[發(fā)明專利]基于區(qū)塊鏈和機(jī)器學(xué)習(xí)的金融借貸審核方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202011347674.0
• 申請日: 2020-11-26
• 公開（公告）號: CN112465627B
• 公開（公告）日: 2021-11-26
• 發(fā)明（設(shè)計）人: 張雨;邢文超
• 申請（專利權(quán)）人: 中科柏誠科技（北京）股份有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06Q10/04;G06N3/08;G06K9/62;G06F21/60
• 代理公司: 重慶創(chuàng)新專利商標(biāo)代理有限公司 50125
• 代理人: 李智祥

1.基于區(qū)塊鏈和機(jī)器學(xué)習(xí)的金融借貸審核方法，應(yīng)用于區(qū)塊鏈網(wǎng)絡(luò)，所述區(qū)塊鏈網(wǎng)絡(luò)包括超級節(jié)點(diǎn)和普通節(jié)點(diǎn)，其特征在于，所述方法包括：

S1、當(dāng)任一節(jié)點(diǎn)在區(qū)塊鏈中發(fā)送借貸用戶風(fēng)險查詢請求時，記錄有借貸用戶個人信息的普通節(jié)點(diǎn)和超級節(jié)點(diǎn)組成第一節(jié)點(diǎn)小組，第一節(jié)點(diǎn)小組內(nèi)加密共享借貸用戶的個人信息，根據(jù)共享結(jié)果統(tǒng)計沖突信息數(shù)量，若沖突信息數(shù)量M≥數(shù)量閾值M₀，則認(rèn)定借貸用戶為高風(fēng)險用戶；

S2、若沖突信息數(shù)量M＜數(shù)量閾值M₀，第一節(jié)點(diǎn)小組各普通節(jié)點(diǎn)基于靜態(tài)風(fēng)險模型對共享結(jié)果進(jìn)行風(fēng)險預(yù)測，生成的靜態(tài)預(yù)測結(jié)果攜帶時間戳共享到區(qū)塊鏈中；

S3、記錄有借貸用戶消費(fèi)類別信息的普通節(jié)點(diǎn)和超級節(jié)點(diǎn)組成第二節(jié)點(diǎn)小組，第二節(jié)點(diǎn)小組內(nèi)加密共享借貸用戶的消費(fèi)類別信息，第二節(jié)點(diǎn)小組各普通節(jié)點(diǎn)基于動態(tài)風(fēng)險模型對共享結(jié)果進(jìn)行風(fēng)險預(yù)測，生成的動態(tài)預(yù)測結(jié)果攜帶時間戳共享到區(qū)塊鏈中；

S4、超級節(jié)點(diǎn)對靜態(tài)預(yù)測結(jié)果和動態(tài)預(yù)測結(jié)果共識記賬后，生成新的區(qū)塊；

S5、基于靜態(tài)預(yù)測結(jié)果和動態(tài)預(yù)測結(jié)果對借貸用戶進(jìn)行風(fēng)險分級，將最先生成靜態(tài)預(yù)測結(jié)果和最先生成動態(tài)預(yù)測結(jié)果的普通節(jié)點(diǎn)升級為超級節(jié)點(diǎn)，根據(jù)超級節(jié)點(diǎn)排序列表按排序順序?qū)⑾嗤瑪?shù)量超級節(jié)點(diǎn)降級為普通節(jié)點(diǎn)；

所述靜態(tài)風(fēng)險模型構(gòu)建方法，具體包括：

獲取白名單用戶的個人信息添加安全標(biāo)簽，獲取黑名單用戶的個人信息添加風(fēng)險標(biāo)簽，構(gòu)建獲得訓(xùn)練集數(shù)據(jù)和驗證集數(shù)據(jù)；

訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)的作為強(qiáng)化學(xué)習(xí)的代理器，接收訓(xùn)練集數(shù)據(jù)，并根據(jù)更新策略π生成標(biāo)簽的概率；定義更新策略π：π(a|s)＝Pr(a_t＝a|s_t＝s)，其中，Pr為狀態(tài)轉(zhuǎn)移的概率，a_t為當(dāng)前行為，s_t為當(dāng)前狀態(tài)；

通過強(qiáng)化學(xué)習(xí)的代理器對訓(xùn)練樣本訓(xùn)練來預(yù)測標(biāo)簽，從而達(dá)到累積獎勵的最大化；其中，定義獎勵函數(shù)R_c：其中，γ為預(yù)設(shè)的折現(xiàn)因子，0＜γ＜1，r為獎勵值，t為當(dāng)前時刻，k為常數(shù)，k＝1，2，...∞；

將每一對狀態(tài)和更新動作對(s，a)與一個Q值函數(shù)相關(guān)聯(lián)；其中，定義Q函數(shù)，其中，E為迭代次數(shù)；

擇動作a，動作策略采用ε-貪婪策略，通過Q值迭代找到最優(yōu)的更新策略π^*：其中，Q^*為最優(yōu)函數(shù)；

將(s₁，a_t，r_t，s_t+1)存儲在經(jīng)驗回放存儲器Ω中，若經(jīng)驗回放存儲器Ω中的記錄達(dá)到一定數(shù)量后，每個訓(xùn)練步驟從經(jīng)驗回放存儲器Ω中采樣，采樣的每條記錄記為(s_j，a_j，r_j，s_j+1)，對于每條記錄，計算目標(biāo)值y和損失函數(shù)L(θ)，并更新卷積神經(jīng)網(wǎng)絡(luò)參數(shù)θ；其中，定義損失函數(shù)L(θ)：Bm為經(jīng)驗回放存儲器Ω內(nèi)的總記錄，Q(s,a,θ_k)表示卷積神經(jīng)網(wǎng)絡(luò)輸出的Q值；定義目標(biāo)值y，其中r為獎勵值，j為經(jīng)驗回放存儲器Ω內(nèi)的一個樣本，γ為預(yù)設(shè)的折現(xiàn)因子，T和F為布爾值；

通過驗證集數(shù)據(jù)對訓(xùn)練獲得的靜態(tài)風(fēng)險模型進(jìn)行驗證，達(dá)到預(yù)設(shè)要求；

所述動態(tài)風(fēng)險模型構(gòu)建方法，具體包括：

獲取白名單用戶的消費(fèi)類別信息添加安全標(biāo)簽，獲取黑名單用戶的消費(fèi)類別信息添加風(fēng)險標(biāo)簽，構(gòu)建獲得訓(xùn)練集數(shù)據(jù)和驗證集數(shù)據(jù)；

構(gòu)建風(fēng)險識別主干網(wǎng)絡(luò)，使用一個在ImageNet上預(yù)先訓(xùn)練過的ResNet-50作為主干網(wǎng)絡(luò)，并修正進(jìn)行提取基礎(chǔ)特征張量；

利用交叉熵?fù)p失函數(shù)進(jìn)行分類；其中，定義交叉熵?fù)p失函數(shù)L_cross：其中，n_b為批大小，每次取多少個樣本數(shù)據(jù)喂進(jìn)網(wǎng)絡(luò)，y為輸入數(shù)據(jù)的真實(shí)標(biāo)簽，p_i(y)為第i個輸入數(shù)據(jù)真實(shí)標(biāo)簽的預(yù)測概率；

利用三元組損失函數(shù)進(jìn)行相似度學(xué)習(xí)，得到訓(xùn)練模型；其中，定義三元組損失函數(shù)L_tri：其中n_b為批大小，每次取多少個樣本數(shù)據(jù)喂進(jìn)網(wǎng)絡(luò)，x_a為初始樣本，x_p為與x_a同一類別的正樣本，x_n為與x_a不同類別的負(fù)樣本，D為歐氏距離，m為閾值參數(shù)；

計算聯(lián)合損失L_total：L_total＝L_cross+L_tri；

定義獎勵函數(shù)R_t：其中，為二進(jìn)制反饋，為到時間t時所獲得的正樣本批次，為到時間t時所獲得的負(fù)樣本批次，為兩個樣本gk和x_i之間馬氏距離，為兩個樣本gk和x_j之間馬氏距離，m為閾值參數(shù)；

定義Q函數(shù)：其中，E為迭代次數(shù)，π為更新策略，s_t為當(dāng)前狀態(tài)，A_t為當(dāng)前行為；

選擇Q值最大的動作直接推斷最優(yōu)策略π^*；

通過驗證集數(shù)據(jù)對訓(xùn)練獲得的動態(tài)風(fēng)險模型進(jìn)行驗證，達(dá)到預(yù)設(shè)要求；

所述動態(tài)風(fēng)險模型更新方法，具體包括：

將到達(dá)更新周期黑名單列表更新的黑名單用戶以遍歷循環(huán)超級節(jié)點(diǎn)排序列表方式分配給超級節(jié)點(diǎn)，每個超級節(jié)點(diǎn)獲取黑名單用戶的消費(fèi)類別信息添加風(fēng)險標(biāo)簽；

每個超級節(jié)點(diǎn)獲取到達(dá)更新周期白名單列表增加的白名單用戶的消費(fèi)類別信息添加安全標(biāo)簽；

通過風(fēng)險標(biāo)簽的消費(fèi)類別信息和安全標(biāo)簽的消費(fèi)類別信息對動態(tài)風(fēng)險模型進(jìn)行訓(xùn)練，更新動態(tài)風(fēng)險模型。