智能授信方法及智能授信装置
阅读：964发布：2023-11-29
专利汇可以提供智能授信方法及智能授信装置专利检索，专利查询，专利分析的服务。并且本 发明 公开一种智能授信方法及智能授信装置，所述方法包括采集贷款客户的资料数据；对采集的所述资料数据进行校核处理，建立贷款客户的资料 数据库 ；基于标准案例库，采用预定分析方法对所述资料数据库进行分析，筛选出与授信相关的特征集；采用预定分类方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；基于所述授信模型，对贷款客户的授信 请求 进行相应的授信操作；所述方法还包括：更新所述资料数据库、更新所述特征集，更新所述授信模型。本发明减少了人工授信的工作量，提高了授信效率。，下面是智能授信方法及智能授信装置专利的具体信息内容。
1.一种智能授信方法，其特征在于，所述方法包括：
采集贷款客户的资料数据；
对采集的所述资料数据进行校核处理，建立贷款客户的资料数据库；
基于标准案例库，采用预定分析方法对所述资料数据库进行分析，筛选出与授信相关的特征集；
采用预定分类方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
基于所述授信模型，对贷款客户的授信请求进行相应的授信操作；
所述方法还包括：更新所述资料数据库、更新所述特征集，更新所述授信模型。
2.根据权利要求1所述的智能授信方法，其特征在于，所述预定分析方法包括深度学习方法和/或主成分分析法。
3.根据权利要求1所述的智能授信方法，其特征在于，所述预定分类方法包括支持向量机方法、人工神经网络或/和决策树。
4.根据权利要求1所述的智能授信方法，其特征在于，所述校核处理至少包括对所述资料数据进行清理、数据集成、数据变换、数据归约。
5.根据权利要求1所述的智能授信方法，其特征在于，所述客户信息资料至少包括：客户姓名或名称、客户行业背景、信用记录、最近三个月内的贷款、还款记录、工商信息、信用信息和或税务信息。
6.根据权利要求1所述的智能授信方法，其特征在于，所述方法还包括预先输入或存储所述标准案例库的步骤。
7.一种智能授信装置，其特征在于，包括：
客户信息采集模块，用于采集贷款客户的资料数据；
数据库建立模块，用于对所述客户信息采集模块采集的所述资料数据进行校核处理，建立贷款客户的资料数据库；
特征集提取模块，用于基于标准案例库，采用预定分析方法对所述资料数据库进行分析，筛选出与授信相关的特征集；
授信模型生成模块，用于采用预定分类方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
授信模块，基于所述授信模型，对贷款客户的授信请求进行相应的授信操作；
管理模块，用于更新所述资料数据库、更新所述特征集，所述授信模型生成模块基于更新后的所述特征集更新所述授信模型。
8.根据权利要求7所述的智能授信装置，其特征在于，所述特征集提取模块包括包括深度学习方法单元和/或主成分分析法单元，其中
所述深度学习单元，采用深度学习的方法基于标准案例库对所述资料数据库进行分析，筛选出与授信相关的特征集；
所述主成分分析单元，采用主成分分析的方法基于标准案例库对所述资料数据库进行分析，筛选出与授信相关的特征集。
9.根据权利要求7所述的智能授信装置，其特征在于，授信模型生成模块包括支持向量机单元、人工神经网络单元或/和决策树单元，其中，
所述支持向量机单元，采用支持向量机方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
所述人工神经网络单元，采用人工神经网络方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
所述决策树单元，采用决策树方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型。
10.根据权利要求7所述的智能授信装置，其特征在于，所述智能授信装置为PC、笔记本、平板电脑、手机、个人移动终端。
智能授信方法及智能授信装置
技术领域
[0001] 本发明涉及金融信用服务领域，具体涉及一种智能授信方法及智能授信装置。
背景技术
[0002] 银行授信系统是根据公司客户资料、行业背景、信用记录等自然信息，对公司企业进行授信评估。其主要的功能包括授信申请、综合授信、批量授信。因此，系统的建设目标是要建立以全行为中心、覆盖各级下属机构以及信贷网点的授信业务服务平台。
[0003] 现在人工授信过程的缺点包括至少三点：（1）信贷部门需要全方位判断贷款客户的信用，但是客户倾向于递交对自身有利的材料，而忽略甚至造假部分材料，以期获得较高信用评价。真正对评估用户信用有价值的数据很可能没有出现在用户申请材料中。
[0004] （2）授信的调查由人工完成，过程漫长。为确保授信的准确性，银行需要用户递交的上百页的待审核材料。目前采用人工核定这些材料的方式，非常费时费力，需要长达数月的时间，效率低，很影响用户体验。
[0005] （3）授信过程难度较高，人工判断需要较丰富经验。需要客户经理综合判断的数据达到上千项，需要非常丰富的信贷经验和冷静出色的判断能力。而拥有丰富经验的信贷专家的比例毕竟很小，而且易受主观因素影响，容易造成授信过程中存在较大的不确定性。
发明内容
[0006] 针对上述问题，本发明提供一种减少了人工授信工作量的智能授信方法及智能授信装置。
[0007] 为达到上述目的，本发明智能授信方法，所述方法包括：采集贷款客户的资料数据；
对采集的所述资料数据进行校核处理，建立贷款客户的资料数据库；
基于标准案例库，采用预定分析方法对所述资料数据库进行分析，筛选出与授信相关的特征集；
采用预定分类方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
基于所述授信模型，对贷款客户的授信请求进行相应的授信操作；
所述方法还包括：更新所述资料数据库、更新所述特征集，更新所述授信模型。
对采集的所述资料数据进行校核处理，建立贷款客户的资料数据库；
基于标准案例库，采用预定分析方法对所述资料数据库进行分析，筛选出与授信相关的特征集；
采用预定分类方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
基于所述授信模型，对贷款客户的授信请求进行相应的授信操作；
所述方法还包括：更新所述资料数据库、更新所述特征集，更新所述授信模型。
[0008] 优选地，所述预定分析方法包括深度学习方法和/或主成分分析法。
[0010] 进一步地，所述校核处理至少包括对所述资料数据进行清理、数据集成、数据变换、数据归约。
[0011] 进一步地，所述客户信息资料至少包括：客户姓名或名称、客户行业背景、信用记录、最近三个月内的贷款、还款记录、工商信息、信用信息和或税务信息。
[0012] 特别地，所述方法还包括预先输入或存储所述标准案例库的步骤。
[0013] 为达到上述发明目的，本发明智能授信装置，包括：客户信息采集模块，用于采集贷款客户的资料数据；
数据库建立模块，用于对所述客户信息采集模块采集的所述资料数据进行校核处理，建立贷款客户的资料数据库；
特征集提取模块，用于基于标准案例库，采用预定分析方法对所述资料数据库进行分析，筛选出与授信相关的特征集；
授信模型生成模块，用于采用预定分类方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
授信模块，基于所述授信模型，对贷款客户的授信请求进行相应的授信操作；
管理模块，用于更新所述资料数据库、更新所述特征集，所述授信模型生成模块基于更新后的所述特征集更新所述授信模型。
数据库建立模块，用于对所述客户信息采集模块采集的所述资料数据进行校核处理，建立贷款客户的资料数据库；
特征集提取模块，用于基于标准案例库，采用预定分析方法对所述资料数据库进行分析，筛选出与授信相关的特征集；
授信模型生成模块，用于采用预定分类方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
授信模块，基于所述授信模型，对贷款客户的授信请求进行相应的授信操作；
管理模块，用于更新所述资料数据库、更新所述特征集，所述授信模型生成模块基于更新后的所述特征集更新所述授信模型。
[0014] 优选地，所述特征集提取模块包括包括深度学习方法单元和/或主成分分析法单元，其中所述深度学习单元，采用深度学习的方法基于标准案例库对所述资料数据库进行分析，筛选出与授信相关的特征集；
所述主成分分析单元，采用主成分分析的方法基于标准案例库对所述资料数据库进行分析，筛选出与授信相关的特征集。
所述主成分分析单元，采用主成分分析的方法基于标准案例库对所述资料数据库进行分析，筛选出与授信相关的特征集。
[0015] 优选地，授信模型生成模块包括支持向量机单元、人工神经网络单元或/和决策树单元，其中，所述支持向量机单元，采用支持向量机方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
所述人工神经网络单元，采用人工神经网络方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
所述决策树单元，采用决策树方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型。
所述人工神经网络单元，采用人工神经网络方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
所述决策树单元，采用决策树方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型。
[0016] 具体地，所述智能授信装置为PC、笔记本、平板电脑、手机、个人移动终端。
[0017] 本发明智能授信方法及智能授信装置，通过对大量客户资料进行预处理，建立大数据的客户资料数据库，基于标准案例对数据库进行一系列的机器学习，最终得到授信模型，基于授信模型对授信请求进行相应的操作，减少了传统状态下人工授信的工作量，传统需要人工来操作的程序，借助于计算机或其他数据处理终端进行操作，在大量减少了传统人工授信操作的人工的工作量的同时提高了授信的效率，优化了授信的准确率。附图说明
[0018] 图1是本发明智能授信方法的流程图。
具体实施方式
[0020] 本发明智能授信方法，所述方法包括：采集贷款客户的资料数据；
对采集的所述资料数据进行校核处理，建立贷款客户的资料数据库；
基于标准案例库，采用预定分析方法对所述资料数据库进行分析，筛选出与授信相关的特征集；
采用预定分类方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
基于所述授信模型，对贷款客户的授信请求进行相应的授信操作；
所述方法还包括：更新所述资料数据库、更新所述特征集，更新所述授信模型。
对采集的所述资料数据进行校核处理，建立贷款客户的资料数据库；
基于标准案例库，采用预定分析方法对所述资料数据库进行分析，筛选出与授信相关的特征集；
采用预定分类方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
基于所述授信模型，对贷款客户的授信请求进行相应的授信操作；
所述方法还包括：更新所述资料数据库、更新所述特征集，更新所述授信模型。
[0021] 本发明智能授信装置，包括：客户信息采集模块，用于采集贷款客户的资料数据；
数据库建立模块，用于对所述客户信息采集模块采集的所述资料数据进行校核处理，建立贷款客户的资料数据库；
特征集提取模块，用于基于标准案例库，采用预定分析方法对所述资料数据库进行分析，筛选出与授信相关的特征集；
授信模型生成模块，用于采用预定分类方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
授信模块，基于所述授信模型，对贷款客户的授信请求进行相应的授信操作；
管理模块，用于更新所述资料数据库、更新所述特征集，所述授信模型生成模块基于更新后的所述特征集更新所述授信模型。
数据库建立模块，用于对所述客户信息采集模块采集的所述资料数据进行校核处理，建立贷款客户的资料数据库；
特征集提取模块，用于基于标准案例库，采用预定分析方法对所述资料数据库进行分析，筛选出与授信相关的特征集；
授信模型生成模块，用于采用预定分类方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
授信模块，基于所述授信模型，对贷款客户的授信请求进行相应的授信操作；
管理模块，用于更新所述资料数据库、更新所述特征集，所述授信模型生成模块基于更新后的所述特征集更新所述授信模型。
[0022] 实施例1本实施例智能授信方法，所述方法包括：
采集贷款客户的资料数据，在本实施例中例如如个人最近三个月的银行流水、十二个月内的收支情况、社交数据、法律处理相关数据、税务记录、社保记录等，该资料数据根据不同的行业，不同的情况具体决定，在本实施例中将不进行一一列举，该资料数据的采集根据实际情况具体决定，不限于本实施例所列举的情况；
对采集的所述资料数据进行校核处理，建立贷款客户的资料数据库，其中所述校核处理包括，数据清理、数据集成、数据变换、数据归约；
基于标准案例库，采用深度学习方法对所述资料数据库进行分析，筛选出与授信相关的特征集；
采用支持向量机方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
基于所述授信模型，对贷款客户的授信请求进行相应的授信操作；
所述方法还包括：更新所述资料数据库、更新所述特征集，更新所述授信模型。
采集贷款客户的资料数据，在本实施例中例如如个人最近三个月的银行流水、十二个月内的收支情况、社交数据、法律处理相关数据、税务记录、社保记录等，该资料数据根据不同的行业，不同的情况具体决定，在本实施例中将不进行一一列举，该资料数据的采集根据实际情况具体决定，不限于本实施例所列举的情况；
对采集的所述资料数据进行校核处理，建立贷款客户的资料数据库，其中所述校核处理包括，数据清理、数据集成、数据变换、数据归约；
基于标准案例库，采用深度学习方法对所述资料数据库进行分析，筛选出与授信相关的特征集；
采用支持向量机方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
基于所述授信模型，对贷款客户的授信请求进行相应的授信操作；
所述方法还包括：更新所述资料数据库、更新所述特征集，更新所述授信模型。
[0024] 数据集成，将多个数据源中的数据结合起来并统一存储，建立数据库。 [0025] 数据变换的工作有两大类，一是数据离散化，二是格式变换。比如对个人贷款，并对其进行离散化，根据贷款份额进行分段。比如数据金额的万元、百万元的格式转换，还有汇率百分比的格式变换。
[0026] 数据归约，在数据量相当大时候，可以利用数据归约技术，得到数据集的归约表示，原数据仍然保持完整性。
[0027] 本实施例中采用深度学习方法在数据库中筛选出所需的特征集，由于资料数据库内存储的客户资料数据条目成本上千项，甚至更多，故在本实施例中不对具体何种客户资料进行具体限定，同时也不对采用深度学习方法提取的特征集做具体说明，本实施例仅仅用于介绍智能授信方法的实施过程。
[0028] 在本实施例中使用的深度学习方法，深度学习的训练过程：（1）使用自底向上非监督学习：采用无标定数据（有标定数据也可）分层训练各层参数，即特征学习的无监督训练过程：先用无标定数据训练第一层，训练时先学习第一层的参数也就是使得输出和输入差别最小的三层神经网络的隐层，在次之后在学习得到第n-1层后，将n-1层的输出作为第n层的输入，继续训练第n层，通过这样的方法分别得到各层的参数。
[0029] （2）自顶向下的监督学习:基于第一步得到的各层参数进一步修正整个多层模型的参数进行有监督训练过程，通过带标签的数据去训练，误差自顶向下传输，对网络进行微调。
[0030] 在本实施例中使用的支持向量机的简单介绍，支持向量机主要将求分类函数 的问题转化为求最大分类间隔，继而转化为对w,b的最优化问题。数据是包含噪音的，考虑到离散群点，引入松弛变量 ，这样优化目标就转化为：，
其中C是一个用于控制目标函数中寻找间隔最大的超平面和保证数据点偏差量最小之间的权重的参数。采用Lagrange乘数法进行求解转化为对偶问题
这样求w和b与求 等价，求解 可以使用快速学习算法SMO,在处理非线性可分的情况，使用核函数将特征从低维空间映射到高维中。
其中C是一个用于控制目标函数中寻找间隔最大的超平面和保证数据点偏差量最小之间的权重的参数。采用Lagrange乘数法进行求解转化为对偶问题
这样求w和b与求 等价，求解 可以使用快速学习算法SMO,在处理非线性可分的情况，使用核函数将特征从低维空间映射到高维中。
[0031] 实施例2本实施例智能授信方法，所述方法包括：
采集贷款客户的资料数据，在本实施例中例如所述客户信息资料至少包括：客户姓名或名称、客户行业背景、信用记录、最近三个月内的贷款、还款记录、工商信息、信用信息和或税务信息等，该资料数据根据不同的行业，不同的情况具体决定，在本实施例中将不进行一一列举，该资料数据的采集根据实际情况具体决定，不限于本实施例所列举的情况；
对采集的所述资料数据进行校核处理，建立贷款客户的资料数据库；
基于标准案例库，采用主成分分析方法对所述资料数据库进行分析，筛选出与授信相关的特征集；
采用决策树方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
基于所述授信模型，对贷款客户的授信请求进行相应的授信操作；
所述方法还包括：更新所述资料数据库、更新所述特征集，更新所述授信模型。
采集贷款客户的资料数据，在本实施例中例如所述客户信息资料至少包括：客户姓名或名称、客户行业背景、信用记录、最近三个月内的贷款、还款记录、工商信息、信用信息和或税务信息等，该资料数据根据不同的行业，不同的情况具体决定，在本实施例中将不进行一一列举，该资料数据的采集根据实际情况具体决定，不限于本实施例所列举的情况；
对采集的所述资料数据进行校核处理，建立贷款客户的资料数据库；
基于标准案例库，采用主成分分析方法对所述资料数据库进行分析，筛选出与授信相关的特征集；
采用决策树方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
基于所述授信模型，对贷款客户的授信请求进行相应的授信操作；
所述方法还包括：更新所述资料数据库、更新所述特征集，更新所述授信模型。
[0032] 在本实施例中，数据的校核处理和实施例1中相同。
[0033] 本实施例中采用主成分分析方法在数据库中筛选出所需的特征集，由于资料数据库内存储的客户资料数据条目成本上千项，甚至更多，故在本实施例中不对具体何种客户资料进行具体限定，同时也不对采用主成分分析方法提取的特征集做具体说明，本实施例仅仅用于介绍智能授信方法的实施过程。
[0034] 本实施例中，主成份分析法的作用与深度学习类似，但实施起来更为简单，精度也略低。主成分分析方法的简单介绍，采用主成分分析法在数学上对数据进行降维，设法将原来众多的具有一定的相关性的指标，重新组合成较少个数的互不相关的综合性指标。主成分分析法的流程：（1）构造样本阵，对样本阵进行标准化变换（2）对标准化阵求相关系数矩阵（3）解出样本相关矩阵的特征方程的特征根（4）根据累计贡献率确定主成分（5）计算主成分载荷（6）计算主成分得分原指标相关系数矩阵相应的特征值为主成分方差的贡献，根据特征值的大小来提取主成分，如果方差的贡献率越大，则说明主成分反映信息的能力越大。
[0035] 本实施例中决策树方法的简单介绍，决策树主要包含决策树的构造和决策树的剪枝两个部分。
[0036] （1）决策树的构造，利用核心算法通过自顶向下构造决策树来进行学习，分类能力最好的属性被选作根节点来进行测试，衡量属性价值主要通过信息增益。其中涉及到主要两种公式:1）布尔型分类的熵计算公式为： ，其中 是S中正
例的比例，是 在S中反例的比例，定义 。如果目标属性具有c个不同的值，更一般的形式为： ,其中， 是S中属于类别i的比例。
例的比例，是 在S中反例的比例，定义 。如果目标属性具有c个不同的值，更一般的形式为： ,其中， 是S中属于类别i的比例。
[0037] 2）属性A相对样例集合S的信息增益Gain(S,A)为，其
中, 是属性值A的所有的可能值的集合， 是S中属性A的值为v的子集。
中, 是属性值A的所有的可能值的集合， 是S中属性A的值为v的子集。
[0038] 通过以上的公式我们通过信息增益并且来评估属性的分类能力，进行决策树的构造。
[0039] 决策树的剪枝，在决策树的构造中，为了解决过度拟合现象，主要采用规则后修剪方法。主要通过训练集合的属性值推导出决策树之后，将决策树从根节点到每一个叶子节点的路径创建一个规则，转化为等价规则集合，删除能够使估计精度提高的的前件来修剪规则，再通过修剪过的规则的估计精度进行排序，根据这样顺序应用规则来分类。
[0040] 上述各实施例中，对所述特征集的训练方法还包括人工神经网络的方法，本发明不限定训练集的具体筛选方法和特征集的具体训练方法，不仅仅限于本发明实施例所列举的情况。
[0041] 上述各实施例中，采用预定分析方法对所述资料数据库进行分析，筛选出与授信相关的特征集，所述预定分析方法至少包括深度学习方法和/或主成分分析法。
[0042] 上述各实施例中，采用预定分类方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型，所述预定分类方法包括支持向量机方法、人工神经网络或/和决策树。
[0043] 上述各实施例中，还包括预先输入或存储所述标准案例库的步骤，所述标准案例库也即授信的标准，简单举例，例如个人的年收入为10万，则该个人可以获得的贷款额度为3万，该举例未必符合实际情况，仅仅为了解释标准案例库的含义。
[0044] 实施例3本实施例智能授信装置，该装置具体为个人PC，包括：
客户信息采集模块，用于采集贷款客户的资料数据；
数据库建立模块，用于对所述客户信息采集模块采集的所述资料数据进行校核处理，建立贷款客户的资料数据库；
特征集提取模块，用于基于标准案例库，采用预定分析方法对所述资料数据库进行分析，筛选出与授信相关的特征集；
授信模型生成模块，用于采用预定分类方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
授信模块，基于所述授信模型，对贷款客户的授信请求进行相应的授信操作；
管理模块，用于更新所述资料数据库、更新所述特征集，所述授信模型生成模块基于更新后的所述特征集更新所述授信模型。
客户信息采集模块，用于采集贷款客户的资料数据；
数据库建立模块，用于对所述客户信息采集模块采集的所述资料数据进行校核处理，建立贷款客户的资料数据库；
特征集提取模块，用于基于标准案例库，采用预定分析方法对所述资料数据库进行分析，筛选出与授信相关的特征集；
授信模型生成模块，用于采用预定分类方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
授信模块，基于所述授信模型，对贷款客户的授信请求进行相应的授信操作；
管理模块，用于更新所述资料数据库、更新所述特征集，所述授信模型生成模块基于更新后的所述特征集更新所述授信模型。
[0045] 本实施例中，所述特征集提取模块包括深度学习方法单元和主成分分析法单元，其中所述深度学习单元，采用深度学习的方法基于标准案例库对所述资料数据库进行分析，筛选出与授信相关的特征集；
所述主成分分析单元，采用主成分分析的方法基于标准案例库对所述资料数据库进行分析，筛选出与授信相关的特征集。
所述主成分分析单元，采用主成分分析的方法基于标准案例库对所述资料数据库进行分析，筛选出与授信相关的特征集。
[0046] 所述特征集提取模块选择深度学习单元或主成分分析单元对所述资料数据库进行分析，筛选出与授信相关的特征集。本实施例中利用深度学习单元对所述资料数据库进行分析，筛选出与授信相关的特征集。
[0047] 本实施例中，所述授信模型生成模块包括支持向量机单元、人工神经网络单元和决策树单元，其中，所述支持向量机单元，采用支持向量机方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
所述人工神经网络单元，采用人工神经网络方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
所述决策树单元，采用决策树方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型。
所述人工神经网络单元，采用人工神经网络方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型；
所述决策树单元，采用决策树方法基于所述标准案例库，对所述特征集进行数据训练，得到授信模型。
[0048] 所述授信模型生成模块选择支持向量机单元、人工神经网络单元或决策树单元对对所述特征集进行数据训练，得到授信模型。本实施例中利用人工神经网络单元对所述特征集进行数据训练，得到授信模型。
[0049] 本实施例中使用的人工神经网络单元使用的人工神经网络方法的简单介绍，神经网络主要利用反向传播算法来学习网络的权值，主要采用梯度下降的方法尝试最小化目标值和网络输出值之间的误差平方。
[0050] 定义误差： ，其中，outputs是网络输出单元的集合， 和 是与训练样例d和第k个输出单元输出的相关值。
[0051] 根据每一个单独样例的误差增量计算权值更新，采用随机梯度下降方法神经网络的训练过程如下步骤：（1）创建输入，隐藏单元，还有输出单元的网络
（2）初始化所有网络权值为小的随机值
（3）对于每一个训练样例
1）将实例输入网络，计算网络中的每一个单元u的输出
2）网络中的每一个输出单元k，计算误差项
3）网络每一个隐藏单元h，计算误差项
4）更新每一个网络的权值
（4）直到遇到终止条件，否则回到继续（3）执行
上述实施例1和实施例2的方法能够在PC、笔记本、平板电脑、手机、个人移动终端上运行。
（2）初始化所有网络权值为小的随机值
（3）对于每一个训练样例
1）将实例输入网络，计算网络中的每一个单元u的输出
2）网络中的每一个输出单元k，计算误差项
3）网络每一个隐藏单元h，计算误差项
4）更新每一个网络的权值
（4）直到遇到终止条件，否则回到继续（3）执行
上述实施例1和实施例2的方法能够在PC、笔记本、平板电脑、手机、个人移动终端上运行。
[0052] 上述实施例3中的智能授信装置不仅仅限于个人PC，还可以为笔记本、平板电脑、手机等个人移动终端上运行。
[0053] 上述各实施例中，数据采集，包括四个来源：用户自填数据项（姓名、年龄、行业、职业等基本信息）、银行内部数据库、网络数据源（主要指社交网络数据）和社会信用基础数据（税务、社保等数据，很多地方已经建立这类数据库）。
[0054] 数据预处理，如数据清洗等常见处理数据特征预处理，使用深度学习等方法提取有效特征。这个处理一般是一次性的，一旦获得有效特征后，模型的参数就固定了。
[0055] 用户分类，使用决策树、随机森林等方法，对用户进行分类，形成授信结果。
[0056] 另外数据权重的问题，指的是在决策树等方法中，特征项的权重是不同的（即不同特征对分类结果的贡献不同）。某些特征可能要被辅以较高的权重，如平均月收入等，某些特征如行业特征的权重可能就小一点。首先会根据经验设定权重值；然后采用的智能分类方法一般可以自动对权重进行调整。
[0057] 最后需要说明的是：以上实施例仅用于说明本发明的技术方案，并非用于对本发明的限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 用于识别对象的方法和设备 | 2020-05-08 | 102 |
| 用于图像识别的深度学习模型、该模型的训练装置及方法 | 2020-05-08 | 260 |
| 一种基于深度学习的领域自适应中文分词方法 | 2020-05-11 | 981 |
| 基于滑动输入来确定输入字符的系统和方法 | 2020-05-08 | 900 |
| 一种HLA I型分子与多肽的亲和力预测方法 | 2020-05-08 | 576 |
| 一种基于深度学习的疲劳检测方法 | 2020-05-08 | 587 |
| 使用深度学习算法来评价输入数据 | 2020-05-08 | 728 |
| 一种基于深度学习的商品二维码生成方法及系统 | 2020-05-08 | 40 |
| 一种基于人物身份的人物实体链接方法 | 2020-05-11 | 959 |
| 一种并行消息处理方法、系统及相关装置 | 2020-05-08 | 378 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈