申请/专利权人：武汉众邦银行股份有限公司

申请日：2021-09-27

公开（公告）日：2024-04-05

公开（公告）号：CN113792935B

主分类号：G06Q40/03

分类号：G06Q40/03;G06F18/2431;G06F18/214;G06N20/20

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2021.12.31#实质审查的生效;2021.12.14#公开

摘要：本发明涉及计算机技术领域，公开了一种小微企业信贷违约概率预测方法、装置、设备及存储介质，旨在解决金融机构小微企业信贷业务中面临的数据稀缺、不全面、历史信息沉淀不足等问题，主要方案包括：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。

主权项：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；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之前，所述方法还包括：获取源域历史申请特征信息，以及历史标签信息，为了保证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源域集成学习模型： 其中，表示弱学习器的数量，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个弱学习器在样本上的预测结果，记为，表示源域申请特征信息;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：定义源域集成学习模型的损失函数，并设置源域集成学习模型中的弱学习器数量以及弱学习器的初始预测值；根据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；根据源域历史申请特征信息、负梯度以及损失函数得到树模型；根据树模型更新强学习器： 根据源域集成学习模型中的弱学习器数量，得到最终源域集成学习模型： 其中，表示弱学习器的数量，是第个弱学习器在样本上的预测结果，表示源域申请特征信息；根据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。

全文数据：

权利要求：

百度查询： 武汉众邦银行股份有限公司 小微企业信贷违约概率预测方法、装置、设备及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD