一种基于微分NAS和图卷积的借贷信用评估方法与流程

技术特征：
1.一种基于微分nas和图卷积的借贷信用评估方法，其特征在于，包括以下步骤：一、特征提取流程：step1：提取借贷用户系统登记实名信息；step2：根据用户实名信息提取翼支付信用分，往期借款记录，往期还款记录；step3：根据用户实名信息提取支付宝芝麻信用分，往期借款记录，往期还款记录；step4：根据用户实名信息提取名下银行往期借款记录，往期还款记录；step5：将信用分按等级划分编码，以100分为一个区间划分，数字化为0-10以内的数字，数字越大，信用等级越高；step6：分析借款记录，获取借款次数；step7：分析还款记录，获取还款时间，与还款期限作对比，得到逾期次数，根据公式：逾期程度＝逾期次数/总还款期数，然后根据借贷次数做逾期程度求和；step8：整合所有特征，其中包括翼支付信用分特征，翼支付逾期程度特征，支付宝芝麻信用分特征，支付宝逾期程度特征，银行逾期程度特征；step9：对所有特征加线性层做embedding，维度设置成100维；二、图卷积模型构建：对于图卷积神经网络来说，层数不需要过多就能达到比较好的效果，而且可以尽可能减少计算量，基于这个目标我们构建了一个2层的网络；设计了2个图卷积层和2个pooling层，最终通过mlp层对提取特征进行融合，最后将输出接sigmoid，用来代表信用评估的分数；分数越高代表信用越好；三、nas搜索设计：设计两个地方的搜索，首先我们设计了对输入特征的搜索，首先我们将翼支付信用分特征，翼支付逾期程度特征，支付宝芝麻信用分特征，支付宝逾期程度特征，银行逾期程度特征表示为集合；我们需要将特征以某种比例混合作为一个mix特征送入网络训练，我们借鉴了attention的思想，设计了mixop，我们认为当中的值越大，代表特征越重要；但是对于这些来说是离散化，不可求导的，无法和网络一起进行梯度更新，所以我们这里需要进行重参数化，于是我们设计了如下步骤：step1：我们将[α1，α2，α3，α4，α5]组合成一个1*5的向量α
′
step2：将向量α
′
乘以10-5
做初始化，并使用sigmoid将值归一化到0-1内，则初始化的α都在0.5左右；代表刚开始所有特征关注度一样；step3：将重参数化的α
′
点乘5个特征向量得到组合的特征向量；这样α就可以随着网络进行梯度更新；为了在效果好的同时保证模型参数和性能最优，我们设计了对网络结构的搜索，我们对gcn层进行设置了3个op，通过控制膨胀率来控制参数量，我们称之为：bigop，mediumop，smallop；同样对于gcn层的同样是不可求导的，为了可以使用梯度下降随网络更新，设置了如下步骤：step1：我们将[α1，α2，α3]组合成一个1*3的向量α
″
；step2：将向量α
″
乘以10-5
做初始化，并使用sigmoid将值归一化到0-1内，则初始化的α
都在0.5左右；代表刚开始对所有gcnop关注度一样；step3：将重参数化的α
″
点乘上层gcn的mixop的输出值得到该层mixop的输出。

技术总结
本发明公开了一种基于微分NAS和图卷积的借贷信用评估方法，通过GCN来融合先前提取的特征，使用NAS技术来对有效特征和GCN的节点进行选取，可以减少GCN计算量，加速模型推断，同时NAS搜索可以得到更好的特征和更好的GCN架构使得判断的精度得到提升。通过这种方式对用户的信用进行有效评估，可以帮助公司选取和判别有效客户，规避借贷风险。本发明提出了一种基于NAS和GCN的信用评估方法，通过对特征和网络的多路搜索提升了信用评估的准确性，提出了一种可微分的特征和op结合方式，可以同时进行梯度下降训练；同时和GCN结合，可以减少初始化的影响，进一步保证了预测的高准确性。进一步保证了预测的高准确性。进一步保证了预测的高准确性。


技术研发人员：方徐伟 谢巍盛 李慧
受保护的技术使用者：天翼电子商务有限公司
技术研发日：2021.12.28
技术公布日：2022/5/25