[发明专利]用户信用评估方法及装置

权利要求书

1.一种用户信用评估方法，其特征在于，所述方法包括：

获取用户的第一行为序列和至少一个关联用户的第二行为序列，包括：获取所述用户的第一行为序列所包括的n个向量，将所述n个向量映射到同一值域空间中，n为正整数；获取所述关联用户的第二行为序列所包括的m个向量，将所述m个向量映射到所述同一值域空间中，m为正整数，其中，所述关联用户是在社交网络与所述用户存在关联的其他用户，每个向量对应用户的一个行为数据，不同的行为数据使用的刻度不同，将向量的元素的取值映射到同一值域空间中即将向量的元素的取值映射为相同刻度的；

将所述用户的第一行为序列输入第一循环神经网络，得到所述用户的第一序列特征表示，所述第一序列特征表示用于体现与所述用户对应的隐含特征，所述隐含特征是人工进行基础特征抽取时无法抽取到的特征；

将所述关联用户的第二行为序列输入第二循环神经网络，得到所述关联用户的第二序列特征表示，所述第二序列特征表示用于体现与所述关联用户对应的隐含特征；

将所述第一序列特征表示和所述第二序列特征表示分别对应的向量进行拼接，得到一个更长的向量，作为所述用户的序列特征表示；

将所述用户的序列特征表示输入栈式自编码器，所述栈式自编码器包括k层受限玻尔兹曼机RBM，每个所述RBM包括输入层和隐藏层，k为正整数，所述栈式自编码器的第i+1层所述RBM的输入层的输入为第i层所述RBM的隐藏层的输出，i为正整数，ii+1k；

将第k层所述RBM的隐藏层的输出作为所述用户的组合特征衍生表示；

将所述用户的组合特征衍生表示输入分类器，得到所述用户的信用评估数据；

其中，所述第一循环神经网络、所述第二循环神经网络和所述栈式自编码器中的模型参数是利用样本序列数据进行训练后确定的，所述第一循环神经网络和所述第二循环神经网络中的模型参数相同；

其中，所述RBM在训练时包括输入层、隐藏层和输出层，所述栈式自编码器的训练过程包括如下步骤：

将样本用户的序列特征表示输入所述栈式自编码器，所述样本用户的序列特征表示是根据所述样本序列数据计算得到的；

在预训练阶段，在对第i层所述RBM进行训练时，将预定特征表示输入第i层所述RBM的输入层，根据第i层所述RBM的第i权重矩阵和第i偏置向量计算第i层所述RBM的输出层的数据；

将第i层所述RBM的输入层的数据和输出层的数据代入第二损失函数，判断所述第二损失函数是否收敛到极小值；

当所述第二损失函数没有收敛到极小值时，调整所述第i权重矩阵和所述第i偏置向量，将第i层所述RBM的输入层的数据和调整后的第i层所述RBM的输出层的数据代入所述第二损失函数，直到所述第二损失函数收敛到极小值；

当所述第二损失函数收敛到极小值时，将调整后的所述第i权重矩阵和所述第i偏置向量确定为预训练后的RBM参数；

其中，第i层所述RBM的隐藏层的输出作为第i+1层所述RBM的输入层的输入，i为正整数，i为1时所述预定特征表示是所述样本用户的序列特征表示，i大于1时所述预定特征表示是第i-1层所述RBM的隐藏层的输出，ii+1k；

在精调阶段，将第k层所述RBM的隐藏层的输出作为训练组合特征衍生表示输入给第二训练分类器，得到第二预测数据；

将所述第二预测数据和标签数据代入第三损失函数，判断所述第三损失函数是否收敛到极小值，其中，所述标签数据是对所述样本用户的信用进行标注后的标签；

当所述第三损失函数没有收敛到极小值时，利用误差反向传播算法对每层所述RBM的隐藏层的权重矩阵和偏置向量进行调整，直到所述第三损失函数收敛到极小值；

当所述第三损失函数收敛到极小值时，将调整后的每层所述RBM的隐藏层的权重矩阵和偏置向量确定为所述栈式自编码器的模型参数。