[发明专利]一种基于神经网络的个人征信评分方法

权利要求书

1.一种基于神经网络的个人征信评分方法，其特征在于，包括以下步骤：

步骤1：收集客户的人行征信报告数据以及在表现期内的信贷还款表现数据，根据表现期内的信贷还款表现数据定义客户的好标签和坏标签；并对人行征信报告数据进行预处理，将预处理后的人行征信报告数据以及定义的好标签和坏标签生成表格类型的文件，并储存到储存器中新建的存储空间中；

步骤2：按照相应的层结构构建神经网络模型，将神经网络模型储存到储存器中新建的存储空间中；

步骤3：调用储存器中存储的神经网络模型和步骤1中经过预处理的人行征信报告数据，将经过预处理的人行征信报告数据作为样本输入到神经网络模型中进行训练，再通过神经网络模型计算，输出样本的欺诈标签，并计算交叉熵损失函数；使用梯度下降的方法优化神经网络模型，最小化交叉熵损失函数；通过反复迭代，最终得到训练好的神经网络模型；

步骤4：将需要评价征信评分的用户的人行征信报告数据，输入到训练好的神经网络模型中进行训练，得到个人征信评分。

2.根据权利要求1所述的一种基于神经网络的个人征信评分方法，其特征在于，所述步骤1中的定义好标签和坏标签具体为：

定义表现期内的信贷还款逾期的为坏标签；定义表现期内信贷还款表现未逾期的为好标签。

3.根据权利要求1所述的一种基于神经网络的个人征信评分方法，其特征在于，步骤1中对数据预处理包括对人行征信报告数据中的客户的历史还款记录信息按照时间顺序进行排序；对人行征信报告中数据进行编码、分箱、截断、标准化以及归一化处理。

4.根据权利要求1所述的一种基于神经网络的个人征信评分方法，其特征在于，步骤2中所述的神经网络模型的层结构包括如下模块：

特征编码模块：由全连接网络层构成，用于处理步骤1中获取的数据的原始特征，将步骤1中的原始特征映射为制定维度的特征；

数值特征模块：由全连接网络层构成，用于对人行征信报告中的数值类特征进行处理；

文本特征模块：由Transformer、RNN网络层构成，用于对征信报告中的文本类特征进行处理；

时序特征模块：由TCN、Transformer、GRU网络层构成，用于对征信报告中的时间序列类特征进行处理；

特征输出模块：用于获取特征编码模块、数值特征模块、文本特征模块以及时序特征模块中提取到的特征，并进行综合，最后输出客户征信评分。

5.根据权利要求1所述的一种基于神经网络的个人征信评分方法，其特征在于，所述步骤3具体包括以下步骤：

步骤3.1：随机采样初始化神经网络模型的参数，随机采样的分布服从[-1，1]之间均匀分布；

步骤3.2：使用初始化后的神经网络模型进行输出；再基于步骤1中定义的好标签和坏标签计算交叉熵损失：

Loss₁＝Crossentropy(y，output₁)；

其中，Loss₁表示交叉熵损失函数值；y表示好标签或坏标签，取值为0的为好标签，取值为1的为坏标签；output₁表示神经网络模型的输出；

步骤3.3：使用梯度下降方法，优化模型的参数，优化的目标为最小损失函数；

步骤3.4：重复步骤3.3，并迭代多次，直至交叉熵损失的值不再变小。