7-4 图机器学习在度小满征信建模中的应用

征信报告内容简介

• 个人信息：包括学历、婚姻状况、居住信息、职业信息等。
• 财务信息：包括公积金月缴纳金额、贷款明细列表、贷记卡明细列表等。
• 查询记录：包括信贷审批查询记录。

报告内的关系与建模

• 原始关系信息：通过时间窗口分析同一月份的贷款和贷记卡数据。
• 关系及建模：展示不同时间段的逾期情况，如连续逾期月份数。
• 时间序列行为：通过时间序列分析还款行为的聚合。

征信报告之间的关系

• 居住地址和工作单位的变化：用户居住和工作单位的历史变化记录。
• 关联结构：利用用户在不同机构的行为来构建关联网络。
• 公司图谱：通过图神经网络（GNN）和预训练嵌入计算公司之间的关系。

图模型的解释与分析

• 模型解释方法：
  • 基于梯度和特征的方法：SA、GuidedBP、CAM、Grad-CAM
  • 基于扰动的方法：GNNExplainer、PGExplainer、ZORRO、GraphMask、Causal Screening
  • 基于代理模型的方法：GraphLime、RelEx、PGM-explainer
  • 基于分解的方法：LRP、ExcitationBP、GNN-LRP
• 实践：采用图结构下的重要性计算方法（IG方法），分别对embedding层和连续特征计算重要性。