(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 202210477902.9 (22)申请日 2022.04.29 (71)申请人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 乔媛　朱道彬　闫冬梅　汪婕　 (74)专利代理 机构 中科专利商标代理有限责任 公司 11021 专利代理师 张琛 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 40/02(2012.01) G06F 17/16(2006.01) G06K 9/62(2022.01) (54)发明名称 信用风险的预测方法、 装置、 设备和介质 (57)摘要 本公开提供了一种信用风险的预测方法， 可 用于大数据技术领域。 该方法包括： 获取n个客户 的个人信息， 其中， 每一个客户的个人信息包括N 个信息项； 对n个客户的个人信息进行量化， 得到 个人信息矩阵； 针对个人信息矩阵， 利用谱聚类 方法计算与个人信息矩 阵对应的图拉普拉斯矩 阵； 采用局部最优块共轭梯度法对图拉普拉斯矩 阵进行降维， 得到与图拉普拉斯矩阵对应的特征 矩阵； 基于 特征矩阵， 采用聚类方法对n个客户进 行分类； 以及根据分类后的n个客户， 预测n个客 户的信用风险。 根据本公开实施例中的预测方 法， 通过局部最优块共轭梯度法可迅速得到图拉 普拉斯矩阵的特征空间， 计算速度快、 占用内存 小。 权利要求书3页 说明书14页 附图4页 CN 114707762 A 2022.07.05 CN 114707762 A 1.一种信用风险的预测方法， 其特 征在于， 包括以下步骤： 获取客户对获取个人信息的授权； 在得到客户对获取个人信息的授权的情况下， 获取n个客户的个人信息， 其中， 每一个 客户的个人信息包括N个信息项， 所述N个信息项均与信用风险相关， n为大于等于1的整 数， N为大于等于2的整数； 对所述n个客户的个人信息进行量化， 得到个人信息矩阵， 其中， 所述个人信息矩阵为n 行N列的矩阵， 所述个人信息矩阵的每一行表示 一个客户的经量 化的个人信息； 针对所述个人信 息矩阵， 利用谱聚类方法计算与 所述个人信 息矩阵对应的图拉普拉斯 矩阵， 其中， 所述图拉普拉斯矩阵为 n行n列的矩阵； 采用局部最优块共轭梯度法对所述图拉普拉斯矩阵进行降维， 得到与 所述图拉普拉斯 矩阵对应的特 征矩阵， 其中， 所述特 征矩阵为 n行b列的矩阵， b为 正整数且1≤b＜n； 基于所述特 征矩阵， 采用聚类方法对所述 n个客户进行分类； 以及 根据分类后的n个客户， 预测所述 n个客户的信用风险。 2.根据权利要求1所述的方法， 其特征在于， 所述采用局部最优块共轭梯度法对所述图 拉普拉斯矩阵进行降维， 得到与所述图拉普拉斯矩阵对应的特 征矩阵， 具体包括： 采用迭代方法确定搜索方向， 使得所述搜索方向逐渐与待确定的特征矩阵中每一列的 向量的方向一 致； 以及 根据确定出的搜索方向， 确定与所述图拉普拉斯矩阵对应的特 征矩阵。 3.根据权利要求2所述的方法， 其特征在于， 所述采用迭代方法确定搜索方向， 使得所 述搜索方向逐渐与待确定的特 征矩阵中每一列的向量的方向一 致， 具体包括： 基于所述图拉普拉斯矩阵， 得到中间矩阵， 其中， 所述中间矩阵为 n行b列的矩阵； 计算所述中间矩阵的特 征值和特 征向量； 以及 根据所述中间矩阵的特征向量， 生成第一子矩阵， 其中， 所述第一子矩阵中每一列的向 量表示搜索方向， 所述第一子矩阵中每一列的向量表示的搜索方向分别与待确定的特征矩 阵中每一列的向量的方向对应， 所述第一子矩阵为 n行b列的矩阵。 4.根据权利要求3所述的方法， 其特征在于， 所述采用迭代方法确定搜索方向， 使得所 述搜索方向逐渐与待确定的特 征矩阵中每一列的向量的方向一 致， 还具体包括： 根据所述中间矩阵的特征值和特征向量以及所述第一子矩阵， 生成第二子矩阵， 所述 第二子矩阵为 n行b列的矩阵； 其中， 所述第 二子矩阵中每一列的向量表示所述图拉普拉斯矩阵与 所述第一子矩阵之 间的残差向量。 5.根据权利要求4所述的方法， 其特征在于， 所述采用迭代方法确定搜索方向， 使得所 述搜索方向逐渐与待确定的特 征矩阵中每一列的向量的方向一 致， 还具体包括： 根据所述中间矩阵的特征向量、 所述第一子矩阵以及所述第二子矩阵， 生成第三子矩 阵， 所述第三子矩阵为 n行b列的矩阵； 其中， 所述第一子矩阵、 所述第二子矩阵和所述第三子矩阵构成表示搜索子空间的搜 索矩阵。 6.根据权利要求2 ‑5中任一项所述的方法， 其特征在于， 所述采用迭代方法确定搜索方 向， 使得所述搜索方向逐渐与待确定的特 征矩阵中每一列的向量的方向一 致， 还具体包括：权　利　要　求　书 1/3 页 2 CN 114707762 A 2根据所述中间矩阵的特征向量以及所述搜索矩阵， 采用迭代方法更新所述第一子矩 阵， 其中， 在迭代过程中， 根据前次迭代过程中的所述中间矩阵的特征向量以及前次迭代 过程中的所述搜索矩阵， 更新所述第一子矩阵， 以生成当次迭代过程中的第一子矩阵。 7.根据权利要求6所述的方法， 其特征在于， 所述采用迭代方法确定搜索方向， 使得所 述搜索方向逐渐与待确定的特 征矩阵中每一列的向量的方向一 致， 还具体包括： 在迭代过程中， 根据当次迭代过程中的所述中间矩阵的特征值和特征向量以及 当次迭 代过程中的所述第一子矩阵， 更新所述第二子矩阵， 以生成当次迭代过程中的第二子矩阵。 8.根据权利要求7所述的方法， 其特征在于， 所述第 三子矩阵中每一列的向量表示相邻 两次迭代过程中所述搜索子空间的基之间的差 。 9.根据权利要求8所述的方法， 其特征在于， 所述采用迭代方法确定搜索方向， 使得所 述搜索方向逐渐与待确定的特 征矩阵中每一列的向量的方向一 致， 还具体包括： 在迭代过程中， 根据 前次迭代过程中的所述中间矩阵的特征向量以及前次迭代过程中 的第一子矩阵和第二子矩阵， 更新所述第三子矩阵， 以生成当次迭代过程中的第三子矩阵。 10.根据权利要求9所述的方法， 其特征在于， 所述根据确定出的搜索方向， 确定与 所述 图拉普拉斯矩阵对应的特 征矩阵， 具体包括： 在迭代过程中， 当更新后的所述第 二子矩阵中第 i列的向量满足第一规定条件时， 将更 新后的所述第一子矩阵中第i列的向量确定为所述特征矩阵的一列， 其中， i为正整 数且1≤ i＜b。 11.根据权利要求10所述的方法， 其特征在于， 所述更新后的所述第二子矩阵中第i列 的向量满足第一 规定条件 包括： 更新后的所述第二子矩阵中第i列的向量的范 数小于规定的阈值。 12.根据权利要求3所述的方法， 其特征在于， 所述基于所述图拉普拉斯矩阵， 得到 中间 矩阵， 具体包括： 基于所述图拉普拉斯矩阵、 所述搜索矩阵和所述搜索矩阵的转置矩阵， 生成所述中间 矩阵。 13.根据权利要求6所述的方法， 其特征在于， 所述迭代过程中首次使用的第一子矩阵 为n行b列的随机矩阵。 14.根据权利要求13所述的方法， 其特征在于， 所述方法还包括： 当所述n个客户中至少 一个客户的至少一个信息项发生变化时， 更新所述特 征矩阵； 和/或， 在获取第n+1个客户的个人信息后， 更新所述特 征矩阵。 15.根据权利要求14所述的方法， 其特征在于， 在更新所述特征矩阵的过程中， 迭代过 程中首次使用的第一子矩阵为更新前的特 征矩阵。 16.一种信用风险的预测装置， 其特 征在于， 包括： 客户授权获取模块， 用于获取客户对获取个人信息的授权； 个人信息获取模块， 用于： 在得到客户对获取个人信息的授权的情况下， 获取n个客户 的个人信息， 其中， 每一个客户的个人信息包括N个信息项， 所述N个信息项均与信用风险相 关， n为大于等于1的整数， N 为大于等于2的整数； 个人信息矩阵获取模块， 用于： 对所述n个客户的个人信息进行量化， 得到个人信息矩权　利　要　求　书 2/3 页 3 CN 114707762 A 3