[发明专利]一种基于深度融合的信贷额度预测方法、装置和介质

说明书

本发明实施例公开了一种基于深度融合的信贷额度预测方法、装置和计算机可读存储介质，获取各用户的信贷数据；对信贷数据进行降维处理，得到稠密向量；通过降维处理，在不影响模型训练准确性的前提下，降低了模型训练的数据处理量。利用预先设定的多路径残差网络，对稠密向量进行训练，得到满足收敛要求的深度融合模型；利用深度融合模型，对输入的待评估数据进行处理，便可以得到信贷额度预测值。在该技术方案中，对残差网络设置多路径的处理方式，保证了特征提取的多样性，提升了深度融合模型预测的准确性，尽可能的给有借款需求的用户分配合适的额度，提高了信贷平台的资金利用率。

技术领域

本发明涉及机器学习技术领域，特别是涉及一种基于深度融合的信贷额度预测方法、装置和计算机可读存储介质。

背景技术

随着信贷平台的普及，目前出现了较多的无抵押现金贷产品，申请人只需要在申请页面填写所要求的个人信息即可申请现金贷款。

在开展信贷业务的时候，除了要评估用户的风险之外，还需要预测用户的借贷需求，只有尽可能的给有借款需求的用户分配合适的额度，才能最大限度的增加资金利用率，降低成本并增加收益。通常信贷平台根据申请人填写的个人信息，对申请人的经济能力和偿还能力进行评估，从而确定出申请人的初始额度。并且随着申请人使用年限的增长，不断提升申请人的借贷额度。现有技术中通过简答的机器学习对申请人的借贷额度进行评估，评估结果的准确性往往不高。

可见，如何提升信贷额度评估的准确性，是本领域技术人员亟待解决的问题。

发明内容

本发明实施例的目的是提供一种基于深度融合的信贷额度预测方法、装置和计算机可读存储介，可以提升信贷额度评估的准确性，从而提高信贷平台的资金利用率。

为解决上述技术问题，本发明实施例提供一种基于深度融合的信贷额度预测方法，包括：

获取各用户的信贷数据；

对所述信贷数据进行降维处理，得到稠密向量；

利用预先设定的多路径残差网络，对所述稠密向量进行训练，得到满足收敛要求的深度融合模型；

利用所述深度融合模型，对输入的待评估数据进行处理，得到信贷额度预测值。

可选的，所述对所述信贷数据进行降维处理，得到稠密向量包括：

依据预先设定的维度值，对各所述信贷数据进行划分，得到低维度信贷数据和高维度信贷数据；

按照如下公式，对各所述高维度信贷数据进行降维处理，得到输出特征；

X_j^O＝max(0,W_jX_j^I+b_j)；

其中，X_j^O表示第j个高维度信贷数据的输出特征，W_j表示m_j×n_j的矩阵，其中m_j＜n_j，X_j^I表示第j个高维度信贷数据，

将各所述低维度信贷数据和各所述输出特征作为稠密向量。

可选的，所述利用预先设定的多路径残差网络，对所述稠密向量进行训练，得到满足收敛要求的深度融合模型包括：

将各所述稠密向量划分为训练集数据和校验集数据；

对所述训练集数据按照预先设定的多路径残差网络进行训练，得到预测数据；

依据所述校验集数据以及所述预测数据，检测所述多路径残差网络是否满足预设条件；