申请/专利权人：湖南三湘银行股份有限公司

申请日：2023-12-21

公开（公告）日：2024-04-30

公开（公告）号：CN117437039B

主分类号：G06Q40/03

分类号：G06Q40/03;G06N20/00;G06F21/60;G06F21/62

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2024.02.09#实质审查的生效;2024.01.23#公开

摘要：本发明涉及银行贷款风控技术领域，尤其涉及一种基于纵向联邦学习的商业银行贷款风控方法。所述方法包括以下步骤：获取商业银行贷款借款人的信息数据，通过信息降噪算法对商业银行贷款借款人的信息数据进行降噪处理，得到商业银行贷款降噪数据；利用敏感数据隐蔽算法对商业银行贷款降噪数据进行数据隐蔽处理，得到银行贷款隐蔽信息数据；利用数据筛选技术对银行贷款隐蔽信息数据进行筛选处理，得到银行贷款数字类数据和银行贷款文本类数据；利用无线传输技术将银行贷款数字类数据和银行贷款文本类数据分别传输至相应的分支服务器进行数据预处理，得到银行贷款数字类数据特征和银行贷款文本类向量。本发明能够提高贷款风险评估的准确性和可靠性。

主权项：1.一种基于纵向联邦学习的商业银行贷款风控方法，其特征在于，包括以下步骤：步骤S1：获取商业银行贷款借款人的信息数据，通过信息降噪算法对商业银行贷款借款人的信息数据进行降噪处理，得到商业银行贷款降噪数据；利用敏感数据隐蔽算法对商业银行贷款降噪数据进行数据隐蔽处理，得到银行贷款隐蔽信息数据；其中，步骤S1包括以下步骤：步骤S11：从商业银行贷款系统中获取商业银行贷款借款人的信息数据，并对商业银行贷款借款人的信息数据进行数据清洗处理，得到商业银行贷款信息数据；步骤S12：通过信息降噪算法对商业银行贷款信息数据进行降噪处理，得到商业银行贷款降噪数据；其中，步骤S12包括以下步骤：步骤S121：通过信息降噪算法对商业银行贷款信息数据进行噪声值计算，得到银行贷款信息噪声值；其中，信息降噪算法的函数公式如下所示： ；式中，为第个商业银行贷款信息数据的银行贷款信息噪声值，为商业银行贷款信息数据的数量，为第个商业银行贷款信息数据的噪声信号，为第个商业银行贷款信息数据的噪声频率值，为噪声频率谱密度函数，为噪声信号滤波器响应卷积核，为第个商业银行贷款信息数据的傅里叶频域变换函数，为第个商业银行贷款信息数据的噪声方差，为银行贷款信息噪声值的修正值；步骤S122：根据预设的银行贷款信息噪声阈值对银行贷款信息噪声值进行判断，当银行贷款信息噪声值大于或等于预设的银行贷款信息噪声阈值时，则剔除该银行贷款信息噪声值对应的商业银行贷款信息数据，得到商业银行贷款降噪数据；步骤S123：根据预设的银行贷款信息噪声阈值对银行贷款信息噪声值进行判断，当银行贷款信息噪声值小于预设的银行贷款信息噪声阈值时，则直接将该银行贷款信息噪声值对应的商业银行贷款信息数据定义为商业银行贷款降噪数据；步骤S13：对商业银行贷款降噪数据进行数据识别处理，得到商业银行贷款敏感数据；步骤S14：利用敏感数据隐蔽算法对商业银行贷款敏感数据进行数据隐蔽处理，得到银行贷款隐蔽信息数据；其中，敏感数据隐蔽算法的函数公式具体为： ； ；式中，为第个商业银行贷款敏感数据进行隐蔽处理后的银行贷款隐蔽信息数据，为第个商业银行贷款敏感数据的协方差矩阵，为商业银行贷款敏感数据的数量，为商业银行贷款敏感数据特征值的数量，为第个商业银行贷款敏感数据的第个特征值的数据隐蔽值，为第个商业银行贷款敏感数据的第个特征值的数据隐蔽平均值，为第个商业银行贷款敏感数据的协方差矩阵中第个特征值与第个特征值之间的逆矩阵，为第个商业银行贷款敏感数据的第个特征值的数据隐蔽值，为第个商业银行贷款敏感数据的第个特征值的数据隐蔽平均值，为特征值加噪分布函数，为第个特征值的标准差，为指数函数，为第个商业银行贷款敏感数据的第个特征值的加噪值，为第个特征值的均值；步骤S2：利用数据筛选技术对银行贷款隐蔽信息数据进行筛选处理，得到银行贷款数字类数据和银行贷款文本类数据；并利用无线传输技术将银行贷款数字类数据和银行贷款文本类数据分别传输至相应的服务器进行数据预处理，得到银行贷款数字类数据特征和银行贷款文本类向量；步骤S3：基于纵向联邦学习技术构建本地模型和联邦模型，利用傅里叶加密算法对银行贷款数字类数据特征和银行贷款文本类向量进行加密处理，得到银行贷款联合加密数据；并通过本地模型对银行贷款联合加密数据进行加密交互计算，得到本地模型加密梯度和本地模型加密损失；其中，步骤S3包括以下步骤：步骤S31：基于纵向联邦学习技术在商业银行的分支服务器中构建本地模型，并在商业银行的中央服务器中构建联邦模型；步骤S32：利用傅里叶加密算法对银行贷款数字类数据特征和银行贷款文本类向量进行加密处理，得到银行贷款联合加密数据；其中，傅里叶加密算法的函数公式具体为： ；式中，为银行贷款联合加密数据，为银行贷款数字类数据特征数据集，为银行贷款文本类向量数据集，为银行贷款数字类数据特征的数量，为银行贷款文本类向量的数量，为傅里叶加密初始时间，为傅里叶加密结束时间，为傅里叶加密处理时间，为傅里叶加密处理时间的均值，为傅里叶加密处理时间的标准差，为银行贷款数字类数据特征的平滑调整因子，为第个银行贷款数字类数据特征，为银行贷款数字类数据特征傅里叶加密调整参数，为银行贷款文本类向量的平滑调整因子，为第个银行贷款文本类向量，为银行贷款文本类向量傅里叶加密调整参数，为傅里叶加密调整相位角，为银行贷款联合加密数据的修正值；步骤S33：对傅里叶加密算法进行反解处理，得到傅里叶解密算法，并通过数据备份技术将傅里叶解密算法备份到联邦模型中；步骤S34：通过本地模型对银行贷款联合加密数据进行加密交互计算，得到本地模型加密梯度和本地模型加密损失；步骤S4：利用掩码处理技术对本地模型加密梯度进行掩码填充处理，得到本地模型加密掩码梯度；将本地模型加密掩码梯度和本地模型加密损失发送至联邦模型进行模型参数聚合和更新优化处理，得到贷款风控模型；步骤S5：利用贷款风控模型对银行贷款数字类数据特征和银行贷款文本类向量进行风险预测分析，得到贷款风险推断结果；对贷款风险推断结果进行预测和风险评估处理以执行相应的贷款决策。

全文数据：

权利要求：

百度查询： 湖南三湘银行股份有限公司 一种基于纵向联邦学习的商业银行贷款风控方法

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