[发明专利]基于融合神经网络特征挖掘的个人信用评估方法与系统

说明书

本发明涉及信用评估技术，旨在提供一种基于融合神经网络特征挖掘的个人信用评估方法与系统。该方法包括：对个人用户的行为数据进行预处理和检验操作后进行矩阵化，所得数据同时作为LSTM模型和CNN模型的输入；在LSTM模型中，依次经过嵌入层、双向长短期记忆神经网络和注意力机制层的处理，输出从数据中提取的时序行为特征向量；在卷积神经网络模型中，依次经过卷积层和池化层的处理，输出从数据中提取的局部行为特征向量；将两类特征向量进行向量拼接后作为XGBoost分类器的输入并进行训练，最终得到个人信用评估结果。与现有技术相比，本发明指标覆盖全面、加工指标来源广泛、建模方式先进、模型拓展灵活、特征提炼完整有效、结果精确的特点。

技术领域

本发明涉及基于大数据的信用评估技术，特别涉及基于融合神经网络特征挖掘的个人信用评估方法与系统。

背景技术

当前，伴随着金融科技的逐渐兴起以及互联网金融的成熟稳定，个人征信业务在整个金融领域的重要程度日益凸显。然而，目前国内的征信行业尚处在初级阶段，具有征信机构数量较少、规模普遍较小的问题。传统的个人信用风险评估方法已经无法适应环境的变化，不能满足金融行业的发展需要。因此，在这样的背景下，迫切需要构建一套智能的个人信用评估体系。

随着互联网金融的迅速发展，征信业务扮演着越来越重要的角色。个人信用评估一直是金融领域的热点问题，备受关注。对个人信用进行有效评估可缓解个人与银行之间信息不对称的问题，使得银行能更全面地了解个人财务和信用情况。然而国内的征信行业尚处于初级阶段，信用评估模型发展的起步晚，还存在不少缺陷。因此建立完善的个人信用评估体系是具有强烈的现实意义的，既有利于完善平台建设，又能降低信用安全风险，促进征信业务发展。因此，信用评估模型作为根据用户的行为数据计算用户的信用评分的数据模型，对互联网金融的信用评估具有重要意义，迫切需要构建一套智能的信用评估模型，进而帮助金融机构进行高质量高效决策。

在这种情况下，基于融合神经网络特征挖掘的个人信用评估方法与系统被提出。主要的想法是基于银行的客户数据，建立一套智能的信用评估模型。摒弃传统方法中采用人工特征提取的方法进行建模的方法，融合长短期记忆神经网络(LSTM)和卷积神经网络(CNN)，通过从客户原始行为数据中提取客户信息的序列特征和局部特征，帮助挖掘更加全面的客户信息。通过实验验证本发明提出的信用评估模型具有可行性，并且达到性能更好的信用风险评估效果，极大提升了个人信用评估的准确率。

目前国内的信用体系暂无统一的数据来源和计算的方法，各个平台大多都是利用自身数据进行粗略评估。在信用评估方面，较为成熟的就是芝麻信用评估系统。芝麻信用评估系统拥有较为丰富的评估数据来源，其评估指标也非常多样，主要包括基本信息、消费偏好、支付和资金、人脉关系、黑名单信息等五大类。

目前关于个人以及企业信用分的研究成果颇多，采用的方法也很广泛。与本发明最相近似的实现方案如：中国发明专利申请“一种基于云平台的信用评分系统”(CN201711081909.4)、中国发明专利申请“一种用户信用分计算方法和系统”(CN201811508001.1)、中国发明专利申请“使用科技型企业数据生成企业信用分级实时评价的方法”(CN2002010581987.6)，等等。以上都是特定应用场景下的信用评估的方法，但是由于信用评估是关于信用好坏的二元分类问题，而不同的分类算法有不同的使用场景，因此在不同数据集上不能展现出理想的分类效果，因此以上发明中提出的分类方法并不具有普遍性，无法适用一般情况；其次，以上发明使用的都是传统的人工特征提取的方法进行建模，依靠人工进行的基础特征抽取和特征组合会产生衍生效率低、计算成本高、特征不全面等问题。

发明内容

本发明要解决的技术问题是，克服现有技术中的不足，提供一种基于融合神经网络特征挖掘的个人信用评估方法与系统。

为解决上述技术问题，本发明采用的解决方案是：