[發(fā)明專(zhuān)利]一種農(nóng)戶(hù)信用評(píng)估方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201710161425.4
• 申請(qǐng)日: 2017-03-17
• 公開(kāi)（公告）號(hào): CN106934553A
• 公開(kāi)（公告）日: 2017-07-07
• 發(fā)明（設(shè)計(jì)）人: 徐兵;王楷;李永強(qiáng)
• 申請(qǐng)（專(zhuān)利權(quán)）人: 重慶市個(gè)人信用管理有限責(zé)任公司
• 主分類(lèi)號(hào): G06Q10/06
• 分類(lèi)號(hào): G06Q10/06;G06N3/08
• 代理公司: 上海思微知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙)31237
• 代理人: 王仙子

技術(shù)領(lǐng)域

本發(fā)明涉及電子商務(wù)技術(shù)領(lǐng)域，尤其涉及一種農(nóng)戶(hù)信用評(píng)估方法及裝置。

背景技術(shù)

近年來(lái)，隨著電子商務(wù)技術(shù)的飛速發(fā)展，各類(lèi)數(shù)據(jù)業(yè)務(wù)如雨后春筍，而對(duì)農(nóng)戶(hù)的信用評(píng)估現(xiàn)已成為焦點(diǎn)問(wèn)題。

現(xiàn)有農(nóng)戶(hù)信用評(píng)估技術(shù)中，通過(guò)人工采集數(shù)據(jù)和人工數(shù)據(jù)特征選擇，且大部分評(píng)估技術(shù)直接采用機(jī)器學(xué)習(xí)算法中的淺層學(xué)習(xí)算法構(gòu)建模型，由于人為的主觀因素和算法的局限性，影響了農(nóng)戶(hù)的信用評(píng)估的速度和準(zhǔn)確性，因此，亟需一種農(nóng)戶(hù)信用評(píng)估方法及裝置能快速、準(zhǔn)確、高效地對(duì)農(nóng)戶(hù)的信用進(jìn)行評(píng)估。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種農(nóng)戶(hù)信用評(píng)估方法及裝置，避免了部分人工操作流程，采用深度特征學(xué)習(xí)模型，能夠快速、準(zhǔn)確、高效地對(duì)農(nóng)戶(hù)的信用進(jìn)行評(píng)估。

為了達(dá)到上述目的，本發(fā)明一方面提供了一種農(nóng)戶(hù)信用評(píng)估方法，用于評(píng)估農(nóng)戶(hù)的信用分?jǐn)?shù)，所述方法包括：

建立深度特征學(xué)習(xí)模型，對(duì)多個(gè)農(nóng)戶(hù)的數(shù)據(jù)信息進(jìn)行深度特征學(xué)習(xí)，確定所述深度特征學(xué)習(xí)模型的參數(shù)；以及

將待評(píng)估農(nóng)戶(hù)的數(shù)據(jù)信息輸入至所述深度特征學(xué)習(xí)模型，所述深度特征學(xué)習(xí)模型的輸出經(jīng)過(guò)一信用評(píng)估模型得到所述待評(píng)估農(nóng)戶(hù)的信用分?jǐn)?shù)；

其中，所述深度特征學(xué)習(xí)模型包括深度信念網(wǎng)絡(luò)，所述深度信念網(wǎng)絡(luò)包括多層限制玻爾茲曼機(jī)。

優(yōu)選地，在上述農(nóng)戶(hù)信用評(píng)估方法中，所述建立深度特征學(xué)習(xí)模型，對(duì)多個(gè)農(nóng)戶(hù)的數(shù)據(jù)信息進(jìn)行深度特征學(xué)習(xí)，確定所述深度特征學(xué)習(xí)模型的參數(shù)的步驟包括：

獲取多個(gè)農(nóng)戶(hù)的數(shù)據(jù)信息形成第一數(shù)據(jù)信息樣本集；每個(gè)農(nóng)戶(hù)的數(shù)據(jù)信息包括農(nóng)戶(hù)主體信息、生產(chǎn)資料信息以及經(jīng)營(yíng)管理信息；

將所述第一數(shù)據(jù)信息樣本集進(jìn)行第一次數(shù)據(jù)處理以形成第二數(shù)據(jù)信息樣本集，所述第一次數(shù)據(jù)處理包括：去噪聲處理及歸一化處理；

將所述第二數(shù)據(jù)信息樣本集輸入所述深度信念網(wǎng)絡(luò)，確定所述深度信念網(wǎng)絡(luò)的參數(shù)，所述參數(shù)包括：每層限制玻爾茲曼機(jī)的初始權(quán)重、初始偏置、學(xué)習(xí)率、對(duì)比散度算法參數(shù)以及訓(xùn)練周期。

優(yōu)選地，在上述農(nóng)戶(hù)信用評(píng)估方法中，所述將待評(píng)估農(nóng)戶(hù)的數(shù)據(jù)信息輸入所述深度特征學(xué)習(xí)模型，所述深度特征學(xué)習(xí)模型的輸出經(jīng)過(guò)一信用評(píng)估模型得到所述待評(píng)估農(nóng)戶(hù)的信用分?jǐn)?shù)的步驟包括：

獲取所述待評(píng)估農(nóng)戶(hù)的數(shù)據(jù)信息以形成第三數(shù)據(jù)信息樣本集，所述待評(píng)估農(nóng)戶(hù)的數(shù)據(jù)信息包括農(nóng)戶(hù)主體信息、生產(chǎn)資料信息以及經(jīng)營(yíng)管理信息；

對(duì)所述第三數(shù)據(jù)信息樣本集進(jìn)行去噪聲處理及歸一化處理后，輸入所述深度信念網(wǎng)絡(luò)；

將所述深度信念網(wǎng)絡(luò)的輸出作為所述信用評(píng)估模型的輸入，得到所述待評(píng)估農(nóng)戶(hù)的信用分?jǐn)?shù)。

優(yōu)選地，在上述農(nóng)戶(hù)信用評(píng)估方法中，所述將所述深度信念網(wǎng)絡(luò)的輸出作為所述信用評(píng)估模型的輸入，得到所述待評(píng)估農(nóng)戶(hù)的信用分?jǐn)?shù)的步驟包括：

所述深度信念網(wǎng)絡(luò)的輸出作為所述信用評(píng)估模型中的BP神經(jīng)網(wǎng)絡(luò)的輸入，得到所述BP神經(jīng)網(wǎng)絡(luò)的輸出矩陣a¹；

將所述BP神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣W¹與a¹的轉(zhuǎn)置矩陣進(jìn)行矩陣乘法運(yùn)算，得到一向量a²，表示為：

以及

a²經(jīng)過(guò)一激活函數(shù)得到所述待評(píng)估農(nóng)戶(hù)的信用分?jǐn)?shù)，所述激活函數(shù)包括sigmoid函數(shù)。

優(yōu)選地，在上述農(nóng)戶(hù)信用評(píng)估方法中，所述深度信念網(wǎng)絡(luò)包括三層限制玻爾茲曼機(jī)。

為了達(dá)到上述目的，本發(fā)明另一方面提供了一種農(nóng)戶(hù)信用評(píng)估裝置，用于評(píng)估農(nóng)戶(hù)的信用分?jǐn)?shù)，其特征在于，包括：數(shù)據(jù)采集裝置、數(shù)據(jù)處理裝置以及客戶(hù)端，所述數(shù)據(jù)采集裝置用于對(duì)多個(gè)所述農(nóng)戶(hù)的數(shù)據(jù)信息進(jìn)行采集并存儲(chǔ)至第三數(shù)據(jù)信息樣本集；所述數(shù)據(jù)處理裝置用于對(duì)所述第三數(shù)據(jù)信息樣本集進(jìn)行數(shù)據(jù)處理，并評(píng)估出每個(gè)農(nóng)戶(hù)相應(yīng)的信用分?jǐn)?shù)；所述客戶(hù)端用于實(shí)時(shí)展示所述信用分?jǐn)?shù)及所述數(shù)據(jù)采集裝置及數(shù)據(jù)處理裝置的工作進(jìn)程。

優(yōu)選地，在上述農(nóng)戶(hù)信用評(píng)估裝置中，所述數(shù)據(jù)采集裝置包括數(shù)據(jù)采集模塊及第一服務(wù)器，所述數(shù)據(jù)采集模塊用于對(duì)多個(gè)所述農(nóng)戶(hù)的數(shù)據(jù)信息進(jìn)行采集以形成第三數(shù)據(jù)信息樣本集，并儲(chǔ)存在所述第一服務(wù)器，所述第一服務(wù)器對(duì)所述第三數(shù)據(jù)信息樣本集進(jìn)行實(shí)時(shí)更新。