[发明专利]一种基于受限玻尔兹曼机的信用评估方法、设备及介质

说明书

本说明书实施例公开了一种基于受限玻尔兹曼机的信用评估方法、设备及介质，方法包括：获取企业的信用数据，并对信用数据进行预处理，信用数据由多个数据特征构成；将预处理后的信用数据输入至预先训练的第一模型中，根据信用数据中的特征相关性排名，确定出信用数据中至少一个相关数据特征，其中第一模型为基于受限玻尔兹曼机的特征筛选模型将相关数据特征输入至预先训练的第二模型中，确定所述业的信用评分，并根据信用评分确定企业的信用评估结果，第二模型为深度神经网络模型，实现了以数据驱动模型，以客观代替主观，从而减少训练的计算量和信用评估的工作量。

技术领域

本说明书涉及计算机技术领域，尤其涉及一种基于受限玻尔兹曼机的信用评估方法、设备及介质。

背景技术

信用评估是银行或其他金融机构对借款人或借款企业信用情况进行评估的一种活动。银行贷款的最基本条件是信用，信用好就容易取得银行贷款支持，信用差就难以取得银行贷款支持。而借款人或借款企业的信用是由多种因素构成的，包括借款人或借款企业的资产负债状况、经营管理水平、产品经济效益及市场发展趋势等。为了对借款人或借款企业的信用状况有一个统一的基本的正确的估价，以便正确掌握银行贷款，就必须对借款人或借款企业的信用状况进行评估。银行或其他金融机构根据不同的信用等级制定不同的贷款政策和贷款条件，从而有利于加强贷款管理。

随着计算机技术的不断发展，越来越多的银行、金融机构在进行信用评估时引入机器学习的方法，但是在输入外部数据时，往往会输入很多特征，其中包含较多的不相关特征和冗余特征，这些不相关特征和冗余特征会降低分类精度。因此，必须采取相应的措施来消除冗余特征，以实现对用户信用进行准确评估。

发明内容

本说明书一个或多个实施例提供了一种基于受限玻尔兹曼机的信用评估方法、设备及介质，用于解决如下技术问题：现有技术输入的数据中包含较多不相关特征和冗余特征，影响信用评估准确性，增大信用评估的工作量。

本说明书一个或多个实施例采用下述技术方案：

本说明书一个或多个实施例提供一种基于受限玻尔兹曼机的信用评估方法，所述方法包括：获取企业的信用数据，并对所述信用数据进行预处理，所述信用数据由多个数据特征构成；将预处理后的所述信用数据输入至预先训练的第一模型中，根据所述信用数据中的特征相关性排名，确定出所述信用数据中至少一个相关数据特征，其中所述第一模型为基于受限玻尔兹曼机的特征筛选模型；将所述相关数据特征输入至预先训练的第二模型中，确定所述企业的信用评分，并根据所述信用评分确定所述企业的信用评估结果，所述第二模型为深度神经网络模型。

进一步地，所述将预处理后的所述信用数据输入至预先训练的第一模型中之前，所述方法还包括：构建第一模型；获取大量的原始信用数据，构建数据库，其中所述原始信用数据包括信用数据和相关数据特征；将所述数据库中的数据分为训练集和测试集，并将所述训练集中的信用数据输入至所述第一模型中，并基于受限玻尔兹曼机算法训练所述第一模型，以确定出符合条件的第一模型。

进一步地，所述确定出符合条件的第一模型之前，所述方法还包括：将所述测试集中的原始信用数据输入至所述第一模型中，根据所述第一模型输出的相关数据特征与所述原始信用数据中的相关数据特征，对所述第一模型进行验证。

进一步地，所述根据所述第一模型输出的相关数据特征与所述原始信用数据中的相关数据特征，对所述第一模型进行验证，具体包括：将所述测试集中的原始信用数据输入至所述第一模型中，所述第一模型输出第一相关数据特征，将所述第一相关数据特征与第二数据特征进行对比，确定对比结果，其中，所述第二数据特征为所述测试集中的数据特征；若所述对比结果在预设误差范围内，则判定所述第一模型为符合要求的第一模型。

进一步地，所述第一模型包含一层可见层和一层隐藏层，所述隐藏层的节点数小于所述可见层节点数的一半；所述第二模型的神经元层数和每层单元数根据所述信用数据的数据特征确定，每层的激活函数为ReLU函数。