一种农户信用评估方法及装置与流程

本发明涉及电子商务技术领域，尤其涉及一种农户信用评估方法及装置。

背景技术：

近年来，随着电子商务技术的飞速发展，各类数据业务如雨后春笋，而对农户的信用评估现已成为焦点问题。

现有农户信用评估技术中，通过人工采集数据和人工数据特征选择，且大部分评估技术直接采用机器学习算法中的浅层学习算法构建模型，由于人为的主观因素和算法的局限性，影响了农户的信用评估的速度和准确性，因此，亟需一种农户信用评估方法及装置能快速、准确、高效地对农户的信用进行评估。

技术实现要素：

本发明的目的在于提供一种农户信用评估方法及装置，避免了部分人工操作流程，采用深度特征学习模型，能够快速、准确、高效地对农户的信用进行评估。

为了达到上述目的，本发明一方面提供了一种农户信用评估方法，用于评估农户的信用分数，所述方法包括：

建立深度特征学习模型，对多个农户的数据信息进行深度特征学习，确定所述深度特征学习模型的参数；以及

将待评估农户的数据信息输入至所述深度特征学习模型，所述深度特征学习模型的输出经过一信用评估模型得到所述待评估农户的信用分数；

其中，所述深度特征学习模型包括深度信念网络，所述深度信念网络包括多层限制玻尔兹曼机。

优选地，在上述农户信用评估方法中，所述建立深度特征学习模型，对多个农户的数据信息进行深度特征学习，确定所述深度特征学习模型的参数的步骤包括：

获取多个农户的数据信息形成第一数据信息样本集；每个农户的数据信息包括农户主体信息、生产资料信息以及经营管理信息；

将所述第一数据信息样本集进行第一次数据处理以形成第二数据信息样本集，所述第一次数据处理包括：去噪声处理及归一化处理；

将所述第二数据信息样本集输入所述深度信念网络，确定所述深度信念网络的参数，所述参数包括：每层限制玻尔兹曼机的初始权重、初始偏置、学习率、对比散度算法参数以及训练周期。

优选地，在上述农户信用评估方法中，所述将待评估农户的数据信息输入所述深度特征学习模型，所述深度特征学习模型的输出经过一信用评估模型得到所述待评估农户的信用分数的步骤包括：

获取所述待评估农户的数据信息以形成第三数据信息样本集，所述待评估农户的数据信息包括农户主体信息、生产资料信息以及经营管理信息；

对所述第三数据信息样本集进行去噪声处理及归一化处理后，输入所述深度信念网络；

将所述深度信念网络的输出作为所述信用评估模型的输入，得到所述待评估农户的信用分数。

优选地，在上述农户信用评估方法中，所述将所述深度信念网络的输出作为所述信用评估模型的输入，得到所述待评估农户的信用分数的步骤包括：

所述深度信念网络的输出作为所述信用评估模型中的bp神经网络的输入，得到所述bp神经网络的输出矩阵a¹；

将所述bp神经网络的权值矩阵w¹与a¹的转置矩阵进行矩阵乘法运算，得到一向量a²，表示为：

以及

a²经过一激活函数得到所述待评估农户的信用分数，所述激活函数包括sigmoid函数。

优选地，在上述农户信用评估方法中，所述深度信念网络包括三层限制玻尔兹曼机。

为了达到上述目的，本发明另一方面提供了一种农户信用评估装置，用于评估农户的信用分数，其特征在于，包括：数据采集装置、数据处理装置以及客户端，所述数据采集装置用于对多个所述农户的数据信息进行采集并存储至第三数据信息样本集；所述数据处理装置用于对所述第三数据信息样本集进行数据处理，并评估出每个农户相应的信用分数；所述客户端用于实时展示所述信用分数及所述数据采集装置及数据处理装置的工作进程。

优选地，在上述农户信用评估装置中，所述数据采集装置包括数据采集模块及第一服务器，所述数据采集模块用于对多个所述农户的数据信息进行采集以形成第三数据信息样本集，并储存在所述第一服务器，所述第一服务器对所述第三数据信息样本集进行实时更新。

优选地，在上述农户信用评估装置中，所述数据处理装置包括第二服务器及第三服务器，所述第三服务器包括一深度特征学习模型及一信用评估模型，所述第二服务器用于对所述第三数据信息样本集进行去噪声处理及归一化处理，并将其输入至所述深度特征学习模型，所述深度特征学习模型的输出经由所述信用评估模型评估出每个农户相应的信用分数，输送至所述客户端。

优选地，在上述农户信用评估装置中，所述深度特征学习模型为深度信念网络；所述信用评估模型包括一个bp神经网络。

优选地，在上述农户信用评估装置中，所述数据处理装置对所述第三数据信息样本集进行数据处理包括去噪声处理及归一化处理。

综上所述，本发明提出了一种农户信用评估方法及装置，通过建立深度特征学习模型对农户的数据信息进行特征学习，利用此特征通过一信用评估模型有效地评估出待评估农户相应的信用分数，并展示于客户端，方便快捷，实用性强；进一步，利用多个农户的数据信息确定深度特征学习模型的参数，学习所有数据信息的深度特征，使得评估结果更加准确；进一步，使用深度学习算法中的深度信念网络使用建立深度特征学习模型，采用无监督的特征学习，增加了提取的特征的有效性。

附图说明

图1为本发明一优选实施例中的信用评估装置结构图；

图2为本发明一优选实施例中采集的农户数据信息分类；

图3为本发明一优选实施例对养殖农户的信用分数进行评估的工作流程图。

其中，1-数据采集装置；11-数据采集模块；12-第一服务器；2-数据处理装置；21-第二服务器；22-第三服务器；221-深度特征学习模型；222-信用评估模型；3-客户端。

具体实施方式

下面将结合示意图对本发明的具体实施方式进行更详细的描述。

本发明提供的一种农户信用评估装置，用于对农户的信用分数进行评估，包括:数据采集装置、数据处理装置以及客户端。

本实施例中，将上述农户信用评估装置运用于养殖农户的信用评估中。

具体的，如图1所示，数据采集装置1包括数据采集模块11及第一服务器12，数据采集模块11用于对养殖农户的数据信息进行采集，第一服务器12用于对上述数据进行存储，并实时更新。

数据采集模块11对养殖农户的数据信息进行采集方式可以但不限于为图像采集或第三可信方提供等，本发明对此不作任何限制。养殖农户的数据信息包括但不限于为主体信息、生产资料信息、经营信息以及其他信息，具体的，如图2所示，本发明对养殖农户的数据信息的体系分类不作任何限制。

具体的，第一服务器12用于将上述养殖农户的数据信息进行更新并存储至第三数据信息样本集c，包括：

将养殖农户的数据信息中的文字信息或图片信息转化为数字或向量(例如：图2中的主体信息中的性别使用0代表‘女’，用1代表‘男’)，并按照数据特征分类存储至第一数据信息样本集c中。

以m个养殖农户为例，每个养殖农户的数据信息为c中的一行，每个养殖农户的数据信息包括u类，每类为数据信息为c中的一列，则第m个养殖农户的第u类数据信息表示为x⁽⁰⁾mu，则第一数据信息样本集c可以表示为：

本实施例中，数据处理装置2包括第二服务器21及第三服务器22，第二服务器21用于对第三数据信息样本集c进行去噪声处理及归一化处理，使得每个数据都映射在[0，1]之间，得到数据信息样本集x，x中的第m个养殖农户的第i类数据信息表示为h⁽⁰⁾mi。则归一化后的第三数据信息样本集x可以表示为：

同时，第二服务器21对归一化后的第三数据信息样本集x进行更新并存储，输入至第三服务器22中。

本实施例中，对第三数据信息样本集c中的数值进行数据处理包括但不限于为去噪声处理及归一化处理，本发明对此不做任何限制。

第三服务器22包括一深度特征学习模型221及信用评估模型222，该深度特征学习模型221为深度信念网络(dbn)，包括多层限制玻尔兹曼机(rbm)；信用评估模型222包括一层bp神经网络。

具体的，本实施例中，第三服务器22中的深度学习模块为基于rbm的含有3个隐藏层的dbn的深度特征学习模型；信用评估模型222包括一层bp神经网络。

归一化后的第一数据信息样本集x通过三层rbm输出，对三层rbm进行训练，确定其参数，达到深度学习的目的；第三层rbm的输出作为信用评估模型222中的bp神经网络的输入，完成信用评估。rbm的训练方式为本领域技术人员均能理解的，因此，本实施例对rbm的训练原理不作赘述。本实施例中，可以通过养殖农户的数据信息及专家的评估分数训练bp神经网络的参数，本发明对此不作任何限制。

具体的，评估过程为将上述x输入dbn中，得到dbn的输出为h¹，h¹输入bp神经网络得到a¹，对a¹进行一矩阵乘法运算得到a²，a²通过sigmoid函数，得出养殖农户的信用分数；

本实施例中，dbn中的rbm的参数由养殖农户的数据信息训练确定，该数据信息的特征与所述第三数据信息样本集中的数据信息的特征相同。

承上所述，参考图3，使用本发明提出的农户信用评估装置对养殖农户进行信用评估的方法步骤包括：

s1：建立深度特征学习模型221——dbn，通过所有养殖农户的数据信息训练所述dbn，确定dbn中的三层rbm的参数。

s2：数据采集装置1中的数据采集模块11对待评估的养殖农户的数据信息进行采集，形成第三数据信息样本集c，并存储在第一服务器12中。

s3：数据处理装置2中的第二服务器21对第三数据信息样本集c进行去噪声处理及归一化处理，使得每个数据都映射在[0，1]之间，得到数据信息样本集x。

s4：数据信息样本集x输入至第三服务器，经由深度特征学习模型221及信用评估模型222，得出养殖农户的信用分数。

s5：养殖农户的信用分数展示于客户端3。

其中，s1包括：

s11：采集所有养殖农户的数据信息，形成第一数据样本集h；

s12：对第一数据样本集h进行去噪声处理及归一化处理形成第二数据样本集h；

s13：第二数据样本集h经过第一层rbm得到数据信息样本集h¹，表示为

其中j为第一层rbm的节点数，得出连接h与h¹的初始权重、初始偏置、学习率、对比散度算法参数以及训练周期等；

s14：数据信息样本集h¹经过第二层rbm得到数据信息样本集h²，表示为：

其中k为第二层rbm的节点数，得出连接h¹与h²的初始权重、初始偏置、学习率、对比散度算法参数以及训练周期等；

s15：数据信息样本集h²经过第三层rbm得到数据信息样本集h³，表示为：

其中n为第三层rbm的节点数，得出连接h²与h³的初始权重、初始偏置、学习率、对比散度算法参数以及训练周期等，完成深度学习过程。

其中，s4包括：

s41：数据样本集x作为dbn的输入，经由三层rbm得到dbn的输出x³；

s42：x³输入到信用评估模型222中，作为bp神经网络的输入，对bp网络进行前向传播网络训练，具体的，对数据信息样本集x³添加偏置项b¹m，构成a¹，表示为：

s43：对a¹进行一矩阵乘法运算得到a²，表示为：

其中，w¹为bp神经网络的权值矩阵；以及

s44：a²通过sigmoid函数进行量化，得出养殖农户的信用分数。

综上所述，本发明提出了一种农户信用评估方法及装置，通过建立深度特征学习模型对农户的数据信息进行特征学习，利用此特征通过一信用评估模型有效地评估出待评估农户相应的信用分数，并展示于客户端，方便快捷，实用性强；进一步，利用多个农户的数据信息确定深度特征学习模型的参数，学习所有数据信息的深度特征，使得评估结果更加准确；进一步，使用深度学习算法中的深度信念网络使用建立深度特征学习模型，采用无监督的特征学习，增加了提取的特征的有效性。

上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。