[发明专利]一种基于拒绝推断的金融违约风险评估方法及系统

权利要求书

1.一种基于拒绝推断的金融违约风险评估方法，其特征在于，包括：

S1，获取接受申请用户和拒绝申请用户的数据，对数据进行预处理，分别形成接受样本和拒绝样本，统计接受样本和拒绝样本的共有特征维度；将信用还款记录作为标签，将接受样本分为违约正样本和非违约负样本，构建具有标签的接受样本，并形成训练数据集；

S2，利用S1中得到的训练数据集中的数据学习特征表示模型，利用学习后的特征表示模型生成具有标签的接受样本和拒绝样本的特征表示结果；

S3，利用S2中得到的特征表示结果训练拒绝推断模型，利用训练后的拒绝推断模型，根据S1中得到的训练数据集中的数据推断拒绝样本的标签，构建具有标签的拒绝样本，并加入到S1中得到的训练数据集中；

S4，利用S3中得到的训练数据集训练风险评估模型；

利用训练完成的风险评估模型，对新申请者的违约概率进行计算，进而得到风险评估结果。

2.根据权利要求1所述的基于拒绝推断的金融违约风险评估方法，其特征在于，所述S1中：将现有数据划分为已有信用还款记录的接受申请用户数据和无借贷还款记录的拒绝申请用户数据，预处理后分别形成接受样本和拒绝样本；将信用还款记录作为标签，有违约记录的接受样本为正样本，无违约记录的接受样本为负样本，以此构建具有标签的接受样本，并形成训练数据集。

3.根据权利要求1或2所述的基于拒绝推断的金融违约风险评估方法，其特征在于，所述预处理包括：数据清洗、特征选择、特征编码和/或不平衡处理。

4.根据权利要求1或2所述的基于拒绝推断的金融违约风险评估方法，其特征在于，所述统计接受样本和拒绝样本的共有特征维度，包括：

选择接受样本和拒绝样本的共有特征；

对共有特征进行类别特征划分和数值特征划分；

对划分后的特征分别进行相应的缺失值和异常值处理；

对处理后的特征进行特征工程操作，得到共有特征维度。

5.根据权利要求1所述的基于拒绝推断的金融违约风险评估方法，其特征在于，所述S2中：利用多层感知器作为特征表示模型，将具有标签的接受样本和拒绝样本作为模型的输入，输出为样本特征向量；输出的样本特征向量满足同标签样本间的距离足够近，不同标签样本间的距离足够远，其中，距离的度量方式是欧式距离，得到特征表示结果。

6.根据权利要求1所述的基于拒绝推断的金融违约风险评估方法，其特征在于，所述S3中，利用经过受约束的半监督聚类模型作为拒绝推断模型，将带标签的接受样本和无标签的拒绝样本作为输入，通过聚类结果推断出拒绝样本的标签。

7.根据权利要求1所述的基于拒绝推断的金融违约风险评估方法，其特征在于，所述S4中，利用逻辑回归信用评分模型作为风险评估模型，将具有标签的接受样本和利用拒绝推断模型推断出标签的拒绝样本共同作为输入，输出为新用户的违约概率。

8.一种基于拒绝推断的金融违约风险评估系统，其特征在于，包括：

样本处理模块，所述样本处理模块获取接受申请用户和拒绝申请用户的数据，对数据进行预处理，分别形成接受样本和拒绝样本，统计接受样本和拒绝样本的共有特征维度；将信用还款记录作为标签，将接受样本分为违约正样本和非违约负样本，构建具有标签的接受样本，并形成训练数据集；

特征表示模块，所述特征表示模块利用样本处理模块中得到的训练数据集中的数据学习特征表示模型，利用学习后的特征表示模型生成具有标签的接受样本和拒绝样本的特征表示结果；

拒绝推断模块，拒绝推断模块利用特征表示模块中得到的特征表示结果训练拒绝推断模型，利用训练后的拒绝推断模型，根据样本处理模块中得到的训练数据集中的数据推断拒绝样本的标签，构建具有标签的拒绝样本，并加入到样本处理模块中得到的训练数据集中，对训练数据集进行更新；

风险评估模块，所述风险评估模块利用更新后的训练数据集训练风险评估模型，利用训练完成的风险评估模型，对新申请者的违约概率进行计算，进而得到风险评估结果。