[發明專利]一種識別人行征信報告代償回購行為的方法

在審

• 申請號: 202011603911.5
• 申請日: 2020-12-30
• 公開（公告）號: CN112634028A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 徐志華
• 申請（專利權）人: 四川新網銀行股份有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06Q10/06;G06N3/04;G06N3/08
• 代理公司: 成都智言知識產權代理有限公司 51282
• 代理人: 濮云杉

本發明公開了一種識別人行征信報告代償回購行為的方法，屬于計算機技術領域，以解決現有技術中人為加工特征變量不僅費時費力，成本非常高，不適合工業化，并且人為加工較難設計出高分度變量，丟失一些信息的問題。本發明提供一種識別人行征信報告代償回購行為的方法，具體步驟包括：步驟A：利用循環神經網絡自動提取人行代償回購的特征；步驟B：利用注意力機制增強網絡效果，提高識別人行代償回購的特征的效果；步驟C:在實際應用場景中基于用戶的借據級別進行建立模型，當用戶有一筆貸款出現代償回購行為時，判定該用戶為代償回購用戶。本發明用于識別人行征信報告代償回購行為。

技術領域

本發明屬于計算機技術領域，具體涉及一種識別人行征信報告代償回購行為的方法。

背景技術

人行征信報告代償回購是指當下的金融機構為了維護自身平臺的活躍度，在客戶有逾期的行為后平臺主動替客戶還款或結清的行為，由于存在這種行為，造成了客戶在人行征信報告上的逾期信息被消除或被減弱。破壞了失信約束制度，危害了社會信用體系建設，甚至造成其他金融機構在錯誤的信息指導下發生了經濟損失。因此識別人行征信報告代償回購是非常重要且有重大意義的工作。

現有技術中，識別人行征信報告代償回購的方法主要是根據行業經驗人為地加工特征變量，然后利用特征變量建立信用模型，從而識別客戶代償與否。

現有技術中存在的問題：人為加工特征變量不僅費時費力，成本非常高，不適合工業化，并且人為加工較難設計出高分度變量，容易造成一些信息丟失。

發明內容

針對現有技術中人為加工特征變量不僅費時費力，成本非常高，不適合工業化，并且人為加工較難設計出高分度變量，丟失一些信息的問題，本發明提供一種識別人行征信報告代償回購行為的方法，其目的在于：利用深度學習自動提取特征，通過算法來尋找特征，可以更好的區分代償回購人群。

為了達到上述目的，本發明采用如下技術方案：

一種識別人行征信報告代償回購行為的方法，包括：

步驟A：利用循環神經網絡自動提取人行征信報告代償回購的特征；

步驟B：利用注意力機制增強網絡效果，提高識別人行征信報告代償回購的特征的效果；

步驟C:在實際應用場景中基于用戶的借據級別進行建立模型，當用戶有一筆貸款出現代償回購行為時，判定該用戶為代償回購用戶。本發明利用循環神經網絡提取人行征信報告中的貸款信息并加工成特征變量，然后利用注意力機制加強對人行征信報告中代償回購的識別，基于用戶的借據級別建立模型，當用戶有一筆貸款出現代償回購行為時，判定該用戶為代償回購用戶。

進一步的，所述步驟A中，通過循環神經網絡不斷學習，得到并提取人行代償回購的特征。本發明中人為加工特征可能會出現特征只加工有效特征，漏掉無效特征，導致特征不全，通過循環網絡加工特征能夠對所有特征進行加工，避免人為遺漏。

進一步的，所述步驟B中，對提取的特征計算注意力分布，利用注意力分布計算特征的加權平均。本發明中利用注意力機制精細化地提取高區分度的變量從而提高識別效果。

進一步的，所述步驟C中，所述建立模型包括：輸入層、embedding層、LSTM層、Attentiong層和輸出層。

進一步的，所述embedding層獲取輸入的特征的信息并對單詞序列做預處理，將單詞序列轉化為向量形式，本發明中，所述單詞序列為還款序列，然后利用LSTM神經網絡對于時序性數據的學習能力提取相關數據特征；所述Attentiong層引入Attentiong機制，在數據特征中聚焦關鍵信息點。本發明充分利用時間序列數據，大幅度提高識別人行征信報告代償回購行為的準確率和效率。