在互聯(lián)網(wǎng)金融機(jī)構(gòu)有很多信貸業(yè)務(wù),部分新開展的業(yè)務(wù)由于客戶數(shù)據(jù)較少,無法建立有效的信用評(píng)分模型.本文研究將遷移學(xué)習(xí)思想應(yīng)用到該問題中,利用已有其他業(yè)務(wù)的客戶數(shù)據(jù)幫助新開展的業(yè)務(wù)建立有效的信用評(píng)分模型.本文提出一種聯(lián)合Triplet-Loss表征學(xué)習(xí)和領(lǐng)域適配的深度學(xué)習(xí)方法對(duì)已有業(yè)務(wù)數(shù)據(jù)進(jìn)行重新編碼,并將重新編碼后所得的知識(shí)遷移到新開展業(yè)務(wù)的模型中,最后使用XGBoost做為分類器.針對(duì)上述問題,本文提出的模型相對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)方法在效果上有一定提升,在一定程度上解決了該問題. 

【文章來源】：計(jì)算機(jī)系統(tǒng)應(yīng)用. 2020年11期

【文章頁數(shù)】：5 頁

【參考文獻(xiàn)】：
期刊論文
[1]基于梯度提升決策樹模型的P2P網(wǎng)貸借款人信用風(fēng)險(xiǎn)評(píng)測(cè)研究[J]. 譚中明,謝坤,彭耀鵬.  軟科學(xué). 2018(12)
[2]基于SVM-Logistic組合模型的P2P借款者信用風(fēng)險(xiǎn)評(píng)估——以微貸網(wǎng)為例[J]. 都紅雯,盧孝偉.  生產(chǎn)力研究. 2018(10)
[3]基于XGBOOST的用戶信用評(píng)分建模[J]. 韓修龍.  電腦知識(shí)與技術(shù). 2018(05)



本文編號(hào)：2915641