針對(duì)信用貸款評(píng)估模型存在特征預(yù)處理復(fù)雜、受主觀因素干擾、準(zhǔn)確率較低等現(xiàn)象,提出一種新模型。該模型首先組建連續(xù)性信貸特征文本數(shù)據(jù),然后使用Word2Vec算法進(jìn)行詞向量化后通過詞嵌入層銜接卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行評(píng)估,通過Keras框架并依據(jù)2008～2018年的銀行個(gè)人信貸數(shù)據(jù)進(jìn)行實(shí)證分析。結(jié)果表明:新模型的總體評(píng)估準(zhǔn)確率高達(dá)91.7%,無需對(duì)缺失特征進(jìn)行處理并可直接評(píng)估,且評(píng)估準(zhǔn)確率更優(yōu)異,達(dá)到85.8%。新模型將離散型的信貸特征轉(zhuǎn)變?yōu)檫B續(xù)性文本,降低特征預(yù)處理復(fù)雜度,結(jié)合Word2Vec與自然語言處理實(shí)現(xiàn)直接評(píng)估缺失信貸特征的目的,并基于CNN優(yōu)異的特征分析能力最終提高信貸評(píng)估模型魯棒性,進(jìn)一步改善信用貸款評(píng)估模型中存在的部分問題,同時(shí)避免評(píng)估中主觀因素的干擾。 

【文章來源】：系統(tǒng)管理學(xué)報(bào). 2020,29(04)北大核心CSSCICSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

CBOW模型運(yùn)作圖

深度學(xué)習(xí)是基于數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法，與傳統(tǒng)機(jī)器學(xué)習(xí)算法相比，其具有更優(yōu)異的特征提取能力，特別是深度學(xué)習(xí)分支下的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）模型，在目標(biāo)檢測(cè)、自然語言處理等領(lǐng)域發(fā)揮了重要作用[22-25]。本文將CNN應(yīng)用于信貸評(píng)估領(lǐng)域，在WV-CNN模型內(nèi)構(gòu)建一維CNN，將詞向量化后的信貸特征文本作為該網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練并評(píng)估。由圖2可知，WV-CNN模型的CNN部分首先將CBOW計(jì)算出的詞向量嵌入至CNN輸入層，稱為詞嵌入層。其次，構(gòu)建多重卷積層和池化層，由于信貸特征在時(shí)間維度上以一維向量的形式存在，因而卷積層與池化層的過濾器也是一維向量。同時(shí)，為了防止過擬合現(xiàn)象，在卷積層與池化層中加入Dropout層；Flatten層是基于多次卷積池化操作后進(jìn)行扁平化處理。最后，通過全連接層（Dense層）輸出信貸評(píng)估結(jié)果。

本文基于Tensorflow為后端的Keras實(shí)現(xiàn)WV-CNN模型。Keras是一個(gè)高級(jí)深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)框架，具有模塊化、可擴(kuò)展性、快速部署神經(jīng)網(wǎng)絡(luò)等優(yōu)點(diǎn)[26-27]。圖3所示為WV-CNN模型在Keras中的部署圖。根據(jù)圖3,Keras根據(jù)WV-CNN模型的信貸特征文本預(yù)處理、詞向量化、模型訓(xùn)練與信貸評(píng)估3個(gè)過程，依次調(diào)用numpy、nltk和gensim等處理包進(jìn)行部署實(shí)現(xiàn)。結(jié)合圖3,Keras不僅是高級(jí)深度神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)框架，同時(shí)也提供多種模型和函數(shù)之間的銜接函數(shù)，如Flatten數(shù)據(jù)扁平化處理函數(shù)、Dense數(shù)據(jù)全連接函數(shù)以及join語句連接函數(shù)等，這類銜接函數(shù)可以將文本預(yù)處理、詞向量化、訓(xùn)練及最終評(píng)估所產(chǎn)生的數(shù)據(jù)進(jìn)行數(shù)據(jù)銜接，從而形成整體的WV-CNN模型，進(jìn)一步完善了WV-CNN模型處理信貸數(shù)據(jù)的銜接性問題，提高了信貸評(píng)估的流暢性。另外，根據(jù)部署圖所示，將文本預(yù)處理、詞向量化、模型訓(xùn)練與信貸評(píng)估封裝在Keras內(nèi)，不僅簡(jiǎn)化評(píng)估的中間過程，若側(cè)重研究信貸特征的變化過程，同樣也可根據(jù)部署圖先探討信貸評(píng)估的內(nèi)部認(rèn)知結(jié)構(gòu)，進(jìn)而調(diào)取信貸特征影響信貸評(píng)估結(jié)果的自主性，方便后續(xù)展開不同信貸特征對(duì)整個(gè)評(píng)估結(jié)果影響的研究。綜合而言，WV-CNN模型由于使用Word2Vec算法，因而可將單詞進(jìn)行相似度聚類，相比于其他特征處理方法，詞向量轉(zhuǎn)化更貼合實(shí)際定性表述，且CNN與傳統(tǒng)機(jī)器學(xué)習(xí)相比，具有更高效的特征分析與特征關(guān)聯(lián)判斷能力。因此，評(píng)估結(jié)果更高效準(zhǔn)確。同時(shí)，WV-CNN模型將Word2Vec和CNN通過詞嵌入層進(jìn)行銜接，使特征處理與模型評(píng)估有效結(jié)合，實(shí)現(xiàn)了端到端的整體化評(píng)估，避免多次操作帶來的繁瑣冗長(zhǎng)。

【參考文獻(xiàn)】：
期刊論文
[1]基于動(dòng)態(tài)權(quán)重的信用評(píng)級(jí)[J]. 葛興浪,劉海龍.  系統(tǒng)管理學(xué)報(bào). 2019(02)
[2]A Text Sentiment Classification Modeling Method Based on Coordinated CNN-LSTM-Attention Model[J]. ZHANG Yangsen,ZHENG Jia,JIANG Yuru,HUANG Gaijuan,CHEN Ruoyu.  Chinese Journal of Electronics. 2019(01)
[3]基于違約狀態(tài)聯(lián)合概率的商業(yè)銀行信貸資金行業(yè)間優(yōu)化配置模型[J]. 曹勇,李孟剛,李剛,常友玲.  系統(tǒng)管理學(xué)報(bào). 2018(05)
[4]Using deep learning to detect small targets in infrared oversampling images[J]. LIN Liangkui,WANG Shaoyou,TANG Zhongxing.  Journal of Systems Engineering and Electronics. 2018(05)
[5]基于ELECTRE III的農(nóng)戶小額貸款信用評(píng)級(jí)模型[J]. 石寶峰,王靜.  系統(tǒng)管理學(xué)報(bào). 2018(05)
[6]Transcriptome analysis of adherens junction pathway-related genes after peripheral nerve injury[J]. Sheng Yi,Xing-Hui Wang,Ling-Yan Xing.  Neural Regeneration Research. 2018(10)
[7]基于詞性與詞序的相關(guān)因子訓(xùn)練的word2vec改進(jìn)模型[J]. 潘博,于重重,張青川,徐世璇,曹帥.  電子學(xué)報(bào). 2018(08)
[8]客戶特征影響信用卡業(yè)務(wù)盈利水平的結(jié)構(gòu)方程模型[J]. 王星,金淳,李延喜.  系統(tǒng)管理學(xué)報(bào). 2018(03)
[9]Encoding syntactic representations with a neural network for sentiment collocation extraction[J]. Yanyan ZHAO,Bing QIN,Ting LIU.  Science China（Information Sciences）. 2017(11)
[10]Convolutional neural networks for expert recommendation in community question answering[J]. Jian WANG,Jiqing SUN,Hongfei LIN,Hualei DONG,Shaowu ZHANG.  Science China（Information Sciences）. 2017(11)



本文編號(hào)：3529797