[發明專利]一種基于FWA_DBN的客戶信用評估方法及系統

在審

• 申請號: 202011351682.2
• 申請日: 2020-11-27
• 公開（公告）號: CN112529684A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 江遠強
• 申請（專利權）人: 百維金科（上海）信息科技有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及互聯網金融行業的風控技術領域，尤其為一種基于FWA_DBN的客戶信用評估方法及系統，相比于采用其他的淺層神經網絡，DBN是一種深度高效學習算法，能夠提取數據的深層次特征，實現高維度非線性數據特征抽取與分類，網絡的泛化能力和預測精度均有所提升，相比遺傳算法、粒子群算法、蟻群算法等優化算法，煙花算法逐步驅動種群優化，平衡全局探索能力與局部搜索，求解復雜優化問題中表現出了非常優良的性能和很高的效率，基于FWA算法優化的DBN模型能夠處理海量數據且具有收斂速度快、全局收斂、預測穩定的優勢，適用互聯網金融平臺客戶信用的實時評估。

技術領域

本發明涉及互聯網金融行業的風控技術領域，具體為一種基于FWA_DBN的客戶信用評估方法及系統。

背景技術

隨著互聯網金融的飛速發展，對于客戶的信用評估已經不再局限于征信報告，而更多結合大數據的風控模型，傳統評估方法主要包含基于邏輯回歸、支持向量機、隨機森林和隨機森林等機器學習方法，這類方法的理論較為成熟，驗證的方法較為完善，計算過程簡便，但是適用對象往往比較單一，預測精度不太理想。近年來人工神經網絡已經被證明是表現不錯的研究模型。目前在信用評估應用中大多采用的是BP神經網絡、RBF神經網絡和Elman回歸神經網絡，但均普遍存在收斂速度慢、易陷入局部最小值等問題，而把更多的研究重點轉向深度學習，相較于傳統人工智能方法，深度學習有更強的特征提取能力，可以挖掘數據中的深層復雜關聯關系，從而提高算法精度。

深信度網絡(Deep Belief Network，DBN)由多個受限玻爾茲曼機(RestrictedBoltzmannMachine，RBM)堆疊而成的一種深度學習網絡，通過逐層RBM訓練網絡，并借鑒BP神經網絡的訓練方法來對DBN模型后向微調優化，實現高維度非線性數據特征抽取與分類，非常使用于適用于互金平臺的欺詐檢測。

DBN模型的每一層RBM雖然依靠逐層確定參數來訓練網絡，但是一般情況下，初始參數是隨機確定的，在訓練過程中容易陷入局部最優，從而影響模型的收斂速度和預測精度，為解決這一問題，許多學者采用遺傳算法(GA)、粒子群算法(PSO)、蝙蝠算法(BA)等群體啟發式算法來優化DBN初始參數，雖然一定程度上能夠解決DBN存在的問題，但在實際中往往需要設置較大的種群規模和較高的迭代次數來保證優化效果，導致算法整體的尋優速度較慢。如何采用更適合的智能算法來優化DBN的初始參數，并運用在客戶信用評估上是本領域專業人員亟待解決的技術問題，因此，針對上述問題提出一種基于FWA_DBN的客戶信用評估方法及系統。

發明內容

本發明的目的在于提供一種基于FWA_DBN的客戶信用評估方法及系統，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：

一種基于FWA_DBN的客戶信用評估方法及系統，包括步驟：

S1.對已有貸款表現的客戶抽樣作為建模樣本，并采集客戶的信用特征數據；

S2.對所獲取建模數據進行數據預處理，采用min-max方法對預處理后的數據歸一化處理，按照預設比例劃分訓練集和測試集；

S3.根據訓練數據特征初步確定DBN的結構，初始化DBN的相關參數，包括：輸入節點、輸出節點、最大層數、每層的節點數和最大迭代次數；

S4.利用訓練集對DBN進行訓練，并使用FWA算法對網絡模型參數進行優化，得到FWA-DBN預測模型；

S5.將驗證集導入到FWA-DBN進行測試，如果測試精度不滿足預設閾值要求，則重復步驟S3以及步驟S4再次訓練FWA-DBN預測模型；

S6.將FWA-DBN的客戶信用評估模型部署至貸款申請平臺輸出實時申請信用評分，實現申請客戶的實時審批，并定期將有表現數據輸入到模型訓練，實現模型的在線更新。