[发明专利]一种基于联合卷积神经网络的催收风险评级方法及系统

权利要求书

1.一种基于联合卷积神经网络的催收风险评级方法，其中，所述方法包括：

步骤1：获得第一历史催收数据信息；

步骤2：对所述第一历史催收数据信息进行样本划分之后，获得第一训练样本数据信息与第一待测数据信息，其中，所述第一训练样本数据信息为带有风险评级等级标签的数据，所述第一待测数据信息为待评级行为记录数据；

步骤3：对所述第一训练样本数据信息进行预处理，获得第一待输入数据，其中，所述第一待输入数据为尺寸归一化为相同记录数量的数据，且所述第一待输入数据为单人历史行为数据F_l0；

步骤4：按照预设要求，构建卷积神经网络模型；

步骤5：将所述第一训练样本数据信息输入至所述卷积神经网络模型中，采用交叉熵损失函数、反向传播算法对所述卷积神经网络模型参数进行调整之后，将softmax回归作为分类算法，完成对所述卷积神经网络模型的训练；在训练时最小化所述交叉熵损失函数，通过所述反向传播算法调整所述卷积神经网络模型参数，以使得所述卷积神经网络模型达到收敛状态；

步骤6：将所述第一待测数据信息输入至训练完成后的所述卷积神经网络模型中；

步骤7：获得所述卷积神经网络模型的第一输出结果，其中，所述第一输出结果为第一行为风险归类结果。

2.如权利要求1所述的方法，其中，在所述步骤3中，所述方法包括：

获得现存行为数据信息；

根据所述现存行为数据信息，确定所有客户记录数量的中位数，并根据所述所有客户记录数量的中位数，获得输入的单个客户数据的条数n；

分别判断所述所有客户的客户数据的条数是否满足n条记录；

如果所述客户数据的条数少于所述n条记录，则从所述现存行为数据信息中按照随机抽样的方式，复制并扩充为n×d大小的客户数据，其中，d为每条历史记录的维度；

如果所述客户数据的条数多于所述n条记录，则从所述现存行为数据信息中按照时间降采样为所述n×d大小的客户数据。

3.如权利要求1所述的方法，其中，在所述步骤4中，所述方法包括：

获得所述卷积神经网络模型的基础信息，其中，所述卷积神经网络模型的包括10层，具体包括：四个联合卷积层、其中，所述四个联合卷积层分别为第一联合卷积层u_conv1、第二联合卷积层u_conv2、第三联合卷积层u_conv3、第四联合卷积层u_conv4，全局特征提取的MLP层m_1、最大池化Max Pooing层和一个由三层的MLP与一个softmax回归层组成的分类器，其中，所述卷积神经网络模型的输入数据为大小为n×d的单人历史行为记录数据F_l0；

根据所述基础信息，将所述单人历史行为记录数据F_l0依次通过所述第一联合卷积层u_conv1输出大小为n×64的特征图F_l1、通过所述第二联合卷积层u_conv2得到大小为n×64的特征图F_l2、通过所述第三联合卷积层u_conv3得到大小为n×64特征图F_l3、通过所述第四联合卷积层u_conv4得到大小为n×128的特征图F_l4；

将所述F_l0、所述F_l1、所述F_l2、所述F_l3、所述F_l4进行拼接，获得大小为n×323的局部特征图F_l；

将所述F_l输入至所述全局特征提取的MLP层m_1中，获得大小为n×1024的全局特征图F_G；

将所述F_G输入至所述最大池化Max Pooing层中，获得大小为1×1024的全局特征向量V_G；

将所述V_G输入至所述分类器中，其中，所述分类器中三层的MLP的第一层包括512个1×1的卷积核、第二层包括256个1×1的卷积核、第三层包括s个1×1的卷积核，其中，s为样本中风险等级数目；

将所述分类器的输出结果输入至所述softmax回归层中，获得大小为1×s的输出向量。