[发明专利]小微企业信贷违约概率预测方法、装置、设备及存储介质

权利要求书

1.一种基于迁移学习的小微企业信贷违约概率预测方法，其特征在于，所述基于迁移学习的小微企业信贷违约概率预测方法包括：

步骤1、获取小微企业的信贷申请请求；

步骤2、提取所述信贷申请请求中的当前申请特征信息；

步骤3、通过源域集成学习模型对所述当前小微企业的申请特征信息进行组合特征提取，把源域集成学习模型中的每棵树计算得到的预测概率值所属的叶子节点位置记为1，得到组合特征；

步骤4、根据提取的组合特征通过目标域学习模型进行信贷违约概率预测，得到小微企业信贷违约概率的预测结果。

2.如权利要求1所述的小微企业信贷违约概率预测方法，其特征在于，步骤2中，信贷申请请求中的小微企业以及法人资料信息与预设关键字信息进行比较，将所述小微企业以及法人资料信息中含有所述预设关键字信息的目标资料信息作为所述当前申请特征信息；所述预设关键字信息为来自于企业征信以及个人征信与小微企业的违约概率相关的关键字信息，从而通过关键字信息进行有效信息的提取，提高小微企业的目标违约概率预测的准确性。

3.如权利要求1所述的小微企业信贷违约概率预测方法，其特征在于，所述通过源域集成学习模型对所述当前申请特征信息对应的小微企业进行组合特征提取之前，所述方法还包括：

获取源域历史申请特征信息{x_i:i＝1,2,…,N}，以及历史标签信息{y_i:i＝1,2,…,N}，为了保证所述源域集成学习模型能顺利迁移到目标域，要求源域历史申请特征信息与当前申请特征信息保持一致；

根据所述源域历史申请特征信息和历史标签信息通过如下公式得到所述源域集成学习模型：

其中，M表示弱学习器的数量，f_m(x|{x_i:i＝1,2,…,N},{y_i:i＝1,2,…,N})是根据源域历史申请特征信息和历史标签信息学习到的第m个弱学习器在样本x上的预测结果，f_m(x|{x_i:i＝1,2,…,N},{y_i:i＝1,2,…,N})记为f_m(x)，x表示所述源域申请特征信息。

4.如权利要求3所述的小微企业信贷违约概率预测方法，其特征在于，所述通过源域集成学习模型对当前申请特征信息对应的小微企业进行组合特征提取，包括：

定义所述源域集成学习模型的损失函数L(y,f(x))，并设置所述源域集成学习模型中的弱学习器数量M以及弱学习器的初始预测值f₀(x)；

根据所述源域历史申请特征信息、损失函数对每个弱学习器计算负梯度；

根据所述源域历史申请特征信息、负梯度以及损失函数得到树模型h_m(x)；

根据所述树模型h_m(x)更新强学习器：

f_m(x)＝f_m-1(x)+h_m(x)，m＝1,2,…,M

根据所述源域集成学习模型中的弱学习器数量M，得到最终所述源域集成学习模型：

其中，M表示弱学习器的数量，fm(x)是第m个弱学习器在样本x上的预测结果，x表示所述源域申请特征信息；

根据所述源域集成学习模型对所述当前申请特征信息对应的小微企业进行组合特征提取。

5.如权利要求4所述所述的小微企业信贷违约概率预测方法，其特征在于，根据所述源域历史申请特征信息、损失函数，对每个弱学习器通过如下公式计算负梯度：

其中，i＝1,2,…,N，m＝1,2,…,M，x_i表示样本i的源域历史申请特征信息，y_i表示样本i的历史标签信息，f_m-1(x)是第m-1次迭代时的强学习器。