一种基于神经网络的智能金融信用评分方法与流程

本发明涉及金融安全领域，具体涉及一种基于神经网络的智能金融信用评分方法。

背景技术：

金融业务在现代化的社会中越来越广泛，辐射用户的范围越来越广，这就导致了用户的群体参差不齐，经常出现业务风险水平不匹配的情况，特别是在金融贷款等业务上。

在金融行为中处处充满着信用评级，大部分情况下是根据个人的收入、信用行为、交易情况等金融来做判定，决定个人的评分与金融需求是否能够匹配，大部分情况下，金融机构对用户的判定有“好”和“坏”两种标准，这两种标准也将判定用户是否与金融需求相匹配，但是这种评定太过于笼统，由于现阶段人们的各类行为粘性较大，互相之间的交叉点较多，简单的评级以及不能细化到具体的细节，且结果与行为相差交大，现阶段需要采集的用户信息较多，种类较杂，现有方法，难以满足大数据量的分类以及分析，输出结果的误差较大。

技术实现要素：

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种自动化程度高、结果精确、可信度较高的基于神经网络的智能金融信用评分方法。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种基于神经网络的智能金融信用评分方法，包括以下步骤：

s1：采集用户信息，并将用户信息进行标签化初步分类，所述用户信息包括多维度的金融信息和行为信息；

s2：输入特征向量，对采集到的用户信息进行分类；

s3：判断输出结果与用户信息的标签分类是否一致，若一致，结果输出一致，进入s5，若不一致进入s4；

s4：根据s2中的分类结果，对存在差异的信息，逐步反向修改特征向量，修改完成后进入s3；

s5：将分类结果输出，依次审核打分。

进一步的，步骤s1中，所述用户信息的标签化分类体现在，采集的信息所属的关键词大类，所述关键词为金融领域常见的分类。

进一步的，步骤s1中所述金融信息包括：银行流水、个人征信、房产现状等金融机构出具的信息；所述行为信息为个人在信息化时代中的行为足迹，包括社交id、多头借贷、黑名单、反欺诈、人法信息、诉讼信息、学历信息、公安数据、交易偏向、关系链、人脸识别、声纹识别、设备可信度、地址验证、处置难易程度等信息。

进一步的，步骤s2中的特征向量为步骤s1标签的细化，所述特征向量为金融信用评分较为重要的指标，将所述标签化初步分类结果息进行交互式分类检索判断。

进一步的，步骤s3中输出结果中的所属的标签化与特征向量不符的，视为变量数据，存在变量数据即全部重新修改特征变量进行再次判断。

进一步的，步骤s1中的标签化初步分类结果为n，分类点为n-1。

本发明的有益效果为：本发明针对智能金融信用评分，做了一套输入、输出、自检、反向纠错的方法，在多维度、粘性大的大数据时代，将信息不断的重复分类，细化分类，以达到信息之间的互通、行为互通，在金融评分特定关键词的领域范围内，最大程度的展示更多的信息，为评分提供充足的参考，提升了评分的准确性，降低误差，本发明在进行自检和反向纠错的过程中，逐渐筛除与特定关键字粘性小的信息，降低了干扰信息对评定结果的影响，使得整体结果达到精确的目的。

附图说明

图1为本发明一种基于神经网络的智能金融信用评分方法一实施方式的流程图。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

如图1所示，一种基于神经网络的智能金融信用评分方法，包括以下步骤：

s1：采集用户信息，并将用户信息进行标签化初步分类，所述用户信息包括多维度的金融信息和行为信息；

s2：输入特征向量，对采集到的用户信息进行分类；

s3：判断输出结果与用户信息的标签分类是否一致，若一致，结果输出一致，进入s5，若不一致进入s4；

s4：根据s2中的分类结果，对存在差异的信息，逐步反向修改特征向量，修改完成后进入s3；

s5：将分类结果输出，依次审核打分。

进一步的，步骤s1中，所述用户信息的标签化分类体现在，采集的信息所属的关键词大类，所述关键词为金融领域常见的分类。

进一步的，步骤s1中所述金融信息包括：银行流水、个人征信、房产现状等金融机构出具的信息；所述行为信息为个人在信息化时代中的行为足迹，包括社交id、多头借贷、黑名单、反欺诈、人法信息、诉讼信息、学历信息、公安数据、交易偏向、关系链、人脸识别、声纹识别、设备可信度、地址验证、处置难易程度等信息。

进一步的，步骤s2中的特征向量为步骤s1标签的细化，所述特征向量为金融信用评分较为重要的指标，将所述标签化初步分类结果息进行交互式分类检索判断。

进一步的，步骤s3中输出结果中的所属的标签化与特征向量不符的，视为变量数据，存在变量数据即全部重新修改特征变量进行再次判断。

进一步的，步骤s1中的标签化初步分类结果为n，分类点为n-1。

本发明的有益效果为：本发明针对智能金融信用评分，做了一套输入、输出、自检、反向纠错的方法，在多维度、粘性大的大数据时代，将信息不断的重复分类，细化分类，以达到信息之间的互通、行为互通，在金融评分特定关键词的领域范围内，最大程度的展示更多的信息，为评分提供充足的参考，提升了评分的准确性，降低误差，本发明在进行自检和反向纠错的过程中，逐渐筛除与特定关键字粘性小的信息，降低了干扰信息对评定结果的影响，使得整体结果达到精确的目的。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

技术特征：

技术总结
本发明公开了一种基于神经网络的智能金融信用评分方法，包括以下步骤：S1：采集用户信息，并将用户信息进行标签化初步分类，所述用户信息包括多维度的金融信息和行为信息；S2：输入特征向量，对采集到的用户信息进行分类；S3：判断输出结果与用户信息的标签分类是否一致，若一致，结果输出一致，进入S5，若不一致进入S4；S4：根据S2中的分类结果，对存在差异的信息，逐步反向修改特征向量，修改完成后进入S3；S5：将分类结果输出，依次审核打分。本发明具有自动化程度高、结果精确、可信度较高的优点。

技术研发人员：程辉;金雍博;孙铭远;余晓蓉
受保护的技术使用者：重庆斐耐科技有限公司
技术研发日：2019.05.21
技术公布日：2019.08.16