大數(shù)據(jù)征信及智能評估：征信大數(shù)據(jù)挖掘與智能分析技術

部分 基礎技術研究
第1章 多源多模態(tài)征信大數(shù)據(jù)融合方法    2
1.1 多模態(tài)融合概述 3
1.1.1 研究背景與意義  3
1.1.2 研究現(xiàn)狀 5
1.1.3 研究內(nèi)容     10
1.2 多模態(tài)融合相關理論技術 12
1.2.1 眾包標注     12
1.2.2 眾包數(shù)據(jù)的消噪  13
1.2.3 圖像分類     19
1.2.4 多模態(tài)數(shù)據(jù)融合  25
1.2.5 協(xié)同學習     29
1.3 基于協(xié)同學習技術的決策級融合方法     33
1.3.1 任務描述     33
1.3.2 多源同構數(shù)據(jù)融合方法：CT-MID   34
1.3.3 CT-MID模塊說明 35
1.3.4 實驗分析     41
1.3.5 方法分析     45
1.4 基于多模態(tài)適配器的特征級融合方法     50
1.4.1 任務描述     50
1.4.2 多源異構數(shù)據(jù)融合方法：MLP-Adapter 51
1.4.3 實驗結果     55
1.5 基于協(xié)同學習的多源數(shù)據(jù)融合原型系統(tǒng)    59
1.5.1 系統(tǒng)組成單元   59
1.5.2 功能展示     61
第2章 大數(shù)據(jù)征信歸因分析及模型可解釋性研究   66
2.1 大數(shù)據(jù)征信分析概述  67
2.1.1 研究背景與意義  67
2.1.2 研究現(xiàn)狀     68
2.1.3 問題與挑戰(zhàn)    72
2.1.4 研究內(nèi)容     77
2.2 相關理論技術 78
2.2.1 特征選擇方法   78
2.2.2 因果模型     81
2.2.3 模型的可解釋方法 83
2.3 歸因分析技術研究    87
2.3.1 歸因分析總體流程設計   87
2.3.2 實驗評估：歸因分析    93
2.4 模型可解釋性提升技術研究    101
2.4.1 可解釋性提升方法設計   101
2.4.2 實驗一：整體可解釋性提升 107
2.4.3 實驗二：個體可解釋性提升 116
2.5 原型系統(tǒng)的設計與實現(xiàn)  124
2.5.1 系統(tǒng)業(yè)務流程設計     124
2.5.2 系統(tǒng)功能架構設計     126
2.5.3 效果展示    128
2.5.4 系統(tǒng)測試    135
第二部分 信用評估技術研究
第3章 基于時序行為分析的信用評估技術 140
3.1 時序行為信用評估概述  141
3.1.1 研究背景與意義 141
3.1.2 研究現(xiàn)狀    142
3.1.3 研究內(nèi)容    144
3.2 相關理論技術 144
3.2.1 基于神經(jīng)網(wǎng)絡的模型    144
3.2.2 圖嵌入模型   149
3.3 數(shù)據(jù)準備與特征工程  152
3.3.1 數(shù)據(jù)準備    152
3.3.2 數(shù)據(jù)觀察    154
3.3.3 數(shù)據(jù)清洗    156
3.3.4 特征工程    157
3.4 基于時序行為的征信評估模型設計 163
3.4.1 模型總體設計  163
3.4.2 基于Auto-Encoder LSTM模型的交易序列特征編碼     164
3.4.3 基于Node2Vec模型的行為序列特征編碼     168
3.4.4 基于特征融合的用戶信用評估模型   173
3.5 模型驗證與原型系統(tǒng)  176
3.5.1 模型驗證    176
3.5.2 原型系統(tǒng)設計與實現(xiàn)    184
第4章 征信大數(shù)據(jù)頻繁模式與關聯(lián)規(guī)則挖掘     192
4.1 征信大數(shù)據(jù)挖掘概述  193
4.1.1 研究現(xiàn)狀    193
4.1.2 問題描述    197
4.1.3 研究內(nèi)容    198
4.2 相關理論技術 198
4.2.1 數(shù)據(jù)融合的相關技術    198
4.2.2 動態(tài)關聯(lián)規(guī)則挖掘的相關技術    203
4.3 多源征信大數(shù)據(jù)融合方法     207
4.3.1 數(shù)據(jù)融合    207
4.3.2 數(shù)據(jù)融合方法  209
4.3.3 多源異構數(shù)據(jù)的融合模型  212
4.3.4 實驗結果與分析 217
4.4 結構化征信大數(shù)據(jù)動態(tài)關聯(lián)規(guī)則挖掘算法   219
4.4.1 動態(tài)關聯(lián)規(guī)則的形式化定義 219
4.4.2 與靜態(tài)關聯(lián)規(guī)則的比較   220
4.4.3 動態(tài)關聯(lián)規(guī)則的評價    221
4.4.4 動態(tài)關聯(lián)規(guī)則挖掘算法   221
4.4.5 實驗結果與分析 224
4.5 流式半結構化征信大數(shù)據(jù)頻繁項集挖掘算法  227
4.5.1 數(shù)據(jù)流與半結構化數(shù)據(jù)   227
4.5.2 樹結構模型挖掘的相關定義 229
4.5.3 兩個改進    230
4.5.4 改進的挖掘算法 235
4.6 實驗結果與分析    238
4.6.1 實驗數(shù)據(jù)    238
4.6.2 實驗結果    238
第5章 信用風險違約識別與預警技術   242
5.1 信用風險違約概述   243
5.1.1 研究背景與意義 243
5.1.2 研究現(xiàn)狀    245
5.1.3 研究內(nèi)容    250
5.2 相關理論技術 251
5.2.1 個人信用評估指標體系   251
5.2.2 個人信用評估模型技術   253
5.3 信用風險數(shù)據(jù)與數(shù)據(jù)預處理    263
5.3.1 數(shù)據(jù)來源    263
5.3.2 數(shù)據(jù)信息    265
5.3.3 缺失值分析   268
5.3.4 分類變量    270
5.3.5 連續(xù)變量的離散化     273
5.3.6 異常值處理   274
5.3.7 領域變量處理  276
5.4 個人信用風險違約識別與預警模型設計    276
5.4.1 模型設計分析  277
5.4.2 組合模型優(yōu)化  279
5.4.3 D-S Stacking模型 282
5.5 模型驗證與原型系統(tǒng)  288
5.5.1 系統(tǒng)業(yè)務流程  288
5.5.2 系統(tǒng)架構設計  290
5.5.3 原型系統(tǒng)效果評估     296
第6章 信用環(huán)境的區(qū)域差異性影響因素  301
6.1 信用環(huán)境的區(qū)域差異概述     302
6.1.1 研究背景與意義 302
6.1.2 研究現(xiàn)狀    302
6.1.3 研究內(nèi)容    304
6.2 相關理論技術 305
6.2.1 數(shù)據(jù)準備    305
6.2.2 空間自相關分析方法    306
6.2.3 XGBoost算法   309
6.2.4 隨機森林    311
6.2.5 TreeSHAP模型  312
6.3 基于兩種機器學習算法的我國城市商業(yè)信用環(huán)境指數(shù)模型     313
6.3.1 我國城市商業(yè)信用環(huán)境指數(shù)特征共線性分析   313
6.3.2 基于XGBoost的我國城市商業(yè)信用環(huán)境指數(shù)模型 314
6.3.3 基于隨機森林的我國城市商業(yè)信用環(huán)境指數(shù)模型 316
6.3.4 兩種機器學習方法評估精度比較分析  317
6.4　基于TreeSHAP特征因子解釋分析 319
6.4.1 基于XGBoost模型的特征因子解釋分析     319
6.4.2 基于隨機森林模型的特征因子解釋分析     321
6.4.3 小結  323
第三部分 信用評估系統(tǒng)研發(fā)
第７章 信用評估監(jiān)測預警技術及系統(tǒng)   326
7.1 系統(tǒng)建設目標與任務  327
7.1.1 建設目標    327
7.1.2 建設任務    327
7.1.3 總體設計方案  328
7.2 系統(tǒng)設計   328
7.2.1 需求調(diào)研    328
7.2.2 數(shù)據(jù)庫設計   329
7.2.3 系統(tǒng)架構設計  330
7.2.4 功能設計    331
7.2.5 接口設計    356
7.2.6 系統(tǒng)部署    357
7.2.7 軟件安裝    357