1.本技术实施例涉及数据处理技术领域，尤其涉及一种风险评级方法、装置、电子设备及计算机可读存储介质。
背景技术：2.风险评级是一种以量化的方式直观揭示评级对象当前所处的风险水平以及风险对社会的影响，对公众投资、就业择业、合作伙伴选择、市场监管都具有重要意义。
3.相关技术中，为了对评级对象进行风险评级，首先为评级对象指定多种类型的评级指标，再搜集评级对象的相关数据计算出评级对象对应的评级指标，最后对评级对象对应的所有评级指标加权求和得到评级对象的风险等级。因此，评级对象的相关数据越丰富，可以计算得到的评级指标的种类就越丰富，进而风险评级结果就会越准确。
4.但是，在实际应用中，为保证数据的隐私安全，大多数评级对象具备的相关数据比较匮乏，针对这些评级对象通常难以进行准确的风险评级，导致在数据量有限的情况下，目标对象的评级结果准确性较差。
技术实现要素：5.本技术实施例提供一种风险评级方法、装置、电子设备及计算机可读存储介质，以解决相关技术中数据量有限时，目标对象的风险评级结果准确性较差的问题。
6.第一方面，本技术实施例提供了一种风险评级方法，该方法包括：
7.获取目标对象的对象数据对应的风险指标，以及所述目标对象之间的关联关系；
8.将对象数据的种类量大于或等于预设量的目标对象，确定为第一对象，并根据所述第一对象对应的第一风险指标，确定所述第一对象的第一风险等级；
9.通过所述第一对象的风险指标、所述关联关系和所述第一风险等级对预设神经网络模型进行训练，得到风险评级模型；
10.将所述目标对象中除所述第一对象之外的第二对象对应的风险指标，以及所述第二对象与其他目标对象之间的关联关系输入所述目标风险评级模型，得到所述第二对象的第二风险等级。
11.在一种可选实施方式中，所述风险评级模型包括预设图神经网络模型和预设等级确定模型，所述通过所述第一对象的风险指标、所述关联关系和所述第一风险等级对预设神经网络模型进行训练，得到风险评级模型，包括：
12.将同一目标对象的风险指标作为一个节点，将所述关联关系作为边，构建所有目标对象对应的目标对象图网络；
13.根据所述目标对象图网络训练所述预设图神经网络模型，得到目标图神经网络模型；
14.将所述目标对象图网络中，与所述第一对象相关的节点和边输入所述目标图神经网络模型，得到所述第一对象对应的第一聚合特征；
15.根据所述第一聚合特征和所述第一风险等级训练所述预设等级确定模型，得到目标等级确定模型。
16.在一种可选实施方式中，所述将所述目标对象中除所述第一对象之外的第二对象对应的风险指标，以及所述第二对象与其他目标对象之间的关联关系输入所述目标风险评级模型，得到所述第二对象的第二风险等级，包括：
17.将所述目标对象图网络中，与所述第二对象相关的节点和边输入所述目标图神经网络模型，得到所述第二对象对应的第二聚合特征；
18.将所述第二聚合特征输入所述目标等级确定模型，得到所述第二对象对应的第二风险等级。
19.在一种可选实施方式中，所述根据所述目标对象图网络训练所述预设图神经网络模型，得到目标图神经网络模型，包括：
20.确定所述目标对象图网络中目标节点与直接关联节点的第一距离，以及所述目标节点与间接关联节点的第二距离；
21.根据所述第一距离和所述第二距离的差异确定所述目标节点对应的第一损失值，并根据所述第一损失值调整所述预设图神经网络模型的参数；
22.在所述第一损失值小于第一预设数值，或，调整所述预设图神经网络模型的参数的次数达到第一预设次数的情况下，得到目标图神经网络模型。
23.在一种可选实施方式中，所述根据所述第一聚合特征和所述第一风险等级训练所述预设等级确定模型，得到目标等级确定模型，包括：
24.将所述第一聚合特征输入所述预设等级确定模型，得到所述第一对象的预测风险等级；
25.根据所述第一对象的预测风险等级和所述第一对象的第一风险等级，确定第二损失值，并根据所述第二损失值调整所述预设等级确定模型的参数；
26.在所述第二损失值小于第二预设数值，或，调整所述预设等级确定模型的参数的次数达到第二预设次数的情况下，得到目标等级确定模型。
27.在一种可选实施方式中，所述方法还包括：
28.将所述第一聚合特征输入所述目标等级确定模型，得到所述第一对象对应的第三风险等级。
29.在一种可选实施方式中，所述将对象数据的种类量大于或等于预设量的目标对象，确定为第一对象，并根据所述第一对象对应的第一风险指标，确定所述第一对象的第一风险等级，包括：
30.将对象数据的种类量在对象数据种类总量中的占比大于或等于预设比例的目标对象，确定为第一对象；
31.对所述第一对象对应的风险指标进行求和，得到所述第一对象对应的第一风险等级。
32.在一种可选实施方式中，所述获取目标对象的对象数据对应的风险指标，包括：
33.对所述目标对象的初始数据进行数据清洗，得到所述目标对象对应的至少一种对象数据类型的对象数据；
34.根据对象数据类型对应的风险指标计算规则，确定所述目标对象的对象数据对应
的风险指标。
35.在一种可选实施方式中，所述关联关系包括所述目标对象之间的投资关系、交易关系或股权关系。
36.第二方面，本技术实施例提供了一种风险评级装置，该装置包括：
37.获取模块，用于获取目标对象的对象数据对应的风险指标，以及所述目标对象之间的关联关系；
38.第一风险模块，用于将对象数据的种类量大于或等于预设量的目标对象，确定为第一对象，并根据所述第一对象对应的第一风险指标，确定所述第一对象的第一风险等级；
39.训练模块，用于通过所述第一对象的风险指标、所述关联关系和所述第一风险等级对预设神经网络模型进行训练，得到风险评级模型；
40.第二风险模块，用于将所述目标对象中除所述第一对象之外的第二对象对应的风险指标，以及所述第二对象与其他目标对象之间的关联关系输入所述目标风险评级模型，得到所述第二对象的第二风险等级。
41.在一种可选实施方式中，所述风险评级模型包括预设图神经网络模型和预设等级确定模型，所述训练模块，包括：
42.图网络模块，用于将同一目标对象的风险指标作为一个节点，将所述关联关系作为边，构建所有目标对象对应的目标对象图网络；
43.第一训练子模块，用于根据所述目标对象图网络训练所述预设图神经网络模型，得到目标图神经网络模型；
44.第一特征子模块，用于将所述目标对象图网络中，与所述第一对象相关的节点和边输入所述目标图神经网络模型，得到所述第一对象对应的第一聚合特征；
45.第二训练子模块，用于根据所述第一聚合特征和所述第一风险等级训练所述预设等级确定模型，得到目标等级确定模型。
46.在一种可选实施方式中，所述第二风险模块包括：
47.第二特征子模块，用于将所述目标对象图网络中，与所述第二对象相关的节点和边输入所述目标图神经网络模型，得到所述第二对象对应的第二聚合特征；
48.第二风险子模块，用于将所述第二聚合特征输入所述目标等级确定模型，得到所述第二对象对应的第二风险等级。
49.在一种可选实施方式中，所述第一训练子模块包括：
50.距离子模块，用于确定所述目标对象图网络中目标节点与直接关联节点的第一距离，以及所述目标节点与间接关联节点的第二距离；
51.第一调参子模块，用于根据所述第一距离和所述第二距离的差异确定所述目标节点对应的第一损失值，并根据所述第一损失值调整所述预设图神经网络模型的参数；
52.第一模型子模块，用于在所述第一损失值小于第一预设数值，或，调整所述预设图神经网络模型的参数的次数达到第一预设次数的情况下，得到目标图神经网络模型。
53.在一种可选实施方式中，所述第二训练子模块包括：
54.风险等级子模块，用于将所述第一聚合特征输入所述预设等级确定模型，得到所述第一对象的预测风险等级；
55.第二调参子模块，用于根据所述第一对象的预测风险等级和所述第一对象的第一
风险等级，确定第二损失值，并根据所述第二损失值调整所述预设等级确定模型的参数；
56.第二模型子模块，用于在所述第二损失值小于第二预设数值，或，调整所述预设等级确定模型的参数的次数达到第二预设次数的情况下，得到目标等级确定模型。
57.在一种可选实施方式中，所述装置还包括：
58.第三风险模块，用于将所述第一聚合特征输入所述目标等级确定模型，得到所述第一对象对应的第三风险等级。
59.在一种可选实施方式中，所述第一风险模块包括：
60.对象子模块，用于将对象数据的种类量在对象数据种类总量中的占比大于或等于预设比例的目标对象，确定为第一对象；
61.第一风险子模块，用于对所述第一对象对应的风险指标进行求和，得到所述第一对象对应的第一风险等级。
62.在一种可选实施方式中，所述获取模块包括：
63.数据子模块，用于对所述目标对象的初始数据进行数据清洗，得到所述目标对象对应的至少一种对象数据类型的对象数据；
64.指标子模块，用于根据对象数据类型对应的风险指标计算规则，确定所述目标对象的对象数据对应的风险指标。
65.第三方面，本技术实施例还提供了一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现所述的风险评级方法。
66.第四方面，本技术实施例还提供了一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行所述的风险评级方法。
67.在本技术实施例中，包括：获取目标对象的对象数据对应的风险指标，以及目标对象之间的关联关系；将对象数据的种类量大于或等于预设量的目标对象，确定为第一对象，并根据第一对象对应的第一风险指标，确定第一对象的第一风险等级；通过第一对象的风险指标、目标对象之间的关联关系和第一风险等级对预设神经网络模型进行训练，得到风险评级模型；将目标对象中第二对象对应的风险指标，以及第二对象与其他目标对象之间的关联关系输入风险评级模型，得到第二对象的第二风险等级。本技术利用目标对象的关联关系和目标对象中风险指标较为丰富的第一对象训练风险评级模型，并根据风险评级模型对目标对象中风险指标丰富度较差的第二对象进行风险等级评估，不仅对风险特征的维度考虑的更加全面，提升了风险评级结果的准确性，还降低了对部分信息量不足的对象进行风险评级的难度。
68.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
69.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术
的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
70.图1是本技术实施例提供的一种风险评级方法的步骤流程图；
71.图2是本技术实施例提供的另一种风险评级方法的步骤流程图；
72.图3是本技术实施例提供的一种目标对象图网络；
73.图4是本技术实施例提供的一种风险评级装置结构图；
74.图5是本技术一个实施例的电子设备的逻辑框图；
75.图6是本技术另一个实施例的电子设备的逻辑框图。
具体实施方式
76.下面将参照附图更详细地描述本技术的示例性实施例。虽然附图中显示了本技术的示例性实施例，然而应当理解，可以以各种形式实现本技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本技术，并且能够将本技术的范围完整的传达给本领域的技术人员。
77.图1是本技术实施例提供的一种风险评级方法的步骤流程图，如图1所示，该方法包括：
78.步骤101、获取目标对象的对象数据对应的风险指标，以及所述目标对象之间的关联关系。
79.在本技术实施例中，目标对象可以是企业、机构、机关等团体组织，也可以是个体。对象数据可以是指与对象的风险具有高度相关的数据，通过对象数据可以对对象的风险进行量化，对象数据可以包括对象的基本信息(例如对象名称、对象资产额，对象人数等)、对象的违法涉诉信息(例如对象违法数量、对象违法频率等)、网络舆情信息、税务数据、财务数据、工商信息等。
80.在获取目标对象的对象数据后，还可以针对每个对象数据，确定其对应的风险指标，一个对象数据对应的风险指标可以反映该对象数据产生风险的大小。具体的对象数据与风险指标的对应关系，可以由对应的风险指标计算公式计算得到，也可以由对应的风险指标评估模型得到，还可以由技术人员根据实际情况人工对对象数据进行评估得到，本技术实施例在此并不进行具体限定。
81.通过上述目标对象的风险指标，可以反映出目标对象本身存在的风险，通常来说，能够获取的目标对象的对象数据种类越多，则确定出的风险指标越丰富，越能准确判断目标对象的风险，但现实情况下，存在很多对象数据种类并不十分完整，甚至只有极少量对象数据种类的对象，因此，仅通过目标对象的风险指标判断目标对象的风险在准确性上通常较差。在本技术实施例中，由于目标对象为多个，这些对象之间还可能存在资金、业务、人员等层面的关联关系，因此，还可以获取各个目标对象之间的关联关系，这些关联关系也能够在一定程度上反映对象的风险，例如，一个目标对象与一个风险等级较高的对象之间存在频繁且大额的资金交易，则该目标对象大概率也存在较为严重的风险。
82.步骤102，将对象数据的种类量大于或等于预设量的目标对象，确定为第一对象，并根据所述第一对象对应的第一风险指标，确定所述第一对象的第一风险等级。
83.在本技术实施例中，各个目标对象对应的对象数据不尽相同，有的目标对象的对象数据种类丰富，而有的目标对象对应的对象数据种类稀少，导致对于对象数据种类丰富
的目标对象来说，可以较为容易且准确地确定出其对应的风险等级，而对于对象数据种类稀少的目标对象来说，难以快速准确地确定出其对应的风险等级，此外，还可能存在其他因素影响目标对象的风险等级的确定难度和结果准确度，例如，规模较大的对象容易准确地确定风险等级，而规模较小的对象相对不容易准确地确定风险等级。
84.在本技术实施例中，可以通过预设量从目标对象中筛选出容易高效准确确定出风险等级的第一对象，其中，预设量可以是一个具体的数量值，也可以是占对象数据类型总数量的一个比例值。
85.举例来说，如果对象数据总共包括10种类型，即对象数据种类总量为10，一个目标对象的所有对象数量中有5种对象数据类型存储了空值，则该目标对象实际只具备5种对象数据类型，在预设量为4的情况下，可以确定该目标对象为第一对象。
86.在本技术实施例中，从目标对象中确定出第一对象后，可以通过一般方法确定出第一对象的第一风险等级，其中，该一般方法可以是通过人工评估、公式计算等对第一对象的风险指标进行分析和计算，从而确定出第一对象的第一风险等级，本技术实施例对第一风险等级的确定方式并不进行具体限定。其中，根据对象的一种对象数据类型可以计算出该对象数据类型对应的一个风险指标，根据对象的多种对象数据类型对应的多个风险指标，可以计算出该对象对应的风险等级。
87.步骤103，通过所述第一对象的风险指标、所述关联关系和所述第一风险等级对预设神经网络模型进行训练，得到风险评级模型。
88.可以预先构建预设神经网络模型，并通过第一对象的风险指标、关联关系和第一风险等级对预设神经网络模型进行训练，训练后的预设神经网络模型即为风险评级模型。
89.具体地，可以先从目标对象之间的关联关系中，提取各个第一对象与目标对象中该第一对象之外的其他对象的关联关系，第一对象与其他对象的关联关系可以包括第一对象与其他对象之间的关联信息(例如资金流动、人员流动等)，还可以包括其他对象的风险指标。需要说明的是，第一对象与其他对象的关联关系可以包括第一对象与直接关联的其他对象的关联关系，也可以包括第一对象与间接关联的其他对象的关联关系。
90.针对每个第一对象，将该第一对象对应的风险指标，以及该第一对象与其他对象的关联关系，输入预设神经网络模型，得到预设神经网络模型输出的预测风险等级，再根据该第一对象的预测风险等级和该第一对象的第一风险等级，计算模型损失值，之后根据该模型损失值对预设神经网络的参数进行调整，重复执行上述训练步骤，直至模型损失值满足预设要求，或，训练次数达到预设次数为止，得到风险评级模型。
91.步骤104，将所述目标对象中除所述第一对象之外的第二对象对应的风险指标，以及所述第二对象与其他目标对象之间的关联关系输入所述目标风险评级模型，得到所述第二对象的第二风险等级。
92.在上述步骤中，通过风险指标较为丰富的第一对象完成了对预设神经网络模型的训练，得到了风险评级模型，由于对风险评级模型的训练过程中还采用了第一对象与其他对象之间的关联关系，该其他对象中包含有第二对象，因此，风险评级模型可以基于对象自身的风险指标和对象之间的关联关系，对风险指标较为贫乏的第二对象(对象数据的种类量小于预设量的目标对象)进行较为准确的风险等级判断。
93.具体地，可以首先从目标对象中确定出第二对象，在本技术实施例中，第二对象即
为所有目标对象中除第一对象之外的对象。针对每个第二对象，可以从所有目标对象之间的关联关系中，确定该第二对象直接关联和/或间接关联的其他目标对象，并提取该第二对象与其他目标对象的关联关系，需要说明的是，该第二对象与其他目标对象的关联关系可以包含该第二对象与其他目标对象之间的关联信息(例如资金流动、人员流动等)，也可以包含其他目标对象的风险指标。最后将该第二对象与其他目标对象之间的关联关系，以及该第二对象对应的风险指标输入风险评级模型，即可得到风险评级模型输出的该第二对象对应的第二风险等级。
94.此外，由于在上述步骤中，第一对象的第一风险等级的确定可能没有考虑到目标对象间关联关系的影响，因此，在确定出风险评级模型后，还可以参考上述确定第二对象对应的第二风险等级的方法，通过风险评级模型确定所有目标对象对应的目标风险等级。
95.综上，为本技术实施例提供的一种风险评级方法，在本技术实施例中，包括：获取目标对象的对象数据对应的风险指标，以及目标对象之间的关联关系；将对象数据的种类量大于或等于预设量的目标对象，确定为第一对象，并根据第一对象对应的第一风险指标，确定第一对象的第一风险等级；通过第一对象的风险指标、目标对象之间的关联关系和第一风险等级对预设神经网络模型进行训练，得到风险评级模型；将目标对象中的第二对象对应的风险指标，以及第二对象与其他目标对象之间的关联关系输入目标风险评级模型，得到第二对象的第二风险等级。本技术利用目标对象的关联关系和目标对象中风险指标较为丰富的第一对象(对象数据的种类量大于或等于预设量的目标对象)训练风险评级模型，并根据风险评级模型对目标对象中风险指标丰富度较差的第二对象进行风险等级评估，不仅考虑了维度更加全面的风险特征，提升了风险评级的准确性，还降低了对部分信息量不足的对象进行风险评级的难度。
96.图2是本技术实施例提供的另一种风险评级方法的步骤流程图，如图2所示，该方法包括：
97.步骤201，获取目标对象的对象数据对应的风险指标。
98.子步骤2011，对所述目标对象的初始数据进行数据清洗，得到所述目标对象对应的至少一种对象数据类型的对象数据。
99.为了获取目标对象的对象数据，首先需要对目标对象的初始数据进行收集，可以通过网络检索、调研等形式，收集与目标对象相关的初始数据，并对目标对象的初始数据进行数据清洗，从目标对象的初始数据中获取至少一种对象数据类型的对象数据。
100.在本技术实施例中，还可以进一步将初始数据分类为结构化数据(例如目标对象的工商登记信息、税收违法信息等具有统一格式的数据)和非结构化数据(例如对象的网络舆情数据等文本类数据)，对于结构化数据，数据清洗时可以对其进行格式统一、数据缺失处理、一致性校验等质量修复工作，对于非结构化数据，可以进行语义分析、关键词提取等信息提取工作。
101.子步骤2022，根据对象数据类型对应的风险指标计算规则，确定所述目标对象的对象数据对应的风险指标。
102.在本技术实施例中，每一种类型的对象数据可以对应于一个风险指标计算规则，这些风险指标计算规则可以是相同的，也可以是不同的，也就是说，对于不同类型的对象数据，可以采用不同的风险指标计算规则计算其对应的风险指标，也可以采用相同的风险指
标计算规则计算其对应的风险指标。其中，风险指标计算规则可以是公式、算法、模型等，本技术实施例对此并不进行具体限定。
103.举例来说，对于状态类型的对象数据(例如对象数据只包含“是”和“否”两个状态、“0”和“1”两个状态等)，可以将其中一个状态对应的风险指标确定为0，将另一个状态对应的风险指标确定为10；对于数值可以连续变化的对象数据而言，可以根据该对象数据在所有目标对象的对象数据中的排名情况确定该对象数据对应的风险指标，风险指标的大小可以以每10个百分数作为一个区间，风险指标数值依次增加，若一个对象的对象数据的排名在0％到10％的区间，则该对象数据对应的风险指标可以为1，若一个对象的对象数据的排名在90％到100％的区间，该对象数据对应的风险指标可以为10。
104.在本技术实施例中，可以通过风险指标计算规则，确定目标对象的对象数据计算对应的风险指标，并且，不同类型的对象数据可以对应于不同的风险指标计算规则，有助于提升确定风险指标的准确性。
105.步骤202，获取所述目标对象之间的关联关系。
106.在本技术实施例中，关联关系可以包括所有目标对象之间的投资关系、交易关系或股权关系，关联关系也可以是其他能够体现目标对象之间联系的关系。
107.以关联关系为股权关系为例，可以首先获取所有目标对象的股权穿透数据，并对所有目标对象的股权穿透数据进行分析，从中确定出各个目标对象之间的股权关系。其中，股权穿透是指：基于大数据计算，精确分析当前企业背后的股权结构,通过自然人、法人层级的企业全部股东或合伙人(股东和合伙人分别代表公司制企业的出资人和合伙制企业的出资人)与其他企业的股权关系，来完整反映当前企业与其他企业之间的股权关系。
108.步骤203，将对象数据的种类量大于或等于预设量的目标对象，确定为第一对象，并根据所述第一对象对应的第一风险指标，确定所述第一对象的第一风险等级。
109.子步骤2031，将对象数据的种类量在对象数据种类总量中的占比大于或等于预设比例的目标对象，确定为第一对象。
110.如果对象数据总共包括10种类型，即对象数据种类总量为10，一个目标对象的所有对象数量中有4种对象数据类型存储了空值，则该目标对象实际只具备6种对象数据类型，在预设比例为50％的情况下，由于该目标对象的对象数据种类量在对象数据种类总量中的占比达到60％，超过了预设比例，则可以确定该目标对象为第一对象。
111.子步骤2032，对所述第一对象对应的风险指标进行求和，得到所述第一对象对应的第一风险等级。
112.在本技术实施例中，由于第一对象对应的对象数据种类较为丰富，导致其对应的风险指标也较为丰富，因此，对于第一对象，可以直接对其风险指标进行求和，从而确定出可以较为准确反映其风险水平的第一风险等级。
113.具体地，可以对第一对象的所有风险指标进行求和，得到求和结果，并根据该求和结果确定对应的风险等级。
114.举例来说，全部风险指标的总量为10，每个风险指标的取值区间为[0,10]，一个第一对象包含5个风险指标，具体数值分别为3、5、5、7、8，则对这些风险指标求和后得到求和结果28，根据全部风险指标最大取值的总和(100)对上述第一对象的风险指标的求和结果进行归一化后得到0.28，再根据风险等级区间：一级区间[0，0.2)，二级区间[0.2，0.4)，三
级区间[0.4，0.6)，四级区间[0.6，0.8)，五级区间[0.8，1.0]，可以确定出该第一对象的风险等级为二级。其中，风险等级越高，代表风险越严重，还可以进一步对风险等级进行归类，例如可以将一级和二级的风险等级划分为轻度风险，将三级和四级的风险等级划分为中度风险，将五级的风险等级划分为严重风险。需要说明的是，以上风险指标的总量、风险指标的取值范围和风险等级区间的划分方式均为示例性描述，技术人员可以根据实际需要灵活调整。
[0115]
进一步的，在上述求和过程中，还可以使不同的风险指标类型对应于不同的权重，使得风险等级的确定更为精确，权重可以由技术人员根据实际情况灵活设置，本技术实施例并不进行具体限定。
[0116]
在本技术实施例中，对于有足够数据支撑的目标对象，可以采取设计风险指标打分的评级方式高效准确的确定出其对应的风险等级，提升了确定目标风险等级的效率。
[0117]
步骤204，将同一目标对象的风险指标作为一个节点，将所述关联关系作为边，构建所有目标对象对应的目标对象图网络。
[0118]
图网络(graph network，gn)是指以图的形式存储的数据，图网络也称图数据、图模型、图表示、图结构数据。图网络包括至少一个节点和至少一条边，每个节点具有对应的特征，边用于表示不同节点之间的关联关系。在本技术实施例中，可以将各个目标对象的风险指标作为节点，将各个目标对象之间的关联关系作为边，构建目标对象图网络。
[0119]
参照图3，图3示出了本技术实施例提供的一种目标对象图网络，如图3所示，该目标对象图网络包含4个节点a、b、c、d，分别对应于4个目标对象a、b、c、d，每个节点存储有对应目标对象的风险指标，例如，目标对象a有2个风险指标(包含资金风险指标3和法律风险指标4)，则对应的节点a存储有资金风险指标3和法律风险指标4，可以表示为(e3，f4)，其中e表示资金风险指标，f标表示法律风险指标，边l表示a和b之间存在投资关系，边m表示a和c之间存在投资关系，边n表示c和d之间存在投资关系，其中，边l、m和n的箭头可以表示投资方向。
[0120]
步骤205，根据所述目标对象图网络训练所述预设图神经网络模型，得到目标图神经网络模型。
[0121]
在本技术实施例中，预设图神经网络可以采用图卷积神经网络(graph convolutional network，gcn)、图注意力神经网络(graph attention networks，gan)、graphsage图神经网络(graph sample and aggregate)或geniepath图神经网络等实现。
[0122]
以graphsage图神经网络作为预设图神经网络为例，在子步骤2051至2053中具体介绍预设图神经网络的训练过程。
[0123]
可选地，步骤205还可以包括：
[0124]
子步骤2051，确定所述目标对象图网络中目标节点与直接关联节点的第一距离，以及所述目标节点与间接关联节点的第二距离。
[0125]
在本技术实施例中，可以选用graphsage图神经网络作为预设图神经网络，graphsage图神经网络可以对图网络中的节点和节点之间的关联关系进行融合，并输出图网络中各个节点对应的聚合特征，该聚合特征也可称作图嵌入特征(graph embedding)。graphsage图神经网络可以包括输入层、中间层和输出层。其中，输入层用于接收输入的节点数据和关联关系数据，中间层进行节点采样和特征变换，输出层融合节点本身的特征，以
及与其他节点的关联关系的特征，产生并输出各个节点更高纬度的各个节点的聚合特征。
[0126]
在本技术实施例中，可以采用以下损失函数公式计算graphsage图神经网络的损失值，以对graphsage图神经网络进行无监督训练：
[0127][0128]
其中，jg(zu)表示节点zu的损失值，zv表示与节点zu直接关联的节点，vn-pn表示与节点zu间接关联的节点，表示节点zu与直接关联的节点之间的第一距离，表示节点zu与间接关联的节点之间的第二距离。
[0129]
子步骤2052，根据所述第一距离和所述第二距离的差异确定所述目标节点对应的第一损失值，并根据所述第一损失值调整所述预设图神经网络模型的参数。
[0130]
针对图网络中的一个节点，可以采用上述损失函数确定出该节点对应的第一距离和第二距离，再通过第一距离和第二距离之间的差值，可以得到对应图网络中对应的节点的第一损失值，需要说明的是，在本技术实施例中，并不限于根据第一对象对应的节点确定第一损失值，第一损失值可以根据图网络中任意节点确定，这样，训练预设图神经网络的数据量较大，可以取得较好的训练效果。
[0131]
在得到一个节点对应的第一损失值后，可以根据该第一损失值对预设神经网络模型的参数进行调整，调整后，再重新选取另外一个节点并计算对应的第一损失值，如此循环以对预设图神经网络模型进行反复训练。
[0132]
子步骤2053，在所述第一损失值小于第一预设数值，或，调整所述预设图神经网络模型的参数的次数达到第一预设次数的情况下，得到目标图神经网络模型。
[0133]
步骤206，将所述目标对象图网络中，与所述第一对象相关的节点和边输入所述目标图神经网络模型，得到所述第一对象对应的第一聚合特征。
[0134]
在得到目标图神经网络模型后，可以通过目标图神经网络确定第一对象的第一聚合特征。具体地，可以先从目标对象图网络中，获取与一个第一对象相关的节点和边，该相关的节点和边包括：该第一对象对应的第一节点、与该第一对象对应的节点直接或间接连接的关联节点、以及连接上述第一节点和关联节点的边。目标图神经网络模型可以对输入的节点和边进行特征聚合，并输出第一对象对应的第一聚合特征。
[0135]
步骤207，根据所述第一聚合特征和所述第一风险等级训练所述预设等级确定模型，得到目标等级确定模型。
[0136]
在本技术实施例中，预设神经网络模型还可以包括预设等级确定模型，预设等级确定模型可以根据前置的图神经网络模型输出的聚合特征，确定对应的风险等级。其中，预设等级确定模型可以包括输入层、隐藏层和输出层，输入层用于接收前置的图神经网络模型输出的聚合特征，隐藏层用于对特征进行非线性计算，输出层用于输出风险等级结果。
[0137]
在得到第一对象对应的第一聚合特征后，可以进一步根据第一对象的第一聚合特征和第一对象的第一风险等级训练预设等级确定模型，具体的训练步骤可以参见以下子步骤2071至2073。
[0138]
可选地，步骤207还可以包括：
[0139]
子步骤2071，将所述第一聚合特征输入所述预设等级确定模型，得到所述第一对
象的预测风险等级。
[0140]
子步骤2072，根据所述第一对象的预测风险等级和所述第一对象的第一风险等级，确定第二损失值，并根据所述第二损失值调整所述预设等级确定模型的参数。
[0141]
由于在上述步骤中已经获取了第一对象的第一风险等级，因此，在通过预设等级确定模型获取到第一对象对应的预测风险等级后，可以根据损失函数计算第一风险等级和预测风险等级之间的第二损失值，进而通过第二损失值对预设等级确定模型的参数进行调整，以对预设等级确定模型进行训练。上述损失函数可以为分类损失函数，例如softmaxloss等。
[0142]
在得到一个第一对象对应的第二损失值后，可以根据该第二损失值对预设等级确定模型的参数进行调整，调整后，再重新选取另外一个第一对象并计算对应的第二损失值，如此循环以对预设等级确定模型进行反复训练。
[0143]
子步骤2073，在所述第二损失值小于第二预设数值，或，调整所述预设等级确定模型的参数的次数达到第二预设次数的情况下，得到目标等级确定模型。
[0144]
在本技术实施例中，目标等级确定模型可以根据输入的聚合特征，输出聚合特征所表现出的对象风险等级。
[0145]
步骤208，将所述目标对象中除所述第一对象之外的第二对象对应的风险指标，以及所述第二对象与其他目标对象之间的关联关系输入所述目标风险评级模型，得到所述第二对象的第二风险等级。
[0146]
子步骤2081，将所述目标对象图网络中，与所述第二对象相关的节点和边输入所述目标图神经网络模型，得到所述第二对象对应的第二聚合特征。
[0147]
在得到目标图神经网络模型后，可以通过目标图神经网络确定第二对象的第二聚合特征。具体地，可以先从目标对象图网络中，获取与一个第二对象相关的节点和边，该相关的节点和边包括：该第二对象对应的第二节点、与该第二对象对应的节点直接或间接连接的关联节点、以及连接上述第二节点和关联节点的边。目标图神经网络模型可以对输入的节点和边进行特征聚合，并输出第二对象对应的第二聚合特征。
[0148]
在本技术实施例中，目标图神经网络模型可以将目标对象图网络中，与第二对象相关的节点和边进行聚合得到第二聚合特征，第二聚合特征不仅包含了第二对象本身的特征，还包含了与第二对象相关联的其他对象，以及与其他对象的关联关系的特征，此外，由于目标图神经网络模型基于包含第二对象的目标对象图网络训练得到，使得目标图神经网络模型与第二对象的匹配度更高，进一步提升了得到的第二聚合特征的准确性。
[0149]
子步骤2082，将所述第二聚合特征输入所述目标等级确定模型，得到所述第二对象对应的第二风险等级。
[0150]
在本技术实施例中，目标等级确定模型可以根据输入的第二聚合特征，输出第二对象所表现出的第二对象风险等级。由于第二聚合特征包含了更高维度的信息，因此，在第二对象自身信息量不足的情况下，也可以根据第二对象的第二聚合特征，通过目标等级确定模型输出准确度较高的第二风险等级。
[0151]
步骤209，将所述第一聚合特征输入所述目标等级确定模型，得到所述第一对象对应的第三风险等级。
[0152]
进一步地，由于在上述过程中，第一对象的第一风险等级是基于第一对象自身的
对象数据通过常规方法确定的，并没有根据第一对象的第一聚合特征确定第一对象的第一风险等级，因此，在本技术实施例中，还可以在得到目标等级确定模型后，根据目标等级确定模型重新确定第一对象的风险等级。具体地，可以将第一对象的第一聚合特征输入目标等级确定模型，得到第一对象对应的第三风险等级。
[0153]
此外，在得到目标等级确定模型后，如果需要确定新对象(所有目标对象之外的对象)的风险等级，还可以根据新对象的对象数据确定新对象的风险指标，根据新对象的风险指标，以及新对象与目标对象的关联关系，在目标对象图网络中加入新对象对应的新节点和新边，再将目标对象图网络中，与新对象相关的节点和边输入目标图神经网络模型，得到新节点对应的第三聚合特征，最后将第三聚合特征输入目标等级确定模型，得到新对象对应的第四风险等级。
[0154]
综上，为本技术实施例提供的另一种风险评级方法，包括：获取目标对象的对象数据对应的风险指标，以及目标对象之间的关联关系；将对象数据的种类量大于或等于预设量的目标对象，确定为第一对象，并根据第一对象对应的第一风险指标，确定第一对象的第一风险等级；通过第一对象的风险指标、目标对象之间的关联关系和第一风险等级对预设神经网络模型进行训练，得到风险评级模型；将目标对象中的第二对象对应的风险指标，以及第二对象与其他目标对象之间的关联关系输入目标风险评级模型，得到第二对象的第二风险等级。本技术利用目标对象的关联关系和目标对象中风险指标较为丰富的第一对象训练风险评级模型，并根据风险评级模型对目标对象中风险指标丰富度较差的第二对象进行风险等级评估，不仅考虑了维度更加全面的风险特征，提升了风险评级的准确性，还降低了对部分信息量不足的对象进行风险评级的难度。
[0155]
与上述本技术的风险评级方法实施例所提供的方法相对应，参见图4，本技术还提供了一种风险评级装置结构图，在本实施例中，该装置包括：
[0156]
获取模块401，用于获取目标对象的对象数据对应的风险指标，以及所述目标对象之间的关联关系；
[0157]
第一风险模块402，用于将对象数据的种类量大于或等于预设量的目标对象，确定为第一对象，并根据所述第一对象对应的第一风险指标，确定所述第一对象的第一风险等级；
[0158]
训练模块403，用于通过所述第一对象的风险指标、所述目标对象之间的关联关系和所述第一风险等级对预设神经网络模型进行训练，得到风险评级模型；
[0159]
第二风险模块404，用于将所述目标对象中的第二对象对应的风险指标，以及所述第二对象与其他目标对象之间的关联关系输入所述目标风险评级模型，得到所述第二对象的第二风险等级。
[0160]
在一种可选实施方式中，所述风险评级模型包括预设图神经网络模型和预设等级确定模型，所述训练模块，包括：
[0161]
图网络模块，用于将同一目标对象的风险指标作为一个节点，将所述关联关系作为边，构建所有目标对象对应的目标对象图网络；
[0162]
第一训练子模块，用于根据所述目标对象图网络训练所述预设图神经网络模型，得到目标图神经网络模型；
[0163]
第一特征子模块，用于将所述目标对象图网络中，与所述第一对象相关的节点和
边输入所述目标图神经网络模型，得到所述第一对象对应的第一聚合特征；
[0164]
第二训练子模块，用于根据所述第一聚合特征和所述第一风险等级训练所述预设等级确定模型，得到目标等级确定模型。
[0165]
在一种可选实施方式中，所述第二风险模块包括：
[0166]
第二特征子模块，用于将所述目标对象图网络中，与所述第二对象相关的节点和边输入所述目标图神经网络模型，得到所述第二对象对应的第二聚合特征；
[0167]
第二风险子模块，用于将所述第二聚合特征输入所述目标等级确定模型，得到所述第二对象对应的第二风险等级。
[0168]
在一种可选实施方式中，所述第一训练子模块包括：
[0169]
距离子模块，用于确定所述目标对象图网络中目标节点与直接关联节点的第一距离，以及所述目标节点与间接关联节点的第二距离；
[0170]
第一调参子模块，用于根据所述第一距离和所述第二距离的差异确定所述目标节点对应的第一损失值，并根据所述第一损失值调整所述预设图神经网络模型的参数；
[0171]
第一模型子模块，用于在所述第一损失值小于第一预设数值，或，调整所述预设图神经网络模型的参数的次数达到第一预设次数的情况下，得到目标图神经网络模型。
[0172]
在一种可选实施方式中，所述第二训练子模块包括：
[0173]
风险等级子模块，用于将所述第一聚合特征输入所述预设等级确定模型，得到所述第一对象的预测风险等级；
[0174]
第二调参子模块，用于根据所述第一对象的预测风险等级和所述第一对象的第一风险等级，确定第二损失值，并根据所述第二损失值调整所述预设等级确定模型的参数；
[0175]
第二模型子模块，用于在所述第二损失值小于第二预设数值，或，调整所述预设等级确定模型的参数的次数达到第二预设次数的情况下，得到目标等级确定模型。
[0176]
在一种可选实施方式中，所述装置还包括：
[0177]
第三风险模块，用于将所述第一聚合特征输入所述目标等级确定模型，得到所述第一对象对应的第三风险等级。
[0178]
在一种可选实施方式中，所述第一风险模块包括：
[0179]
对象子模块，用于将对象数据的种类量在对象数据种类总量中的占比大于或等于预设比例的目标对象，确定为第一对象；
[0180]
第一风险子模块，用于对所述第一对象对应的风险指标进行求和，得到所述第一对象对应的第一风险等级。
[0181]
在一种可选实施方式中，所述获取模块包括：
[0182]
数据子模块，用于对所述目标对象的初始数据进行数据清洗，得到所述目标对象对应的至少一种对象数据类型的对象数据；
[0183]
指标子模块，用于根据对象数据类型对应的风险指标计算规则，确定所述目标对象的对象数据对应的风险指标。
[0184]
综上，本技术实施例提供的一种风险评级装置，包括：获取模块，用于获取目标对象的对象数据对应的风险指标，以及目标对象之间的关联关系；第一风险模块，用于将对象数据的种类量大于或等于预设量的目标对象，确定为第一对象，并根据第一对象对应的第一风险指标，确定第一对象的第一风险等级；训练模块，用于通过第一对象的风险指标、关
联关系和第一风险等级对预设神经网络模型进行训练，得到风险评级模型；第二风险模块，用于将目标对象中除第一对象之外的第二对象对应的风险指标，以及第二对象与其他目标对象之间的关联关系输入目标风险评级模型，得到第二对象的第二风险等级。本技术利用目标对象的关联关系和目标对象中风险指标较为丰富的第一对象训练风险评级模型，并根据风险评级模型对目标对象中风险指标丰富度较差的第二对象进行风险等级评估，不仅考虑了维度更加全面的风险特征，提升了风险评级的准确性，还降低了对部分信息量不足的对象进行风险评级的难度。
[0185]
图5是本技术一个实施例的电子设备600的逻辑框图。例如，电子设备600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
[0186]
参照图5，电子设备600可以包括以下一个或多个组件：处理组件602，存储器604，电力组件606，多媒体组件608，音频组件610，输入/输出(i/o)的接口612，传感器组件614，以及通信组件616。
[0187]
处理组件602通常控制电子设备600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。
[0188]
存储器604用于存储各种类型的数据以支持在电子设备600的操作。这些数据的示例包括用于在电子设备600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0189]
电源组件606为电子设备600的各种组件提供电力。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为电子设备600生成、管理和分配电力相关联的组件。
[0190]
多媒体组件608包括在所述电子设备600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。若屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的分界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当电子设备600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
[0191]
音频组件610用于输出和/或输入音频信号。例如，音频组件610包括一个麦克风(mic)，当电子设备600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。
[0192]
i/o接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可
以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
[0193]
传感器组件614包括一个或多个传感器，用于为电子设备600提供各个方面的状态评估。例如，传感器组件614可以检测到电子设备600的打开/关闭状态，组件的相对定位，例如所述组件为电子设备600的显示器和小键盘，传感器组件614还可以检测电子设备600或电子设备600一个组件的位置改变，用户与电子设备600接触的存在或不存在，电子设备600方位或加速/减速和电子设备600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
[0194]
通信组件616用于便于电子设备600和其他设备之间有线或无线方式的通信。电子设备600可以接入基于通信标准的无线网络，如wifi，运营商网络(如2g、3g、4g或5g)，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件616还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
[0195]
在示例性实施例中，电子设备600可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于实现本技术实施例提供的一种风险评级方法。
[0196]
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器604，上述指令可由电子设备600的处理器620执行以完成上述方法。例如，所述非临时性存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0197]
图5是本技术一个实施例的电子设备700的逻辑框图。例如，电子设备700可以被提供为一服务器。参照图5，电子设备700包括处理组件722，其进一步包括一个或多个处理器，以及由存储器732所代表的存储器资源，用于存储可由处理组件722的执行的指令，例如应用程序。存储器732中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件722被配置为执行指令，以执行本技术实施例提供的一种风险评级方法。
[0198]
电子设备700还可以包括一个电源组件726被配置为执行电子设备700的电源管理，一个有线或无线网络接口750被配置为将电子设备700连接到网络，和一个输入输出(i/o)接口758。电子设备700可以操作基于存储在存储器732的操作系统，例如windows servertm，mac os xtm，unixtm，linuxtm，freebsdtm或类似。
[0199]
本技术实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现所述的风险评级方法。
[0200]
本领域技术人员在考虑说明书及实践这里公开的申请后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本公开未公开的本技术领域中的公知常识
或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求指出。
[0201]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。
技术特征：1.一种风险评级方法，其特征在于，所述方法包括：获取目标对象的对象数据对应的风险指标，以及所述目标对象之间的关联关系；将对象数据的种类量大于或等于预设量的目标对象，确定为第一对象，并根据所述第一对象对应的第一风险指标，确定所述第一对象的第一风险等级；通过所述第一对象的风险指标、所述目标对象之间的关联关系和所述第一风险等级对预设神经网络模型进行训练，得到风险评级模型；将所述目标对象中的第二对象对应的风险指标，以及所述第二对象与其他目标对象之间的关联关系输入所述目标风险评级模型，得到所述第二对象的第二风险等级。2.根据权利要求1所述的方法，其特征在于，所述风险评级模型包括预设图神经网络模型和预设等级确定模型，所述通过所述第一对象的风险指标、所述关联关系和所述第一风险等级对预设神经网络模型进行训练，得到风险评级模型，包括：将同一目标对象的风险指标作为一个节点，将所述关联关系作为边，构建所有目标对象对应的目标对象图网络；根据所述目标对象图网络训练所述预设图神经网络模型，得到目标图神经网络模型；将所述目标对象图网络中，与所述第一对象相关的节点和边输入所述目标图神经网络模型，得到所述第一对象对应的第一聚合特征；根据所述第一聚合特征和所述第一风险等级训练所述预设等级确定模型，得到目标等级确定模型。3.根据权利要求2所述的方法，其特征在于，所述将所述目标对象中除所述第一对象之外的第二对象对应的风险指标，以及所述第二对象与其他目标对象之间的关联关系输入所述目标风险评级模型，得到所述第二对象的第二风险等级，包括：将所述目标对象图网络中，与所述第二对象相关的节点和边输入所述目标图神经网络模型，得到所述第二对象对应的第二聚合特征；将所述第二聚合特征输入所述目标等级确定模型，得到所述第二对象对应的第二风险等级。4.根据权利要求2所述的方法，其特征在于，所述根据所述目标对象图网络训练所述预设图神经网络模型，得到目标图神经网络模型，包括：确定所述目标对象图网络中目标节点与直接关联节点的第一距离，以及所述目标节点与间接关联节点的第二距离；根据所述第一距离和所述第二距离的差异确定所述目标节点对应的第一损失值，并根据所述第一损失值调整所述预设图神经网络模型的参数；在所述第一损失值小于第一预设数值，或，调整所述预设图神经网络模型的参数的次数达到第一预设次数的情况下，得到目标图神经网络模型。5.根据权利要求2所述的方法，其特征在于，所述根据所述第一聚合特征和所述第一风险等级训练所述预设等级确定模型，得到目标等级确定模型，包括：将所述第一聚合特征输入所述预设等级确定模型，得到所述第一对象的预测风险等级；根据所述第一对象的预测风险等级和所述第一对象的第一风险等级，确定第二损失值，并根据所述第二损失值调整所述预设等级确定模型的参数；
在所述第二损失值小于第二预设数值，或，调整所述预设等级确定模型的参数的次数达到第二预设次数的情况下，得到目标等级确定模型。6.根据权利要求1所述的方法，其特征在于，所述方法还包括：将所述第一聚合特征输入所述目标等级确定模型，得到所述第一对象对应的第三风险等级。7.根据权利要求1所述的方法，其特征在于，所述将对象数据的种类量大于或等于预设量的目标对象，确定为第一对象，并根据所述第一对象对应的第一风险指标，确定所述第一对象的第一风险等级，包括：将对象数据的种类量在对象数据种类总量中的占比大于或等于预设比例的目标对象，确定为第一对象；对所述第一对象对应的风险指标进行求和，得到所述第一对象对应的第一风险等级。8.根据权利要求1-7任一项所述的方法，其特征在于，所述获取目标对象的对象数据对应的风险指标，包括：对所述目标对象的初始数据进行数据清洗，得到所述目标对象对应的至少一种对象数据类型的对象数据；根据对象数据类型对应的风险指标计算规则，确定所述目标对象的对象数据对应的风险指标。9.一种风险评级装置，其特征在于，所述装置包括：获取模块，用于获取目标对象的对象数据对应的风险指标，以及所述目标对象之间的关联关系；第一风险模块，用于将对象数据的种类量大于或等于预设量的目标对象，确定为第一对象，并根据所述第一对象对应的第一风险指标，确定所述第一对象的第一风险等级；训练模块，用于通过所述第一对象的风险指标、所述关联关系和所述第一风险等级对预设神经网络模型进行训练，得到风险评级模型；第二风险模块，用于将所述目标对象中除所述第一对象之外的第二对象对应的风险指标，以及所述第二对象与其他目标对象之间的关联关系输入所述目标风险评级模型，得到所述第二对象的第二风险等级。10.一种电子设备，其特征在于，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如权利要求1至8中任一项所述的方法。11.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至8中任一项所述的方法。
技术总结本申请提供了一种风险评级方法、装置、电子设备及计算机可读存储介质，包括：获取目标对象的对象数据对应的风险指标，以及目标对象之间的关联关系；将对象数据的种类量大于或等于预设量的目标对象，确定为第一对象，并根据第一对象对应的第一风险指标，确定第一对象的第一风险等级；通过第一对象的风险指标、目标对象之间关联关系和第一风险等级对预设神经网络模型进行训练，得到风险评级模型；将目标对象中的第二对象对应的风险指标，以及第二对象与其他目标对象之间的关联关系输入目标风险评级模型，得到第二对象的第二风险等级。得到第二对象的第二风险等级。得到第二对象的第二风险等级。
技术研发人员：陈佳瑞 周红伟
受保护的技术使用者：同盾科技有限公司
技术研发日：2022.06.10
技术公布日：2022/11/1
