大数据环境下面向互联网金融的个人信用深度挖掘与评价研究

In recent years, with deep penetration of information technology to the financial sector, internet finance gets rapid development. But due to the lack of personal credit evaluation method face to internet finance users, the risk has been exposed, and the problem happened frequently. Previous personal credit evaluation methods depend only on a small amount of hard information such as bank credit records, but the internet finance users generally lack of such information, so the traditional evaluation methods cannot be applied directly. Recent studies have shown that, the large amount of personal soft information accumulated from activity track implied a lot of credit related characteristics, therefore, we can mining personal credit characteristics deeply from the people's big data and then evaluate their credit lever more comprehensively, which has important practical significance to promote the safe and healthy development of internet finance..This project tries to widely collect the huge amount of personal soft information through internet data acquisition technology, and using the technology of big data such as deep learning, to mining various personal characteristics from the aspects of personality characteristics, behavior characteristics, social relations, social interaction status, trading characteristics, and so on. And then to analysis, validate and summarize the relationship between these characters and the level of personal credit. Through deep learning to master its inherent law, and finally establish the personal credit evaluation model based on big data, in order to achieve the purpose of evaluating personal credit more comprehensively from various angles.

近几年，随着信息技术向金融领域深入渗透，互联网金融得到迅猛发展。而与此相悖的是，由于面向互联网金融用户的个人信用评价手段匮乏，使得互联网金融风险不断暴露，问题事件频发。以往的个人信用评价方法所依赖的数据仅以银行信用记录等少量硬信息为主，而互联网金融用户普遍缺乏此类信息，故传统评价手段难以直接应用。近来有研究表明，个人活动轨迹所积累的海量软信息中隐含了大量与信用相关的特征，因此，从个人大数据着手深入挖掘个人信用特征并进行信用评价，对于促进互联网金融业的健康发展具有重要意义。.本项目拟尝试通过互联网信息采集技术广泛收集个人海量软信息，引入深度学习等大数据技术，从个性特征、行为特征、社会关系、社交状况、交易状况等多方面深度挖掘个人特征，并分析、验证、总结这些特征与个人信用水平之间的关系，通过学习掌握其内在规律，最终建立起个人信用评价模型，以期达到从多角度全面评估个人信用的目的。

近年来，我国互联网金融发展迅速，而相应个人征信体系的不健全使其风险加剧。结合大数据与人工智能技术深入挖掘个人信用特征并进行信用评价，对于促进互联网金融的健康发展具有重要意义。本项目针对其中所面临的关键问题展开研究。首先，随着大数据环境下所采集的个人信用信息维度越来越高，其特征冗余性也越来越显著，本项目提出一种基于局部二叉蜘蛛算法的个人信用特征选择方法LBSA，克服了现有方法的极值分布、局部最优等缺陷，实验证明该方法可以极大地减少返回特征子集的冗余，提高迭代的稳定性，使得信用评价模型更加准确有效。其次，针对信用数据中存在的类不平衡问题，提出一种基于数据分布的重采样集成模型REMDD，该模型利用数据层面技术得到相对平衡数据的解决方案，在与各种分类器相结合后，其泛化能力更强，实验证明，与现有模型相比，REMDD有效地提高了对不平衡信用数据处理的综合性能。再次，现有信用评价方法中仅利用了接受样本而将因缺少标签较难利用的拒绝样本丢弃，本项目提出一种基于全局半监督框架的集成学习拒绝推理方法SSL-EC3，从拒绝样本中提炼出有价值的信息以协助提升信用评价的性能，实验证明该方法可以同时利用接受和拒绝样本，显著提升了信用评价效果。另外，为进一步适应互联网金融高效率的需求，提出一种基于深度学习的在线信用评价模型OICSM，该模型充分结合了神经网络、梯度提升树等算法的优点，不但可以更精确地同时处理分类型和数值型信用特征，还利用神经网络批处理模式的反向传播算法实现动态更新。线下与在线实验结果表明，该模型具备在线动态更新功能的同时可以有效提升个人信用评价的准确性。最后，对用于信用评分的欠采样分类集成方法、设备及存储介质展开了相关研究，取得了良好的效果。通过以上研究，达到了从多角度提升面向互联网金融的个人信用评价的目的，该成果有利于降低我国互联网金融运行风险，保障其健康稳定发展。