[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

说明书

本发明提供了一种基于联合卷积神经网络的催收风险评级方法及系统，通过获得第一历史催收数据信息；对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；对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，第一待输入数据为尺寸归一化为相同记录数量的数据；按照预设要求，构建卷积神经网络模型；将第一训练样本数据信息输入至卷积神经网络模型中，完成对卷积神经网络模型的训练；将第一待测数据信息输入至训练完成后的卷积神经网络模型中；获得卷积神经网络模型的第一输出结果，第一输出结果为第一行为风险归类结果，达到了降低了催收风险评级成本，提高了催收风险评级准确率的技术效果。

技术领域

本发明涉及催收风险评级技术领域，尤其涉及一种基于联合卷积神经网络的催收风险评级方法及系统。

背景技术

目前，很多银行贷款、信用卡等逾期后的催收业务大多交由第三方债务催收公司进行催缴。通过这种金融服务外包的方式催收主要有以下几种形式：电话催收、家访催收、暴力催收和法律催收。通过每笔逾期贷款的逾期天数来决定使用哪种形式的催收方式，并未对逾期还款的客户种类进行区分，从而不能达到精准催收的效果。若能在催收的早期阶段就能对逾期还款的客户进行精细化分类，也就是把将要变为不良客户的高风险客户和可以主动还款的低风险客户区分开来，对前者尽快采取强硬的催收手段，而对后者仅做提醒，不仅提高了催收效率，还能降低催收成本。应用技术手段可以让客户分类的实现更加合理和高效，为国内商业银行优化资源配置、增强个人业务贷后催收管理能力提供借鉴与参考。传统催收对于客户的评级，大多采用人工分析或简单模型的方式。对于人工评级的方法，既耗时耗力，结果又与评级业务员的经验与主观判断强关联，容易造成结果误判；而对于简单模型的方法，如决策树或者逻辑回归等，一般只基于少量指标或客户的最近一条记录进行分析，无法综合客户的全部历史记录，使得模型的泛化能力弱，导致模型对新数据欠佳的分类结果，具有局限性。而卷积神经网络替代了以上特征提取方法，其深层结构使其能够自动提取数据的深度鲁棒信息，利于分类器的训练和最终的目标检测。

但本发明申请人发现现有技术至少存在如下技术问题：

现有技术中的卷积神经网络在提取特征时，未使用到浅层特征信息，会导致网络出现梯度消失的问题，使得网络训练困难。同时普通的卷积网络对不同排序数据的输入，会得到不同的输出结果，会对风险分类结果造成影响。

发明内容

本发明实施例提供了一种基于联合卷积神经网络的催收风险评级方法及系统，解决了现有技术中的卷积神经网络在提取特征时，未使用到浅层特征信息，导致网络出现梯度消失，使得网络训练困难，同时还存在风险分类结果准确度差的技术问题，达到了降低催收风险评级成本，提高催收风险评级准确率，能够提高客户的风险评分精度，可行性和鲁棒性高的技术效果。

鉴于上述问题，提出了本申请实施例以便提供一种基于联合卷积神经网络的催收风险评级方法及系统。

第一方面，本发明提供了一种基于联合卷积神经网络的催收风险评级方法，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；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。

第二方面，本发明提供了一种基于联合卷积神经网络的催收风险评级系统，所述系统包括：