[發明專利]一種基于貝葉斯網絡和互信息的客戶信用評分方法

在審

• 申請號: 201510575186.8
• 申請日: 2015-09-10
• 公開（公告）號: CN105046559A
• 公開（公告）日: 2015-11-11
• 發明（設計）人: 許卓明;莊遠航;王駿華;唐彥
• 申請（專利權）人: 河海大學
• 主分類號: G06Q40/00
• 分類號: G06Q40/00
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 肖明芳

1.一種基于貝葉斯網絡和互信息的客戶信用評分方法，包括：

步驟S1，客戶數據預處理，并用離散型隨機變量來描述全部客戶數據屬性；

步驟S2，計算客戶信用表現隨機變量與其他客戶數據屬性隨機變量之間的互信息，并對互信息進行排序；

步驟S3，使用基于互信息的貝葉斯網絡創建算法來構建一個初始貝葉斯網絡；

步驟S4，從初始貝葉斯網絡中抽取客戶信用表現屬性結點的馬爾科夫毯，并對其結構進行必要調整，得到最終貝葉斯網絡作為客戶信用評分模型的網絡結構；

步驟S5，使用最大似然估計對客戶信用評分模型的網絡結構進行參數學習，得到客戶信用評分模型的參數；

步驟S6，使用所得的客戶信用評分模型來預測客戶的未來信用表現。

2.如權利要求1所述的方法，其特征在于，所述步驟S1進一步包括：

步驟S1-1，客戶數據清洗；

步驟S1-2，客戶數據中連續值的離散化；

步驟S1-3，用離散型隨機變量來描述全部客戶數據屬性。

3.如權利要求1所述的方法，其特征在于，所述步驟S2進一步包括：

步驟S2-1，計算客戶信用表現隨機變量與其他客戶數據屬性隨機變量之間的互信息；

步驟S2-2，對客戶信用表現隨機變量與其他客戶數據屬性隨機變量之間的互信息進行排序，形成互信息排序表。

4.如權利要求1所述的方法，其特征在于，所述步驟S3中基于互信息的貝葉斯網絡創建算法由如下步驟S3-1至步驟S3-5所組成：

步驟S3-1，輸入預處理過的客戶數據集D、閾值s、客戶信用表現隨機變量與其他客戶數據屬性隨機變量之間的互信息排序表MISortList；

步驟S3-2，基于客戶數據集D使用爬山算法來構建一個貝葉斯網絡BN_1a，并計算其貝葉斯信息準則值BIC(BN_1a)；

步驟S3-3，從MISortList中取出最小互信息MI_min，將其從MISortList中刪除，并從D中刪除MI_min所對應的非信用表現屬性隨機變量及其數據；

步驟S3-4，基于D中剩余的客戶數據使用爬山算法來構建一個貝葉斯網絡BN_1b，并計算其貝葉斯信息準則值BIC(BN_1b)；

步驟S3-5，若比值BIC(BN_1b)/BIC(BN_1a)小于閾值s，則令BN_1a＝BN_1b，并返回步驟S3-3進行重復處理；否則，將當前貝葉斯網絡BN_1a作為初始貝葉斯網絡輸出。

5.如權利要求1所述的方法，其特征在于，所述步驟S4進一步包括：

步驟S4-1，從初始貝葉斯網絡中抽取客戶信用表現屬性結點的馬爾科夫毯作為中間貝葉斯網絡；

步驟S4-2，對中間貝葉斯網絡使用基于互信息的貝葉斯網絡結構調整算法進行必要調整，得到最終貝葉斯網絡作為客戶信用評分模型的網絡結構。

6.如權利要求5所述的方法，其特征在于，所述步驟S4-2中基于互信息的貝葉斯網絡結構調整算法由如下步驟S4-2-1至步驟S4-2-4所組成：

步驟S4-2-1，輸入中間貝葉斯網絡BN₂、客戶信用表現隨機變量與其他客戶數據屬性隨機變量之間的互信息排序表MISortList、擬增加的客戶信用表現屬性結點的父結點數量n；

步驟S4-2-2，從MISortList中取出最大互信息MI_max，并將其從MISortList中刪除；

步驟S4-2-3，判斷MI_max所對應的非信用表現屬性結點是否已在BN₂中：若是，則返回步驟S4-2-2進行重復處理；否則，在BN₂中創建MI_max所對應的非信用表現屬性結點，并添加從該結點到客戶信用表現屬性結點的有向邊，且n值減1；

步驟S4-2-4，判斷n值是否大于0：若是，則返回步驟S4-2-2進行重復處理；否則，即n值等于0，將當前貝葉斯網絡BN₂作為最終貝葉斯網絡輸出，該貝葉斯網絡就是客戶信用評分模型的網絡結構。