(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 202210593136.2 (22)申请日 2022.05.27 (71)申请人 中国建设银行股份有限公司 地址 100033 北京市西城区金融大街25号 申请人 建信金融科技有限责任公司 (72)发明人 陈琳　 (74)专利代理 机构 北京同达信恒知识产权代理 有限公司 1 1291 专利代理师 赵小霞 (51)Int.Cl. G06Q 30/00(2012.01) G06F 16/36(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种目标客户筛 选方法、 装置、 设备及 介质 (57)摘要 本申请涉及数据处理技术领域， 尤其涉及一 种目标客户筛选方法、 装置、 设备及介质。 用以解 决现有技术中从已有客户中识别目标客户时效 率低， 且不准确的问题。 该方法中服务器根据已 保存的每个客户的每个交易数据， 构建知识图 谱， 并在知识图谱中标记出待识别客户对应的目 标节点， 服务器基于该知识图谱， 识别该待识别 客户是否为目标客户。 由于服务器在确定待识别 客户是否为目标客户时基于交易数据， 也就是在 识别待识别客户是否为目标客户时使用的数据 范围更广更全面， 并且在本申请实施例中基于图 神经网络模 型和逻辑回归模型， 识别待识别客户 是否为目标客户， 不依赖专家经验， 提高了目标 客户识别的效率和准确率。 权利要求书3页 说明书18页 附图6页 CN 114820001 A 2022.07.29 CN 114820001 A 1.一种目标客户筛 选方法， 其特 征在于， 所述方法包括： 获取每个客户的每个交易数据， 并根据所述每个客户的每个交易数据构建知识图谱， 其中， 所述知识图谱中包含客户对应的第一节点和交易对 象对应的第二节点， 存在交易关 系的客户对应的第一节点与交易对象对应的第二节点之间连接； 根据携带有待识别客户对应的目标节点的知识图谱及预先训练完成的图神经网络模 型， 确定所述目标节点对应的目标 特征向量； 将所述目标特征向量输入到预先训练完成的逻辑 回归模型中， 获取所述逻辑 回归模型 输出的所述目标节点对应的待识别客户是否为目标客户的判断结果。 2.根据权利要求1所述的方法， 其特征在于， 所述根据所述每个客户的每个交易数据构 建知识图谱 包括： 针对每个交易数据， 确定该交易数据对应的客户 和交易对象； 若当前知识图谱中不存 在所述客户对应的第一节点或不存在所述交易对象对应的第二节点， 则在所述知识图谱中 创建所述客户对应的第一节点或所述交易对象对应第二节点， 并连接所述第一节点和 第二 节点； 接收输入的每 个节点对应的每 个权重， 并将该每 个权重保存到对应的节点中。 3.根据权利要求2所述的方法， 其特征在于， 若所述交易对象为非客户， 确定当前知识 图谱中不存在所述交易对象对应的第二节点包括： 根据预先配置的交易对象类别， 确定所述交易对象对应的目标交易对象类别； 若当前知识图谱中不存在所述目标交易对象类别对应的节点， 则确定不存在所述交易 对象对应的第二节点； 所述在所述知识图谱中创建所述交易对象对应第二节点包括： 创建所述目标交易对象类别对应的节点， 将创建的所述节点作为所述交易对象对应的 第二节点。 4.根据权利要求1所述的方法， 其特征在于， 所述根据携带有待识别客户对应的目标节 点的知识图谱及预先训练完成的图神经网络模 型， 确定所述目标节点对应的目标特征向量 包括： 将所述携带有 待识别客户对应的目标节点的知识图谱输入到所述图神经网络模型中； 所述图神经网络模型为所述知识图谱中的每个节点随机分配对应的特征向量； 确定所 述知识图谱中与所述目标节点直接或间接连接的预设数量个目标候选节点； 针对每个目标 候选节点， 从该目标候选节点中获取该目标候选节点对应的权重； 根据所述 目标节点对应 的特征向量、 每个目标候选节点对应的每个权重及特征向量， 对目标节点对应的目标特征 向量进行 更新。 5.根据权利要求4所述的方法， 其特征在于， 所述确定与 所述目标节点直接或间接连接 的预设数量个目标候选节点包括： 确定所述知识图谱中与该目标节点直接连接， 以及与 所述目标节点通过一个节点间接 连接的每 个候选节点； 采用随机算法从所述 候选节点中选择 所述预设数量个目标候选节点。 6.根据权利要求4所述的方法， 其特征在于， 所述根据所述目标节点对应的特征向量、 每个目标候选节点对应的每个权重及特征向量， 对目标节点对应的目标特征向量进行更新权　利　要　求　书 1/3 页 2 CN 114820001 A 2包括： 根据所述知识图谱中携带的每个节点对应的权重， 确定每个目标候选节点对应的每个 权重； 确定每个目标候选节点的特 征向量与对应的权 重的每个乘积； 将所述每个乘积与所述目标节点对应的目标特征向量的和向量确定为更新后的目标 特征向量。 7.根据权利要求1所述的方法， 其特 征在于， 所述逻辑回归 模型的训练过程包括： 获取保存的样本特征向量集， 其中所述样本特征向量集中包含多个样本特征向量， 并 且所述样本特征向量集中保存有每个样本特征向量对应的客户是否为目标客户的标识信 息； 将所述样本特征向量集中的每个样本特征向量输入到待训练的逻辑 回归模型中， 获取 所述逻辑回归 模型输出的每 个样本特 征向量对应的客户是否为目标客户的预测结果； 针对每个样本特征向量， 根据 该样本特征向量中携带的该样本特征向量对应的客户是 否为目标客户的标识信息， 以及所述逻辑回归模型输出的该样本特征向量对应的预测结 果， 对所述逻辑回归 模型的参数进行调整。 8.根据权利要求1所述的方法， 其特 征在于， 所述图神经网络模型的训练过程包括： 获取保存的每 个样本知识图谱； 将所述每个样本知识图谱输入到待训练的图神经网络模型中， 获取该图神经网络模型 输出的每 个客户对应的样本节点的每 个样本目标 特征向量； 根据所述每 个样本目标 特征向量对所述待训练的图神经网络模型进行优化。 9.一种目标客户筛 选装置， 其特 征在于， 所述装置包括： 知识图谱构建模块， 用于获取每个客户的每个交易数据， 并根据所述每个客户的每个 交易数据构建知识图谱， 其中， 所述知识图谱中包含客户对应的第一节点和交易对 象对应 的第二节点， 存在交易关系的客户对应的第一节点与交易对象对应的第二节点之间连接； 处理模块， 用于根据携带有待识别客户对应的目标节点的知识图谱及预先训练完成的 图神经网络模型， 确定所述目标节点对应的目标 特征向量； 识别模块， 用于将所述目标特征向量输入到预先训练完成的逻辑回归模型中， 获取所 述逻辑回归 模型输出的所述目标节点对应的待识别客户是否为目标客户的判断结果。 10.根据权利要求9所述的装置， 其特征在于， 所述知识图谱构建模块， 具体用于针对每 个交易数据， 确定该交易数据对应的客户和交易对 象； 若当前知识图谱中不存在所述客户 对应的第一节点或不存在所述交易对象对应的第二节点， 则在所述知识图谱中创建所述客 户对应的第一节点或所述交易对 象对应第二节点， 并连接所述第一节点和第二节点； 接 收 输入的每 个节点对应的每 个权重， 并将该每 个权重保存到对应的节点中。 11.根据权利要求10所述的装置， 其特征在于， 所述知识图谱构建模块， 具体用于若所 述交易对 象为非客户， 则根据预先配置的交易对 象类别， 确定所述交易对 象对应的目标交 易对象类别； 若当前知识图谱中不存在所述 目标交易对 象类别对应的节点， 则确定不存在 所述交易对 象对应的第二节点； 创建所述 目标交易对 象类别对应的节点， 将创建的所述节 点作为所述交易对象对应的第二节点。 12.根据权利要求9所述的装置， 其特征在于， 所述处理模块， 具体用于将所述携带有待权　利　要　求　书 2/3 页 3 CN 114820001 A 3