关系， 包括： 根据所述待识别对象的画像特征数据获取与所述待识别对象具有交易往来的关联对 象； 根据所述交易往来对应的交易数据确定各关联对象与所述待识别对象之间的关系类 别； 根据所述关系类别得到所述待识别对象的关联关系。 12.根据权利要求11所述的对象识别方法， 其特征在于， 所述根据 所述画像特征数据和 所述关联关系生成所述待识别对象的图谱结构， 包括： 将所述待识别对象设置为所述图谱结构的节点， 根据所述待识别对象的关联关系设置权　利　要　求　书 2/3 页 3 CN 115511606 A 3