魏千程,吴开超,刘 莹
1(中国科学院 计算机网络信息中心,北京 100190)
2(中国科学院大学,北京 100049)
对客户进行信用评分是金融机构开展业务的重要保证,是金融机构长期关注的核心问题.一个好的信用评分模型,能帮助金融机构对客户进行准确识别,继而规避可能发生的风险,获得更高的利润.
随着互联网时代的来临,互联网金融信贷业务也得到了广泛的发展.互联网金融机构在开展信贷业务的同时,也面临着一些客户由于主观恶意欺诈或者其他客观原因无法及时还款而带来的风险问题,因此对信贷业务进行风控建模是必不可少的.互联网金融机构通常会开展多项不同的信贷业务,其中一些新开展的业务由于缺少相应的客户数据而存在无法利用传统机器学习方法进行有效建模的 “冷启动” 问题.如何根据互联网金融机构已开展的拥有一定数量客户信息的信贷业务帮助新开展的业务进行建模是一个既有应用价值又值得广泛探究的领域.
本文针对互联网金融机构实际业务中存在的样本数量少以及模型 “冷启动” 问题,并根据实际数据情况(大量已有业务数据及少量新开展业务数据),提出了一种基于迁移学习的信用评分模型.首先引入Triplet-Loss表征学习[1]网络结构对数据进行重新编码,再加入领域适配模块[2]以进一步拉近两类业务数据在特征空间内的距离,而后通过fine-tune 技术实现了不同业务数据之间的知识迁移.相较于……