[发明专利]一种基于动态扩展模型的实时信用分析方法及系统

权利要求书

1.一种基于动态扩展模型的实时信用分析方法，其特征在于，包括以下步骤：

步骤1)，动态扩展模型构建

采集用户基础信用信息，根据用户基础信用信息建立信用扩展分析模型：

其中，s(g，p，q)表示信用评估，z为基础信用权重；g为基础信用系数，设定当非信用白户时，g＝1，当设定为信用白户时，g＝0；n为信用数据采集维度数，i为自然数，且1≤i≤n；c_i为维度权重，cosθ_i是维度相似度，d(v_j)为信用记录相似度，(v_j)为信用记录分值；p为维度内具体信用记录系数，a_j为维度内具体信用记录权重；q为信用时效系数，b_j为时效权重，且1≤j≤m；m为维度内信用记录数；

步骤2)，机器学习建模

采集数据样本建立训练数据集，通过机器学习算法确定信用扩展分析模型的基础信用权重z、维度权重c_i、维度内具体信用记录权重a_j和时效权重b_j，进而确定最终的信用扩展分析模型。

2.根据权利要求1所述基于动态扩展模型的实时信用分析方法，其特征在于：步骤1)中维度的设立方法为：根据用户信用行为将用户信用分析维度划分n个维度，每个维度除了有维度权重去衡量信用维度的重要性，还需要用余弦相似度去控制模型计算的客观性，对每个维度内产生的信用行为再进行具体的分析，需要考虑到每条记录的行为结果及产生的时间来计算某次信用行为的信用价值，并且采用欧几里得距离算法，每条信用记录是信用计算最小的单位。

3.根据权利要求1所述基于动态扩展模型的实时信用分析方法，其特征在于：所述机器学习算法为支持向量机算法、K最近邻算法或神经网络模型算法。

4.根据权利要求1所述基于动态扩展模型的实时信用分析方法，其特征在于：所述用户基础信用信息为用户银行信用记录信息。

5.根据权利要求1所述基于动态扩展模型的实时信用分析方法，其特征在于：所述维度内具体信用记录系数为维度内信用行为次数。

6.根据权利要求1所述基于动态扩展模型的实时信用分析方法，其特征在于：所述信用时效系数为信用行为的时效性。

7.根据权利要求1所述基于动态扩展模型的实时信用分析方法，其特征在于：步骤2)中确定最终的信用扩展分析模型的方法如下：

步骤2.1)采集数据样本建立训练数据集，

采集数据样本，对数据样本进行清洗过滤，转化为模型的训练数据集；

步骤2.2)通过机器学习算法交叉验证，确定信用扩展分析模型的最佳超参数；

步骤2.3)使用多种机器学习算法进行验证，对生成的多个训练模型进行进一步融合，进而确定最终的信用扩展分析模型。

8.一种基于动态扩展模型的实时信用分析系统，其特征在于：包括Flink流式信用计算平台、输入模块和输出模块，其中：

所述输入模块用于输入用户基础信用信息；

所述Flink流式信用计算平台用于加载权利要求1中所述的最终的信用扩展分析模型，根据输入的用户基础信用信息通过最终的信用扩展分析模型得到信用评估；

所述输出模块用于输出Flink流式信用计算平台的信用评估。