大數(shù)據(jù)征信及智能評(píng)估：征信大數(shù)據(jù)挖掘與智能分析技術(shù)

部分 基礎(chǔ)技術(shù)研究
第1章 多源多模態(tài)征信大數(shù)據(jù)融合方法    2
1.1 多模態(tài)融合概述 3
1.1.1 研究背景與意義  3
1.1.2 研究現(xiàn)狀 5
1.1.3 研究內(nèi)容     10
1.2 多模態(tài)融合相關(guān)理論技術(shù) 12
1.2.1 眾包標(biāo)注     12
1.2.2 眾包數(shù)據(jù)的消噪  13
1.2.3 圖像分類     19
1.2.4 多模態(tài)數(shù)據(jù)融合  25
1.2.5 協(xié)同學(xué)習(xí)     29
1.3 基于協(xié)同學(xué)習(xí)技術(shù)的決策級(jí)融合方法     33
1.3.1 任務(wù)描述     33
1.3.2 多源同構(gòu)數(shù)據(jù)融合方法：CT-MID   34
1.3.3 CT-MID模塊說明 35
1.3.4 實(shí)驗(yàn)分析     41
1.3.5 方法分析     45
1.4 基于多模態(tài)適配器的特征級(jí)融合方法     50
1.4.1 任務(wù)描述     50
1.4.2 多源異構(gòu)數(shù)據(jù)融合方法：MLP-Adapter 51
1.4.3 實(shí)驗(yàn)結(jié)果     55
1.5 基于協(xié)同學(xué)習(xí)的多源數(shù)據(jù)融合原型系統(tǒng)    59
1.5.1 系統(tǒng)組成單元   59
1.5.2 功能展示     61
第2章 大數(shù)據(jù)征信歸因分析及模型可解釋性研究   66
2.1 大數(shù)據(jù)征信分析概述  67
2.1.1 研究背景與意義  67
2.1.2 研究現(xiàn)狀     68
2.1.3 問題與挑戰(zhàn)    72
2.1.4 研究內(nèi)容     77
2.2 相關(guān)理論技術(shù) 78
2.2.1 特征選擇方法   78
2.2.2 因果模型     81
2.2.3 模型的可解釋方法 83
2.3 歸因分析技術(shù)研究    87
2.3.1 歸因分析總體流程設(shè)計(jì)   87
2.3.2 實(shí)驗(yàn)評(píng)估：歸因分析    93
2.4 模型可解釋性提升技術(shù)研究    101
2.4.1 可解釋性提升方法設(shè)計(jì)   101
2.4.2 實(shí)驗(yàn)一：整體可解釋性提升 107
2.4.3 實(shí)驗(yàn)二：個(gè)體可解釋性提升 116
2.5 原型系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)  124
2.5.1 系統(tǒng)業(yè)務(wù)流程設(shè)計(jì)     124
2.5.2 系統(tǒng)功能架構(gòu)設(shè)計(jì)     126
2.5.3 效果展示    128
2.5.4 系統(tǒng)測試    135
第二部分 信用評(píng)估技術(shù)研究
第3章 基于時(shí)序行為分析的信用評(píng)估技術(shù) 140
3.1 時(shí)序行為信用評(píng)估概述  141
3.1.1 研究背景與意義 141
3.1.2 研究現(xiàn)狀    142
3.1.3 研究內(nèi)容    144
3.2 相關(guān)理論技術(shù) 144
3.2.1 基于神經(jīng)網(wǎng)絡(luò)的模型    144
3.2.2 圖嵌入模型   149
3.3 數(shù)據(jù)準(zhǔn)備與特征工程  152
3.3.1 數(shù)據(jù)準(zhǔn)備    152
3.3.2 數(shù)據(jù)觀察    154
3.3.3 數(shù)據(jù)清洗    156
3.3.4 特征工程    157
3.4 基于時(shí)序行為的征信評(píng)估模型設(shè)計(jì) 163
3.4.1 模型總體設(shè)計(jì)  163
3.4.2 基于Auto-Encoder LSTM模型的交易序列特征編碼     164
3.4.3 基于Node2Vec模型的行為序列特征編碼     168
3.4.4 基于特征融合的用戶信用評(píng)估模型   173
3.5 模型驗(yàn)證與原型系統(tǒng)  176
3.5.1 模型驗(yàn)證    176
3.5.2 原型系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)    184
第4章 征信大數(shù)據(jù)頻繁模式與關(guān)聯(lián)規(guī)則挖掘     192
4.1 征信大數(shù)據(jù)挖掘概述  193
4.1.1 研究現(xiàn)狀    193
4.1.2 問題描述    197
4.1.3 研究內(nèi)容    198
4.2 相關(guān)理論技術(shù) 198
4.2.1 數(shù)據(jù)融合的相關(guān)技術(shù)    198
4.2.2 動(dòng)態(tài)關(guān)聯(lián)規(guī)則挖掘的相關(guān)技術(shù)    203
4.3 多源征信大數(shù)據(jù)融合方法     207
4.3.1 數(shù)據(jù)融合    207
4.3.2 數(shù)據(jù)融合方法  209
4.3.3 多源異構(gòu)數(shù)據(jù)的融合模型  212
4.3.4 實(shí)驗(yàn)結(jié)果與分析 217
4.4 結(jié)構(gòu)化征信大數(shù)據(jù)動(dòng)態(tài)關(guān)聯(lián)規(guī)則挖掘算法   219
4.4.1 動(dòng)態(tài)關(guān)聯(lián)規(guī)則的形式化定義 219
4.4.2 與靜態(tài)關(guān)聯(lián)規(guī)則的比較   220
4.4.3 動(dòng)態(tài)關(guān)聯(lián)規(guī)則的評(píng)價(jià)    221
4.4.4 動(dòng)態(tài)關(guān)聯(lián)規(guī)則挖掘算法   221
4.4.5 實(shí)驗(yàn)結(jié)果與分析 224
4.5 流式半結(jié)構(gòu)化征信大數(shù)據(jù)頻繁項(xiàng)集挖掘算法  227
4.5.1 數(shù)據(jù)流與半結(jié)構(gòu)化數(shù)據(jù)   227
4.5.2 樹結(jié)構(gòu)模型挖掘的相關(guān)定義 229
4.5.3 兩個(gè)改進(jìn)    230
4.5.4 改進(jìn)的挖掘算法 235
4.6 實(shí)驗(yàn)結(jié)果與分析    238
4.6.1 實(shí)驗(yàn)數(shù)據(jù)    238
4.6.2 實(shí)驗(yàn)結(jié)果    238
第5章 信用風(fēng)險(xiǎn)違約識(shí)別與預(yù)警技術(shù)   242
5.1 信用風(fēng)險(xiǎn)違約概述   243
5.1.1 研究背景與意義 243
5.1.2 研究現(xiàn)狀    245
5.1.3 研究內(nèi)容    250
5.2 相關(guān)理論技術(shù) 251
5.2.1 個(gè)人信用評(píng)估指標(biāo)體系   251
5.2.2 個(gè)人信用評(píng)估模型技術(shù)   253
5.3 信用風(fēng)險(xiǎn)數(shù)據(jù)與數(shù)據(jù)預(yù)處理    263
5.3.1 數(shù)據(jù)來源    263
5.3.2 數(shù)據(jù)信息    265
5.3.3 缺失值分析   268
5.3.4 分類變量    270
5.3.5 連續(xù)變量的離散化     273
5.3.6 異常值處理   274
5.3.7 領(lǐng)域變量處理  276
5.4 個(gè)人信用風(fēng)險(xiǎn)違約識(shí)別與預(yù)警模型設(shè)計(jì)    276
5.4.1 模型設(shè)計(jì)分析  277
5.4.2 組合模型優(yōu)化  279
5.4.3 D-S Stacking模型 282
5.5 模型驗(yàn)證與原型系統(tǒng)  288
5.5.1 系統(tǒng)業(yè)務(wù)流程  288
5.5.2 系統(tǒng)架構(gòu)設(shè)計(jì)  290
5.5.3 原型系統(tǒng)效果評(píng)估     296
第6章 信用環(huán)境的區(qū)域差異性影響因素  301
6.1 信用環(huán)境的區(qū)域差異概述     302
6.1.1 研究背景與意義 302
6.1.2 研究現(xiàn)狀    302
6.1.3 研究內(nèi)容    304
6.2 相關(guān)理論技術(shù) 305
6.2.1 數(shù)據(jù)準(zhǔn)備    305
6.2.2 空間自相關(guān)分析方法    306
6.2.3 XGBoost算法   309
6.2.4 隨機(jī)森林    311
6.2.5 TreeSHAP模型  312
6.3 基于兩種機(jī)器學(xué)習(xí)算法的我國城市商業(yè)信用環(huán)境指數(shù)模型     313
6.3.1 我國城市商業(yè)信用環(huán)境指數(shù)特征共線性分析   313
6.3.2 基于XGBoost的我國城市商業(yè)信用環(huán)境指數(shù)模型 314
6.3.3 基于隨機(jī)森林的我國城市商業(yè)信用環(huán)境指數(shù)模型 316
6.3.4 兩種機(jī)器學(xué)習(xí)方法評(píng)估精度比較分析  317
6.4　基于TreeSHAP特征因子解釋分析 319
6.4.1 基于XGBoost模型的特征因子解釋分析     319
6.4.2 基于隨機(jī)森林模型的特征因子解釋分析     321
6.4.3 小結(jié)  323
第三部分 信用評(píng)估系統(tǒng)研發(fā)
第７章 信用評(píng)估監(jiān)測預(yù)警技術(shù)及系統(tǒng)   326
7.1 系統(tǒng)建設(shè)目標(biāo)與任務(wù)  327
7.1.1 建設(shè)目標(biāo)    327
7.1.2 建設(shè)任務(wù)    327
7.1.3 總體設(shè)計(jì)方案  328
7.2 系統(tǒng)設(shè)計(jì)   328
7.2.1 需求調(diào)研    328
7.2.2 數(shù)據(jù)庫設(shè)計(jì)   329
7.2.3 系統(tǒng)架構(gòu)設(shè)計(jì)  330
7.2.4 功能設(shè)計(jì)    331
7.2.5 接口設(shè)計(jì)    356
7.2.6 系統(tǒng)部署    357
7.2.7 軟件安裝    357