(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 202210748552.5 (22)申请日 2022.06.29 (71)申请人 中国银行股份有限公司 地址 100818 北京市西城区复兴门内大街1 号 (72)发明人 李甜甜　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 王云晓 (51)Int.Cl. G06Q 40/02(2012.01) G06Q 10/04(2012.01) G06K 9/62(2022.01) G06F 16/36(2019.01) (54)发明名称 信用卡办理的预测方法、 相关装置及计算机 存储介质 (57)摘要 本申请提供一种信用卡办理的预测方法、 相 关装置及计算机存储介质， 可应用于人工智能领 域、 大数据领域或金融领域， 该方法包括： 首先， 针对每一个用户， 抽取得到用户的属性信息； 然 后， 根据用户的属性信息， 建立用户的用户关系 图谱； 针对用户的每一个属性信息， 采用属性信 息对应的特征提取方法， 进行特征提取， 得到用 户的属性特征； 基于图嵌入方法， 学习用户关系 图谱中用户的低维表示， 作为用户的网络特征； 最后， 将用户的属性特征和网络特征输入至办理 预测模型中， 输出得到用户办理信用卡的预测结 果； 其中， 办理预测模型由至少一个训练样本对 极端梯度提升模 型进行训练得到。 从而可以有效 的对用户办理信用卡的概 率进行预测。 权利要求书2页 说明书9页 附图4页 CN 115099950 A 2022.09.23 CN 115099950 A 1.一种信用卡办理的预测方法， 其特 征在于， 包括： 针对每一个用户， 抽取 得到用户的属性信息； 根据所述用户的属性信息， 建立所述用户的用户关系图谱； 针对所述用户的每一个属性信息， 采用所述属性信息对应的特征提取方法， 进行特征 提取， 得到所述用户的属性特 征； 基于图嵌入方法， 学习所述用户关系图谱中所述用户的低维表示， 作为所述用户的网 络特征； 将所述用户的属性特征和网络特征输入至办理预测模型中， 输出得到所述用户办理信 用卡的预测结果； 其中， 所述办理预测模型 由至少一个训练样本对极端梯度提升模型进行 训练得到； 所述训练样本包括： 训练样本用户的属性特征和网络特征， 以及所述训练样 本用 户的真实办卡结果。 2.根据权利要求1所述的预测方法， 其特征在于， 所述针对每一个用户， 抽取得到用户 的属性信息， 包括： 针对每一个用户， 获取用户的基本信息； 对所述用户的基本信息进行 预处理， 得到所述用户的目标信息； 按照实体、 属性以及属性 值进行信息抽取， 得到所述用户的属性信息 。 3.根据权利要求1所述的预测方法， 其特征在于， 所述针对每一个用户， 抽取得到用户 的属性信息之后， 还 包括： 将所述用户的属性信息存 储至关系型 数据库管理系统中。 4.根据权利要求3所述的预测方法， 其特征在于， 所述根据所述用户的属性信息， 建立 所述用户的用户关系图谱之后， 还 包括： 将所述用户的用户关系图谱 存储至图数据库中。 5.根据权利要求 4所述的预测方法， 其特 征在于， 还 包括： 定时更新所述关系型 数据库管理系统中的用户的属性信息； 若所述用户的属性信 息发生改变， 则将变更后的属性信 息更新至所述图数据库中的用 户关系图谱中。 6.根据权利要求5所述的预测方法， 其特 征在于， 还 包括： 获取新增用户的基本信息， 并抽取 得到所述 新增用户的属性信息； 根据所述 新增用户的属性信息， 建立与所述用户的用户关系图谱； 将所述建立与所述用户的用户关系图谱， 存 储至所述图数据库中。 7.根据权利要求1所述的预测方法， 其特 征在于， 所述办理预测模型的构建方法， 包括： 构建训练样本集； 其中， 所述训练样本集包括至少一个训练样本； 所述训练样本包括： 训练样本用户的属性特 征和网络特 征， 以及所述训练样本用户的真实办卡结果； 将所述训练样本用户的属性特征和网络特征输入至极端梯度提升模型中， 输出得到所 述训练样本用户的办卡 概率； 根据所述训练样本用户的办卡 概率， 生成所述训练样本用户的预测办卡结果； 利用所述训练样本用户的预测办卡结果与所述训练样本用户的真实办卡结果之间的 误差对所述极端梯度提升模型中的参数进 行调整， 直至所述训练样本用户的预测办卡结果 与所述训练样本用户的真实办卡结果之 间的误差满足预设的收敛条件， 将所述极端梯度提权　利　要　求　书 1/2 页 2 CN 115099950 A 2升模型作为办理预测模型。 8.一种信用卡办理的预测装置， 其特 征在于， 包括： 抽取单元， 用于针对每一个用户， 抽取 得到用户的属性信息； 第一建立单 元， 用于根据所述用户的属性信息， 建立所述用户的用户关系图谱； 第一特征提取单元， 用于针对所述用户的每一个属性信息， 采用所述属性信息对应的 特征提取方法， 进行 特征提取， 得到所述用户的属性特 征； 第二特征提取单元， 用于基于 图嵌入方法， 学习所述用户关系图谱中所述用户的低维 表示， 作为所述用户的网络特 征； 第一输入单元， 用于将所述用户的属性特征和网络特征输入至办理预测模型中， 输出 得到所述用户办理信用卡的预测结果； 其中， 所述办理预测模型 由至少一个训练样本对极 端梯度提升模型进 行训练得到； 所述训练样本包括： 训练样本用户的属性特征和网络特征， 以及所述训练样本用户的真实办卡结果。 9.一种电子设备， 其特 征在于， 包括： 一个或多个处 理器； 存储装置， 其上存 储有一个或多个程序； 当所述一个或多个程序被所述一个或多个处理器执行时， 使得所述一个或多个处理器 实现如权利要求1至7中任一所述的信用卡办理的预测方法。 10.一种计算机存储介质， 其特征在于， 其上存储有计算机程序， 其中， 所述计算机程序 被处理器执行时实现如权利要求1至7中任一所述的信用卡办理的预测方法。权　利　要　求　书 2/2 页 3 CN 115099950 A 3