●第一部分 基礎技術研究
第1章 多源多模態征信大數據融合方法
1.1 多模態融合概述
1.1.1 研究背景與意義
1.1.2 研究現狀
1.1.3 研究內容
1.2 多模態融合相關理論技術
1.2.1 眾包標注
1.2.2 眾包數據的消噪
1.2.3 圖像分類
1.2.4 多模態數據融合
1.2.5 協同學習
1.3 基於協同學習技術的決策級融合方法
1.3.1 任務描述
1.3.2 多源同構數據融合方法:CT-MID
1.3.3 CT-MID模塊說明
1.3.4 實驗分析
1.3.5 方法分析
1.4 基於多模態適配器的特征級融合方法
1.4.1 任務描述
1.4.2 多源異構數據融合方法:MLP-Adapter
1.4.3 實驗結果
1.5 基於協同學習的多源數據融合原型繫統
1.5.1 繫統
1.5.2 功能展示
第2章 大數據征信歸因分析及模型可解釋性研究
2.1 大數據征信分析概述
2.1.1 研究背景與意義
2.1.2 研究現狀
2.1.3 問題與挑戰
2.1.4 研究內容
2.2 相關理論技術
2.2.1 特征選擇方法
2.2.2 因果模型
2.2.3 模型的可解釋方法
2.3 歸因分析技術研究
2.3.1 歸因分析總體流程設計
2.3.2 實驗評估:歸因分析
2.4 模型可解釋性提升技術研究
2.4.1 可解釋性提升方法設計
2.4.2 實驗一:整體可解釋性提升
2.4.3 實驗二:個體可解釋性提升
2.5 原型繫統的設計與實現
2.5.1 繫統業務流程設計
2.5.2 繫統功能架構設計
2.5.3 效果展示
2.5.4 繫統測試
第二部分 信用評估技術研究
第3章 基於時序行為分析的信用評估技術
3.1 時序行為信用評估概述
3.1.1 研究背景與意義
3.1.2 研究現狀
3.1.3 研究內容
3.2 相關理論技術
3.2.1 基於神經網絡的模型
3.2.2 圖嵌入模型
3.3 數據準備與特征工程
3.3.1 數據準備
3.3.2 數據觀察
3.3.3 數據清洗
3.3.4 特征工程
3.4 基於時序行為的征信評估模型設計
3.4.1 模型總體設計
3.4.2 基於Auto-Encoder LSTM模型的交易序列特征編碼
3.4.3 基於Node2Vec模型的行為序列特征編碼
3.4.4 基於特征融合的用戶信用評估模型
3.5 模型驗證與原型繫統
3.5.1 模型驗證
3.5.2 原型繫統設計與實現
第4章 征信大數據頻繁模式與關聯規則挖掘
4.1 征信大數據挖掘概述
4.1.1 研究現狀
4.1.2 問題描述
4.1.3 研究內容
4.2 相關理論技術
4.2.1 數據融合的相關技術
4.2.2 動態關聯規則挖掘的相關技術
4.3 多源征信大數據融合方法
4.3.1 數據融合
4.3.2 數據融合方法
4.3.3 多源異構數據的融合模型
4.3.4 實驗結果與分析
4.4 結構化征信大數據動態關聯規則挖掘算法
4.4.1 動態關聯規則的形式化定義
4.4.2 與靜態關聯規則的比較
4.4.3 動態關聯規則的評價
4.4.4 動態關聯規則挖掘算法
4.4.5 實驗結果與分析
4.5 流式半結構化征信大數據頻繁項集挖掘算法
4.5.1 數據流與半結構化數據
4.5.2 樹結構模型挖掘的相關定義
4.5.3 兩個改進
4.5.4 改進的挖掘算法
4.6 實驗結果與分析
4.6.1 實驗數據
4.6.2 實驗結果
第5章 信用風險違約識別與預警技術
5.1 信用風險違約概述
5.1.1 研究背景與意義
5.1.2 研究現狀
5.1.3 研究內容
5.2 相關理論技術
5.2.1 個人信用評估指標體繫
5.2.2 個人信用評估模型技術
5.3 信用風險數據與數據預處理
5.3.1 數據來源
5.3.2 數據信息
5.3.3 缺失值分析
5.3.4 分類變量
5.3.5 連續變量的離散化
5.3.6 異常值處理
5.3.7 領域變量處理
5.4 個人信用風險違約識別與預警模型設計
5.4.1 模型設計分析
5.4.2 組合模型優化
5.4.3 D-S Stacking模型
5.5 模型驗證與原型繫統
5.5.1 繫統業務流程
5.5.2 繫統架構設計
5.5.3 原型繫統效果評估
第6章 信用環境的區域差異性影響因素
6.1 信用環境的區域差異概述
6.1.1 研究背景與意義
6.1.2 研究現狀
6.1.3 研究內容
6.2 相關理論技術
6.2.1 數據準備
6.2.2 空間自相關分析方法
6.2.3 XGBoost算法
6.2.4 隨機森林
6.2.5 TreeSHAP模型
6.3 基於兩種機器學習算法的我國城市商業信用環境指數模型
6.3.1 我國城
