[发明专利]一种不完备信息条件下非线性映射信用评分方法

说明书

本发明涉及一种不完备信息条件下非线性映射信用评分方法，S1：通过评分主体的信息数据，构建包含多个待评价主体的不完全信息的信用特征向量矩阵；S2：采用[0,1]均匀分布填充的方式对缺失信息以及不完全信息补全，然后通过迭代求解来近似求解优化；S3：利用补全后的矩阵计算每个特征指标的信息熵，表示特征承载的信息量；S4：利用层次分析法（AHP）得到特征指标的权重向量，再根据定义信息缺失惩罚系数和原始信息缺失情况更新特征指标权重向量等步骤进行评估。本发明的方法在企业信息数据缺失和不完整的情况下，提升了企业数据缺失对评分方法可用性的限制，即便对有数据缺失的企业，仍可计算该相应的信用评分，同时方法具有客观性、准确性的特点。

技术领域

本发明涉及信用评价领域，尤其涉及一种不完备信息条件下非线性映射信用评分方法。

背景技术

信用评分是在评分主体特征信息数据基础上，运用定量方法对评分主体信用进行评价，最终以分数形式测度信用。主要分为定性和定量两类。定性方法利用专家经验，通过层次分析法(AHP)评分指标权重，再使用线性加权打分。定量方法利用实际的信用表现，通过数据建模方法构建数据模型并运用模型打分。但无论是定性或定量方法都需利用特征维度下完整数据，当数据缺失时评分方法就无法正常计算。

发明内容

本发明要解决的技术问题是设计一种不完备信息条件下非线性映射信用评分方法，解决上述现有的技术问题。

为解决上述技术问题，本发明提供了一种不完备信息条件下非线性映射信用评分方法，方法步骤如下：

S1：通过评分主体的信息数据，构建包含多个待评价主体的不完全信息的信用特征向量矩阵；

S2：采用[0,1]均匀分布填充的方式对缺失信息以及不完全信息补全，然后通过迭代求解来近似求解优化；

S3：利用补全后的矩阵计算每个特征指标的信息熵，表示特征承载的信息量；

S4：利用层次分析法(AHP)得到特征指标的权重向量，再根据定义信息缺失惩罚系数和原始信息缺失情况更新特征指标权重向量；

S5：根据线性加权函数公式和最大最小值映射函数公式计算主体对象的评分值。

进一步的，在步骤一中，根据信息可获得性构建特征向量矩阵M；所述矩阵中行为待评价的信用主体，列为该信用主体对应在该方面的表现。

进一步的，多个待评价主体的特征维度包括：基本信息、学历、工作、运营商、第三方征信、账户行为等方面，数据均为剔除隐私信息后的数值型脱敏数据。

进一步的，在步骤二中，先对标记为NaN的缺失信息采用[0,1]均匀分布填充，之后通过矩利用阵补全损失函数的迭代求解来近似求解优化问题

其中Ω为信息完全的矩阵元素；在迭代求解的过程中，采用作为迭代终止条件，分别沿Y梯度下降方向和沿Z梯度下降方向搜索最优解，在每次迭代过程中更新矩阵Y和Z，直到满足终止条件或达到最大迭代次数；最终得到矩阵Y、Z，令M’＝YZ^T，得到补全后的矩阵M’，M中的信息缺失部分使用M’相应位置值进行填充，得到n个信用评价主体的完整信息。

进一步的，在步骤三中，利用补全后的矩阵M’计算每个特征指标的信息熵，用以描述特征承载的信息量。第i个特征指标的信息熵值为得到特征指标信息熵向量e＝[e₁,e₂,...,e_i,...,e_m-1,e_m]，其中