[发明专利]模型构建方法、信贷风险评估方法、装置、设备及介质

说明书

本公开提供了一种用于信贷风险评估的模型构建方法，涉及人工智能技术领域，可以应用于金融领域或其他技术领域。该用于信贷风险评估的模型构建方法，包括：从用户信用数据中进行特征属性的提取，得到评估特征；其中，用户信用数据具有多个特征属性；从评估特征中筛选得到目标特征；基于评估特征的数量以及目标特征的数量，确定神经网络的结构；基于神经网络的结构，通过遗传算法确定神经网络的参数；以及基于神经网络的结构和神经网络的参数，得到用于信贷风险评估的模型。本公开还提供了一种信贷风险评估方法、装置、设备、存储介质和程序产品。

技术领域

本公开涉及人工智能、金融领域或其他技术领域，具体涉及用于信贷风险评估的模型构建方法、信贷风险评估方法、装置、设备、介质和程序产品。

背景技术

随着互联网的不断发展，对用户信贷风险的评估成为重要的研究领域。例如，银行可以通过向用户放贷，产生利息和手续费等收益。因此，如何将信贷风险降到最低的问题至关重要。

在实施本公开的过程中，发现虽然信用体系及相关系统已经初步建立起来，但是针对信贷风险评估的建模，仍存在对信贷风险评估的特征重要程度判断不足、特征权重缺少合理性及客观性约束等问题。

发明内容

鉴于上述问题，本公开提供了一种用于信贷风险评估的模型构建方法、信贷风险评估方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种用于信贷风险评估的模型构建方法，包括：

从用户信用数据中进行特征属性的提取，得到评估特征；其中，用户信用数据具有多个特征属性；

从评估特征中筛选得到目标特征；

基于评估特征的数量以及目标特征的数量，确定神经网络的结构；

基于神经网络的结构，通过遗传算法确定神经网络的参数；以及

基于神经网络的结构和神经网络的参数，得到用于信贷风险评估的模型。

根据本公开的实施例，基于神经网络的结构，通过遗传算法确定神经网络的参数包括：

对神经网络的结构进行二进制编码和实数编码，得到编码信息；

将编码信息输入遗传算法中进行演化；

在演化的过程中计算个体适应度值，其中，个体适应度值根据神经网络的预测误差确定；

在个体适应度值满足预设阈值的情况下，得到神经网络的参数。

根据本公开的实施例，将编码信息输入遗传算法中进行演化包括：

根据神经网络的结构构建神经网络模型；

将神经网络模型作为父代执行交叉操作或者变异操作，得到子代；

将父代与子代合并，得到合并群体；

将合并群体根据个体适应度值进行排序，以将合并群体划分成第一部分和第二部分；

从第一部分中筛选，得到新第一父代；

从第二部分中筛选，得到新第二父代；

将新第一父代和新第二父代组合形成新的父代。

根据本公开的实施例，从评估特征中筛选得到目标特征包括：

计算评估特征的自身权重；

计算影响评估特征的客观权重；

将自身权重和客观权重加权融合，得到评估特征的组合权重；

基于组合权重，从评估特征中筛选得到目标特征。