[发明专利]基于参考人关系网络上随机漫步的信用评价方法

说明书

技术领域

本发明涉及一种信用评价方法，更具体的说，尤其涉及一种基于参考人关系网络上随机漫步的信用评价方法。

背景技术

在借款人(如法人、自然人)申请贷款时，贷款人(如银行)通常需要借款人提交几个参考人(Trade Referee)。参考人根据借款人在以往的商业往来中的行为来对借款人的信用进行打分。参考人的打分越高，贷款人同意放贷(如商贷、房贷等)的几率越大。

多年来，学术界和产业界提出了很多的信用评价方法。典型的有基于专家判断的信用评价方法、基于统计分析的信用评价方法和基于人工智能的信用评价方法。

a)基于专家判断的信用评价方法

该方法是比较早期的方法。专家人工审查借款人所提交的信息，主要考虑5个维度。借款人的还款意愿；借款人的还款能力；借款人的净资产；抵押物；还有市场的环境因素。但专家人工判断的方法效率太低，无法处理大量借款人的申请。

b)基于统计分析的信用评价方法

随着个人金融的快速发展，尤其是信用卡的快速发展，学术界和业界提出了基于统计分析的信用评价方法。美国的FICO是当前应用最为广泛的方法。该方法考察借款人十几个维度的信息。如还款历史、信用账户数目、信用历史、信用账户的类型等等。把这些方面的信息作为信用的特征向量来构建统计学的模型，通过统计学的模型来评价借款人的信用。

c)基于人工智能的信用评价方法

近年来随着互联网、人工智能和金融科技(Fintech)的快速发展，学术界和业界提出了基于人工智能的信用评价方法。其思想是把借款人在互联网上留下的海量信息作为特征，训练一个人工智能的模型。该方法可以考虑借款人学历、日常消费历史、水电暖按时缴费历史、房租按时缴费历史、网购行为等上千个维度。

然而现有的信用评价方法存在一个弊端，参考人根据借款人在以往的商业往来中的行为来对借款人的信用进行打分，但参考人的信用并未纳入考虑的范围。参考人可能是一个经常骗贷的人，他的信用很差，他的打分应该不可信。现有的方法并未考虑这种情况，导致信用评价的结果不准。

发明内容

本发明为了克服上述技术问题的缺点，提供了一种基于参考人关系网络上随机漫步的信用评价方法。

本发明的基于参考人关系网络上随机漫步的信用评价方法，其特别之处在于，依次通过以下步骤来实现：

a).建立参考人关系网络，用图G＝(V,E)表示参考人关系网络，其中参考人v_i是V中的一个节点，V＝{v₁,v₂,...,v_i,...,v_n1}，n1为参考人的数目；参考人之间的打分关系为边，若参考人v对参考人u打分，则用有向边e(v,u)表示他们之间的打分关系，e(v,u)为E中的一条有向边，v给u所打的分数为边e(v,u)上的权重，用s(v,u)表示；其中，v∈V、u∈V，且v与u不为同一参考人；

b).定义入边邻居，如果参考人v存在对参考人u的打分行为，则在图G＝(V,E)中定义节点v是节点u的入边邻居，节点u的所有入边邻居用集合N_in(u)表示；v∈V、u∈V，且v与u不为同一参考人；

c).定义出边邻居，相应地，如果参考人v存在对参考人u的打分行为，则在图G＝(V,E)中定义节点u是节点v的出边邻居，节点v的所有出边邻居用集合N_out(v)表示；v∈V、u∈V，且v与u不为同一参考人；

d).赋初始信用值，对图G＝(V,E)中参考人对应的节点v_i均赋予一个相等的初始信用值trank(v_i)，i＝1,2,...,n1；

e).计算信用值，对于图G＝(V,E)中的每个节点，均利用公式(1)重新计算其信用值：

其中，节点v为节点u的入边邻居，v′为v的出边邻居；

执行步骤f)；

f).判断信用值是否不再变化，判断重新计算后的节点信用值与之前相比是否发生了变化，如果存在信用值变化的节点，则执行步骤e)；如果所有节点的信用值均不再变化，则执行步骤g)；

g).判断是否满足放贷条件，将要考察的参考人的最终信用值trank(v_i)与贷款人设定的放贷信用阈值进行比较，如果参考人的信用值大于放贷信用阈值，则给出满足放贷条件的建议；如果参考人的信用值小于放贷信用阈值，则给出不满足放贷条件的建议。