本文關(guān)鍵詞：基于BP神經(jīng)網(wǎng)絡(luò)與半監(jiān)督學(xué)習(xí)的網(wǎng)貸平臺(tái)信用評(píng)估模型

  更多相關(guān)文章： 網(wǎng)貸平臺(tái) 信用評(píng)估 BP神經(jīng)網(wǎng)絡(luò) 半監(jiān)督學(xué)習(xí) 協(xié)同訓(xùn)練

【摘要】：中國(guó)互聯(lián)網(wǎng)金融網(wǎng)貸平臺(tái)增長(zhǎng)勢(shì)頭繼續(xù)高歌猛進(jìn),與此同時(shí),爆出問(wèn)題的“跑路”平臺(tái)越來(lái)越多,網(wǎng)貸平臺(tái)自身的信用成為阻礙其發(fā)展的最大障礙�，F(xiàn)有的網(wǎng)貸平臺(tái)征信與信用評(píng)估服務(wù)主要面向用戶,而缺乏平臺(tái)自身的信用評(píng)估體系。本文的目標(biāo)是針對(duì)網(wǎng)貸平臺(tái)建立科學(xué)有效的信用評(píng)估體系。對(duì)此,本文根據(jù)網(wǎng)貸平臺(tái)評(píng)估指標(biāo)數(shù)據(jù)獲取人工和時(shí)間成本過(guò)高的現(xiàn)狀,提出了基于自動(dòng)化抓取網(wǎng)絡(luò)公開(kāi)數(shù)據(jù)的信用評(píng)估指標(biāo)體系,包括基本信息指標(biāo)、動(dòng)態(tài)數(shù)據(jù)指標(biāo)、訪問(wèn)平臺(tái)數(shù)據(jù)指標(biāo)。基于網(wǎng)貸平臺(tái)信用標(biāo)簽數(shù)據(jù)缺失并且難以獲取權(quán)威結(jié)果的現(xiàn)狀,本文提出用半監(jiān)督學(xué)習(xí)的方法代替以往線性回歸和監(jiān)督學(xué)習(xí)的方法,充分利用無(wú)標(biāo)簽數(shù)據(jù)來(lái)提高評(píng)估模型的預(yù)測(cè)準(zhǔn)確性。本文自動(dòng)化抓取了169家網(wǎng)貸平臺(tái)的31個(gè)指標(biāo)數(shù)據(jù),將其作為模型的輸入,選取中國(guó)社科院金融研究所發(fā)布的23家平臺(tái)評(píng)級(jí)結(jié)果作為標(biāo)簽,并將其作為模型的輸出。運(yùn)用協(xié)同訓(xùn)練的方法,首先初始化兩個(gè)不同參數(shù)的BP神經(jīng)網(wǎng)絡(luò)回歸模型,找到標(biāo)記置信度最高的無(wú)標(biāo)簽對(duì)象,即染上標(biāo)簽后能減小預(yù)測(cè)模型的均方誤差,然后將其染上標(biāo)簽并放入對(duì)方回歸模型的訓(xùn)練集中以便更新模型,不斷迭代直到循環(huán)結(jié)束,最后綜合兩個(gè)回歸模型作為最終的預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明,與直接用回歸模型相比,協(xié)同訓(xùn)練式半監(jiān)督學(xué)習(xí)的回歸模型利用了大量的無(wú)標(biāo)簽數(shù)據(jù),提高了預(yù)測(cè)結(jié)果的準(zhǔn)確性,可以為網(wǎng)貸行業(yè)提供一種科學(xué)有效的平臺(tái)信用評(píng)估方法。
【關(guān)鍵詞】：網(wǎng)貸平臺(tái) 信用評(píng)估 BP神經(jīng)網(wǎng)絡(luò) 半監(jiān)督學(xué)習(xí) 協(xié)同訓(xùn)練
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：F724.6;F832.4;TP183
【目錄】：

• 摘要4-5
• Abstract5-11
• 第1章 緒論11-23
• 1.1 課題背景11-15
• 1.1.1 互聯(lián)網(wǎng)金融借貸平臺(tái)概況11-12
• 1.1.2 網(wǎng)貸平臺(tái)信用問(wèn)題爆發(fā)12-13
• 1.1.3 網(wǎng)貸行業(yè)信用風(fēng)險(xiǎn)及產(chǎn)生原因13-15
• 1.2 信用評(píng)估研究現(xiàn)狀15-19
• 1.2.1 國(guó)外研究現(xiàn)狀15-18
• 1.2.2 國(guó)內(nèi)研究現(xiàn)狀18-19
• 1.3 研究目標(biāo)和內(nèi)容19-22
• 1.3.1 研究目標(biāo)和思路19-21
• 1.3.2 本文內(nèi)容21-22
• 1.4 本章小結(jié)22-23
• 第2章 平臺(tái)信用評(píng)估相關(guān)技術(shù)與研究23-43
• 2.1 互聯(lián)網(wǎng)金融網(wǎng)貸平臺(tái)信用評(píng)估體系23-32
• 2.1.1 信用評(píng)估體系構(gòu)建原則23-24
• 2.1.2 現(xiàn)有網(wǎng)貸平臺(tái)信用評(píng)估模型24-32
• 2.2 相關(guān)理論體系與技術(shù)32-42
• 2.2.1 BP神經(jīng)網(wǎng)絡(luò)32-35
• 2.2.2 K-近鄰算法35-37
• 2.2.3 半監(jiān)督學(xué)習(xí)37-40
• 2.2.4 協(xié)同訓(xùn)練算法40-42
• 2.3 本章小結(jié)42-43
• 第3章 基于半監(jiān)督學(xué)習(xí)算法的平臺(tái)信用評(píng)估43-56
• 3.1 互聯(lián)網(wǎng)金融網(wǎng)貸平臺(tái)信用評(píng)估指標(biāo)43-46
• 3.1.1 現(xiàn)有信用評(píng)估指標(biāo)分析43-44
• 3.1.2 網(wǎng)貸平臺(tái)信用評(píng)估指標(biāo)體系的建立44-46
• 3.2 利用半監(jiān)督學(xué)習(xí)方法進(jìn)行平臺(tái)信用評(píng)估的優(yōu)越性46-47
• 3.3 基于BP神經(jīng)網(wǎng)絡(luò)的協(xié)同訓(xùn)練式半監(jiān)督回歸算法47-55
• 3.3.1 協(xié)同訓(xùn)練式半監(jiān)督學(xué)習(xí)回歸算法定義與過(guò)程47-53
• 3.3.2 協(xié)同訓(xùn)練式半監(jiān)督學(xué)習(xí)回歸算法可靠性53-55
• 3.4 本章小結(jié)55-56
• 第4章 實(shí)驗(yàn)與分析56-73
• 4.1 數(shù)據(jù)集的抓取和處理56-58
• 4.2 協(xié)同訓(xùn)練式半監(jiān)督回歸實(shí)驗(yàn)58-65
• 4.2.1 實(shí)驗(yàn)方案58
• 4.2.2 評(píng)價(jià)標(biāo)準(zhǔn)58-59
• 4.2.3 參數(shù)訓(xùn)練59-63
• 4.2.4 實(shí)驗(yàn)性能對(duì)比63-65
• 4.3 網(wǎng)貸平臺(tái)信用評(píng)分結(jié)果65-70
• 4.4 實(shí)驗(yàn)結(jié)果分析70-72
• 4.5 本章小結(jié)72-73
• 第5章 總結(jié)與展望73-75
• 5.1 論文主要?jiǎng)?chuàng)新點(diǎn)和工作73-74
• 5.1.1 信用評(píng)估體系指標(biāo)的選擇和獲取73
• 5.1.2 BP神經(jīng)網(wǎng)絡(luò)回歸結(jié)合協(xié)同訓(xùn)練式半監(jiān)督學(xué)習(xí)的應(yīng)用73-74
• 5.2 將來(lái)的工作展望74-75
• 參考文獻(xiàn)75-80
• 攻讀碩士學(xué)位期間主要的研究成果80-81
• 致謝81

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前1條

1 陳云;石松;;基于PSO-BP集成的國(guó)內(nèi)外企業(yè)信用風(fēng)險(xiǎn)評(píng)估[J];計(jì)算機(jī)應(yīng)用研究;2014年09期

，

本文編號(hào)：879695