[发明专利]一种基于深度学习的在校大学生信用评估方法及装置

权利要求书

1.一种基于深度学习的在校大学生信用评估方法，其特征在于，所述方法包括：

A：获取待评估学生的信用数据，所述信用数据包括：所述学生的上课考勤数据、所述学生的考试成绩数据、所述学生的学费数据、所述学生的助学贷款数据中的一种或组合；

B：使用word2vec框架将所述信用数据样本中的文本信息转换为词向量，再使用预先训练好的LSTM模型针对所述待评估学生对应的词向量进行处理得到文本特征指标数据；

C：将待评估学生的信用数据中除文本信息以外的其他信用数据进行特征赋值并进行归一化处理，得到非文本特征指标数据；

D：利用预先训练的BP神经网络将学生文本特征指标数据和非文本特征指标数据作为连续性输入映射到连续性输出，得到所述待评估学生的目标信用评估结果。

2.根据权利要求1所述的一种基于深度学习的在校大学生信用评估方法，其特征在于，所述B步骤，包括：

B1：针对每一个待评估学生，获取待评估学生的同学和老师针对所述待评估学生的非结构化文本评价信息；

B2：去除所述评价信息中与情感倾向分析无关的部分；采用分词工具将所述评价信息行切分，得到分词，对分词使用word2vec框架进行转换得到词向量，将各个分词的词向量组合得到关于所述分词的矩阵；

B3：再使用预先训练好的LSTM模型针对所述待评估学生对应的词向量进行处理得到针对所述文本信息的文本特征指标数据。

3.根据权利要求1所述的一种基于深度学习的在校大学生信用评估方法，其特征在于，所述步骤C，包括：

对所述待评估学生的除文本信息以外的数据信息进行赋值处理，并采用最大值归一化方法对所述待评估学生的除文本信息以外的数据信息进行归一化处理，得到非文本特征指标数据。

4.根据权利要求1所述的一种基于深度学习的在校大学生信用评估方法，其特征在于，所述BP神经网络的训练过程，包括：

D1：构建BP人工神经网络：所述BP神经网络包括输入层，隐含层和输出层，采用ReLU作为输出映射函数；

D2：将第一数量个样本数据作为训练集，将第二数量个样本数据作为测试集，其中，样本数据包括：学生的文本特征指标数据、非文本特征指标数据以及所述学生的信用评估结果；

D3：根据输入输出序列(x,y)，输入层节点数，隐含层节点数，输出层节点数，初始化输入层，隐含层和输出层神经元之间的链接权值，初始化隐含层阈值，输出层阈值，给定学习速率和神经元激励函数ReLU，最大容忍误差E；设置学习速率和神经元激励函数f＝ReLU(＝max(x,0))，最大容忍误差E，其中，

f为激励；ReLU()为激活函数；max(,)为最大值求值函数；x为输入的向量；y为输出的训练结果；

D4：依据输入向量，输入层和隐含层之间以权值ω以及隐含层阈值a，利用公式，计算隐含层输出，其中，

H_j为第j个隐含层节点输出的结果；为求和函数；n为输入向量的个数；a_j为第j个隐含层节点的偏置；ω_ij为第i个输入向量针对第j个隐含层节点的权重；x_i为第i个输入向量；

D5：依据隐含层输出H，权重和设定阈值，利用公式，计算输出O，其中，

O_k为第k个输出层节点输出的结果；∑为求和函数；ω_jk为第k个输出层节点相对于第j个隐含层节点的权重；l为隐含层包含的节点数量；b为设定阈值；

D6：使用均方根误差对网络输出与真实值之间的差距进行度量；

D7：根据所述D6步骤的结果判断构建的BP人工神经网络是否收敛，若是，利用训练好的BP人工神经网络模型对待评估学生的信用数据进行处理，获取所述待评估学生的信用评估结果；若否，执行D8步骤；

D8：，利用公式，更新第i个输入向量针对第j个隐含层节点的权重以及，第k个输出层节点相对于第j个隐含层节点的权重，其中，

η为学习率；e为均方根误差；

D9：利用公式，更新节点的设定阈值，并返回执行所述D4步骤，其中，

a_j为第j个隐含层节点的偏置；b_k为输出层第k个节点的设定阈值。