[發明專利]一種利用深度網絡學習模糊信息特征技術的信用評級預測分類方法

在審

• 申請號: 201910938082.7
• 申請日: 2019-09-30
• 公開（公告）號: CN110705638A
• 公開（公告）日: 2020-01-17
• 發明（設計）人: 尹留志;吳杰;盧鵬;鎮磊;孫英家;李毅;張健
• 申請（專利權）人: 安徽兆尹信息科技股份有限公司;安徽兆尹安聯科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q40/02
• 代理公司: 34131 合肥國和專利代理事務所(普通合伙)
• 代理人: 張祥騫

1.一種利用深度網絡學習模糊信息特征技術的信用評級預測分類方法，其特征在于，包括以下步驟：

11)基礎數據的獲取：獲取用于信用評級的模糊信息數據和精準信息數據，其中，模糊信息數據為企業信用評級的公開數據，精準信息數據為企業信用評級的非公開數據；

12)基礎數據的預處理：對模糊信息數據和精準信息數據分別進行處理，分別提取出模糊信息數據、精準信息數據的定量信息、定性信息，并對定量信息進行標準化處理、定性信息進行數字化處理；

13)構建信用評級預測網絡：構建包括學習網絡和預測評級網絡在內的信用評級預測網絡，其中預測評級網絡分為競爭分支網絡與評級分類分支網絡；

14)信用評級預測網絡的訓練：利用模糊信息數據和精準信息數據對信用評級預測網絡進行訓練；

15)獲取待預測對象的的信用評級數據信息：獲取待預測對象的待預測模糊信息數據，提取出待預測模糊信息數據內的定量信息、定性信息；

16)預測對象的信用評級預測分類：將待預測模糊信息數據內的定量信息標準化、定性信息數字化后輸入訓練后的信用評級預測網絡，通過待預測模糊信息數據預測出類似精準信息數據的特征，并得到該預測對象的信用評級等級。

2.根據權利要求1所述的一種利用深度網絡學習模糊信息特征技術的信用評級預測分類方法，其特征在于，所述的構建信用評級預測網絡包括以下步驟：

21)構建學習網絡，設定學習網絡為深度殘差特征學習模型；

設定學習網絡的基礎部分為5個卷積模塊、殘差部分為3個殘差模塊，每一個殘差模塊包括2個1*3卷積和2個BN批量歸一化操作以及2個relu非線性操作，殘差塊的輸出是上述6個操作的輸出加上輸入，學習網絡的輸出是基礎部分的輸出加上殘差部分的輸出；

22)設定預測評級網絡由競爭分支網絡與評級分類分支網絡構成，競爭分支網絡和評級分類分支網絡均由3個全連接層組成；

競爭分支網絡在最后一個全連接層后加上sigmoid函數，將輸出歸一化到(0,1)，越接近1表示為競爭分支輸入的是精準信息特征，越接近0表示競爭分支輸入的是模糊信息生成的偽精準信息；

評級分類分支網絡在最后一個全連接層接softmax層，輸出為信用等級的分類數目，其中，網絡結構的卷積模塊和殘差模塊的個數以及殘差模塊里卷積、歸一化和非線性的操作個數以及參數均設定通過訓練進行調節。

3.根據權利要求1所述的一種利用深度網絡學習模糊信息特征技術的信用評級預測分類方法，其特征在于，所述的信用評級預測網絡的訓練包括以下步驟：

31)利用精準信息數據訓練預測評級網絡的評級分類分支網絡以及學習網絡的基礎部分，其表達式如下：

L_{dis_p}＝L_cls(p,g)＝-log p_g，

其中，L_{dis_p}表示評級分支的分類損失，F_l表示精準信息數據通過學習網絡的特征，g表示輸入的精準信息數據對應的企業信用等級標簽，p＝(p₀,p₁,...,p_k),p_g表示評級分支輸出里對應g的等級分類概率，即使得正確等級標簽所對應的概率p_g最大，此時分類損失達到最小；

32)根據已訓練的評級分類分支網絡再用模糊信息數據訓練學習網絡參數，其表達式如下：

其中，L_dis是訓練學習網絡的損失函數，主要由競爭損失L_{dis_a}和評級損失L_{dis_p}構成，模糊信息數據通過學習網絡學習到的特征越類似精準信息的特征，使競爭網絡分支輸出越大競爭損失L_{dis_a}越小，同時信息通過學習網絡學習到的特征越類似精準信息的特征，使預測評級網絡分支輸出對應正確信用等級標簽概率p_g越大，評級損失L_{dis_p}越小，

L_dis＝w₁*L_{dis_a}+w₂*L_{dis_p}，

L_{dis_p}＝L_cls(p,g)＝-log p_g；

33)使用模糊信息數據和精準信息數據同時訓練競爭分支網絡，其表達式如下：

其中，L_a是訓練競爭網絡分支的損失函數，當輸入是精準信息數據時，競爭網絡輸出越大使得損失越小，當輸入是模糊信息數據時，競爭網絡輸出越小使得損失越小。