[发明专利]一种基于深度神经网络的互金企业评级模型

说明书

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种基于深度神经网络的互金企业评级模型。

背景技术

互金企业，即互联网金融企业，不论从客户对互金企业的选择，还是互金企业同业拆就借等业务，互金企业的评级都能起到指导性作用。然而,目前市面上没有一个针对互联网金融企业评级的技术方案及评分标准，因现在万网数据质量并不高，且不是真实环境产生数据。

市面上已有的部分企业评级，也只是按照人为定死的规则走，这部分评级所使用到的评级因子在100个以内，非常粗浅，效果较差，无法动态变化、评级标准一致，无法千人千面，参照这些数据来的互金企业评级是不科学的。

CNN卷积神经网络：CNN是一种多层神经网络，基于人工神经网络，在人工神经网络前，用滤波器进行特征抽取，使用卷积核作为特征抽取器，自动训练特征抽取器，就是说卷积核以及阈值参数这些都需要由网络去学习。

前馈神经网络(feedforward neural network)：简称前馈网络，是人工神经网络的一种。在此种神经网络中，各神经元从输入层开始，接收前一级输入，并输入到下一级，直至输出层。整个网络中无反馈，可用一个有向无环图表示。

NLP是神经语言程序学(Neuro-Linguistic Programming)的英文缩写。在香港，也有意译为身心语法程式学的。N(Neuro)指的是神经系统，包括大脑和思维过程。L(Linguistic)是指语言，更准确点说，是指从感觉信号的输入到构成意思的过程。

余弦相似度模型：余弦相似度，又称为余弦相似性。通过计算两个向量的夹角余弦值来评估他们的相似度。

发明内容

本发明的目的在于：为解决目前部分的互进企业评级效果不好，没有一个完整、准确的互金企业评级模型，本发明提供一种基于深度神经网络的互金企业评级模型。

本发明的技术方案如下：

一种基于深度神经网络的互金企业评级模型，包括如下步骤：

S1：挖掘互金企业信息数据；主要会运用到爬虫技术，NLP技术等，数据来源主要是万网数据，以及我行内部资产生数据。

S2：挖掘互金企业经营数据；数据来源主要是接入我行存管的真实线上运营的数据，互企业对外发布的数据，万网数据金等。

S3：挖掘互金企业舆情信息；这部分信息主要来自于各大监管机构、各大新闻媒体的数据挖掘。

S4：挖掘互金企业存管真实数据；互金企业接入到我行存管系统后，会产生大量的真实生成数据，含用户基本信息、标的基本信息、资金流、现金流、信息流等，这部分信息需要重点深入挖掘，在模型建设中权重较大。

S5：挖掘互金企业其他渠道数据；含数据交换、数据购买等等。

S6：找出正负样本数据；根据网上公开的已有的企业评分选出TOPN互金企业作为正向样本；根据目前已倒闭、查封、负面舆情企业、经营情况倒数数据，综合抽取倒数N家互金企业负向样本。

S7：根据样本数据，结合时间序列、政策影响、经营数据、舆情数据等，通过CNN卷积神经网络抽取出S6中的TOPN互金企业和倒数N家互金企业的各企业特征群。

计算详情如下：

通过计算即可从样本数据中抽取出对应有效特征；x随样本量的变化会进行动态调整。

S8：通过FNN前驱馈神经网络，对有效特征进行分类并科学计算出所占权重。

上式中，S_j和θ_j代表有效特征向量，x＝[x₁，x₂，...，x_n]^T是输入特征向量，w_ji是x_i到y_j的连接权，输出量y_j(j＝1，2，...，m)是按照不同特征的分类结果，可计算出对应评分，权重数据即为评分数据。

S9：结合不同应用场景、政策影响、黑名单、人为鲜艳知识等作为强规则。

S10：根据强规则和模型训练，根据不同需求找出不同的互金企业评级模型；

S11：根据历史数据，对评级效果进行验证，历史数据为在外部挖掘的互经企业评级数据；

S12：根据不同的应用场景，产出对应的互金企业应用模型。

如企业经营表现资产评级、企业信用表现评级、互金企业投资价值评级等等。

S13：模型需要时刻补充数据调优，人为标注badcase法进行学习调优。