[发明专利]一种分布式自动特征组合的纳税人信用评估方法

权利要求书

1.一种分布式自动特征组合的纳税人信用评估方法，其步骤包括：

1)构建信用评估模型的训练样本；所述训练样本以纳税人为单位，包含纳税人在设定领域的特征信息，以及根据纳税人的历史风险情况设置对应样本的风险标签，将历史记录中存在风险行为的纳税人作为黑样本，不具有风险行为的纳税人作为白样本；

2)利用所述训练样本采用MapReduce分布式计算框架进行随机森林模型的训练，得到一分布式随机森林模型；

3)将训练样本输入该分布式随机森林模型，生成输入的每一训练样本的多个组合特征；

4)将步骤3)中生成的组合特征与对应纳税人的特征信息进行合并；

5)利用步骤4)合并后的特征训练评分卡模型；

6)对于一待信用评估的纳税人，利用该分布式随机森林模型生成该纳税人的组合特征并与该纳税人的特征信息进行合并，然后将该纳税人合并后的特征输入步骤5)训练好的评分卡模型，预测该纳税人的信用评分。

2.如权利要求1所述的方法，其特征在于，得到所述分布式随机森林模型的方法为：随机森林模型中的每棵决策树在Map阶段生成该决策树的子训练样本集，每个Reduce任务对应一个决策树模型的训练过程，并根据每个叶节点上的子数据集的样本标签计算该叶节点的证据权重值WOE，作为从根节点到该叶节点构成的组合特征的特征值，每棵决策树中的每条从根节点到叶节点的路径对应一条组合特征。

3.如权利要求2所述的方法，其特征在于，每个Reduce任务对应一个决策树模型的训练过程，构建一对应决策树，其方法为：

31)选择一特征构建根节点，然后根据选择的特征划分所训练决策树对应的子训练数据集，对当前划分得到的每个子数据集构建子树，子树的根节点作为当前根节点的孩子节点；

32)如果当前要划分的子数据集满足条件a)或b)，或者树深度到达设定的最大树深度，则停止划分并返回叶子节点；否则，从所有特征中随机选择F个特征，计算每个所选特征的信息增益，然后选择信息增益最大的特征作为当前节点的分裂特征，根据该分裂特征对子数据集的划分；如果分裂特征的取值为空值，则将当前待划分子数据集中的样本按照小于或等于特征分割点、大于特征分割点、空值分为三个子数据集，然后计算每个子数据集的WOE值，然后比较空值的子数据集的WOE值与其他两子数据集的WOE值的大小，将空值样本的子数据集划分到与其WOE值更接近的一个子数据集中；其中，条件：a)子数据集为空、b)子数据集中的所有样本的类标一致。

4.如权利要求3所述的方法，其特征在于，如果当前子数据集的样本数量小于设定的最小样本数量，则利用该子数据集直接构造成叶节点，否则，重复步骤32)。

5.如权利要求2或3所述的方法，其特征在于，计算所述证据权重值WOE的方法为：其中，b_i为叶子节点的子数据集中黑样本的数量，b_total为整个子数据集中的黑样本数量，g_i为叶子节点的数据集中白样本的数量，g_total为整个子数据集中白样本的数量。

6.如权利要求2所述的方法，其特征在于，生成该决策树的子训练样本集的方法为：决策树在Map阶段采用伯努利分布来进行样本的抽取，样本被选中的次数服从二项分布；通过对样本被选中次数的二项分布进行采样，得到每个决策树的子训练样本集；Mapper任务的key为决策树的id，value为选中的训练样本，对于Mapper任务收到的每个样本，都需要计算其被采样到决策树的数量，然后输出指定数量的tree_id,sample对，tree_id为决策树的id，sample为决策树的样本。

7.如权利要求1所述的方法，其特征在于，所述训练样本包含纳税人在基本信息、申报信息、纳税信息、发票信息、关系网络五个领域里面的基本特征。