【技术实现步骤摘要】
一种基于联合卷积神经网络的催收风险评级方法及系统
本专利技术涉及催收风险评级
,尤其涉及一种基于联合卷积神经网络的催收风险评级方法及系统。
技术介绍
目前,很多银行贷款、信用卡等逾期后的催收业务大多交由第三方债务催收公司进行催缴。通过这种金融服务外包的方式催收主要有以下几种形式:电话催收、家访催收、暴力催收和法律催收。通过每笔逾期贷款的逾期天数来决定使用哪种形式的催收方式,并未对逾期还款的客户种类进行区分,从而不能达到精准催收的效果。若能在催收的早期阶段就能对逾期还款的客户进行精细化分类,也就是把将要变为不良客户的高风险客户和可以主动还款的低风险客户区分开来,对前者尽快采取强硬的催收手段,而对后者仅做提醒,不仅提高了催收效率,还能降低催收成本。应用技术手段可以让客户分类的实现更加合理和高效,为国内商业银行优化资源配置、增强个人业务贷后催收管理能力提供借鉴与参考。传统催收对于客户的评级,大多采用人工分析或简单模型的方式。对于人工评级的方法,既耗时耗力,结果又与评级业务员的经验与主观判断强关联,容易造成结果误判;而对于简单模型的方法,如决策树或者逻辑回归等,一般只基于少量指标或客户的最近一条记录进行分析,无法综合客户的全部历史记录,使得模型的泛化能力弱,导致模型对新数据欠佳的分类结果,具有局限性。而卷积神经网络替代了以上特征提取方法,其深层结构使其能够自动提取数据的深度鲁棒信息,利于分类器的训练和最终的目标检测。但本专利技术申请人发现现有技术至少存在如下技术问题:现有技术中的卷积神经网络在提取特征时 ...
【技术保护点】
1.一种基于联合卷积神经网络的催收风险评级方法,其中,所述方法包括:/n步骤1:获得第一历史催收数据信息;/n步骤2:对所述第一历史催收数据信息进行样本划分之后,获得第一训练样本数据信息与第一待测数据信息,其中,所述第一训练样本数据信息为带有风险评级等级标签的数据,所述第一待测数据信息为待评级行为记录数据;/n步骤3:对所述第一训练样本数据信息进行预处理,获得第一待输入数据,其中,所述第一待输入数据为尺寸归一化为相同记录数量的数据,且所述第一待输入数据为单人历史行为数据F
【技术特征摘要】
1.一种基于联合卷积神经网络的催收风险评级方法,其中,所述方法包括:
步骤1:获得第一历史催收数据信息;
步骤2:对所述第一历史催收数据信息进行样本划分之后,获得第一训练样本数据信息与第一待测数据信息,其中,所述第一训练样本数据信息为带有风险评级等级标签的数据,所述第一待测数据信息为待评级行为记录数据;
步骤3:对所述第一训练样本数据信息进行预处理,获得第一待输入数据,其中,所述第一待输入数据为尺寸归一化为相同记录数量的数据,且所述第一待输入数据为单人历史行为数据Fl0;
步骤4:按照预设要求,构建卷积神经网络模型;
步骤5:将所述第一训练样本数据信息输入至所述卷积神经网络模型中,采用交叉熵损失函数、反向传播算法对所述卷积神经网络模型参数进行调整之后,将softmax回归作为分类算法,完成对所述卷积神经网络模型的训练;
步骤6:将所述第一待测数据信息输入至训练完成后的所述卷积神经网络模型中;
步骤7:获得所述卷积神经网络模型的第一输出结果,其中,所述第一输出结果为第一行为风险归类结果。
2.如权利要求1所述的方法,其中,在所述步骤3中,所述方法包括:
获得现存行为数据信息;
根据所述现存行为数据信息,确定所有客户记录数量的中位数,并根据所述所有客户记录数量的中位数,获得输入的单个客户数据的条数n;
分别判断所述所有客户的客户数据的条数是否满足n条记录;
如果所述客户数据的条数少于所述n条记录,则从所述现存行为数据信息中按照随机抽样的方式,复制并扩充为n×d大小的客户数据,其中,d为每条历史记录的维度;
如果所述客户数据的条数多于所述n条记录,则从所述现存行为数据信息中按照时间降采样为所述n×d大小的客户数据。
3.如权利要求1所述的方法,其中,在所述步骤4中,所述方法包括:
获得所述卷积神经网络模型的基础信息,其中,所述卷积神经网络模型的包括10层,具体包括:四个联合卷积层、其中,所述四个联合卷积层分别为第一联合卷积层u_conv1、第二联合卷积层u_conv2、第三联合卷积层u_conv3、第四联合卷积层u_conv4,全局特征提取的MLP层m_1、最大池化MaxPooing层和一个由三层的MLP与一个softmax回归层组成的分类器,其中,所述卷积神经网络模型的输入数据为大小为n×d的单人历史行为记录数据Fl0;
根据所述基础信息,将所述单人历史行为记录数据Fl0依次通过所述第一联合卷积层u_conv1输出大小为n×64的特征图Fl1、通过所述第二联合卷积层u_conv2得到大小为n×64的特征图Fl2、通过所述第三联合卷积层u_conv3得到大小为n×64特征图Fl3、通过所述第四联合卷积层u_conv4得到大小为n×128的特征图Fl4;
将所述Fl0、所述Fl1、所述Fl2、所述Fl3、所述Fl4进行拼接,获得大小为n×323的局部特征图Fl;
将所述Fl输入至所述全局特征提取的MLP层m_1中,获得大小为n×1024的全局特征图FG;
将所述FG输入至所述最大池化MaxPooing层中,获得大小为1×1024的全局特征向量VG;
将所述VG输入至所述分类器中,其中,所述分类器中三层的MLP的第一层包括512个1×1的卷积核、第二层包括256个1×1的卷积核、第三层包括s个1×1的卷积核,其中,s为样本中风险等级数目;
将所述分类器的输出结果输入至所述softmax回归层中,获得大小为1×s的输出向量。
4.如权利要求3所述的方法,其中,所述联合卷积层具体包括:
根据第L+1层(L∈{0,1,2,3})联合卷积层u_conv(L+1),将所有浅层Fl0,...,FlL中每条记录i的特征向量(xi0,...,xiL)进行拼接之后,经过组合后输入组成所述联合卷积层的单层MLP中,进...
【专利技术属性】
技术研发人员:邹英华,许世伟,彭戈,董希伟,马刚,甘厚勇,
申请(专利权)人:中信银行股份有限公司,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。