(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210980620.0 (22)申请日 2022.08.16 (71)申请人 苏州大学 地址 215000 江苏省苏州市吴中区石湖西 路188号 (72)发明人 张莉　陈心怡　赵雷　王邦军　 李映　 (74)专利代理 机构 苏州市中南伟业知识产权代 理事务所(普通 合伙) 32257 专利代理师 朱振德 (51)Int.Cl. G06Q 40/02(2012.01) G06K 9/62(2022.01) (54)发明名称 基于前向迭代约束评分特征选择的信用评 估方法及系统 (57)摘要 本发明公开了基于前向迭代约束评分特征 选择的信用评估方法， 包括以下步骤： S1、 对用户 信用数据集中的数据进行预处理， 得到原始样本 数据集； S2、 建立目标特征子集和候选特征集， 设 置需要选 择的特征数量， 通过前向迭代的约束评 分算法从候选特征集中选择特征添加到目标特 征子集， 得到更新后的目标特征子集； S3、 根据更 新后的目标特征子集对原始样本数据集进行特 征选择， 生成训练样本数据， 利用训练样本数据 训练的分类器对用户进行信用评估。 本发明通过 基于前向迭代约束评分特征选择方法， 有效考虑 特征之间的耦合， 生成最优特征子集， 从而提高 最终信用评估效果。 权利要求书2页 说明书7页 附图2页 CN 115239485 A 2022.10.25 CN 115239485 A 1.一种基于前向迭代约束评分特 征选择的信用评估方法， 其特 征在于： 包括以下步骤： S1、 对用户信用数据集中的数据进行 预处理， 得到原 始样本数据集； S2、 建立目标特征子集和候选特征集， 设置需要选择的特征数量， 通过前向迭代的约束 评分算法从候选特 征集中选择 特征添加到目标 特征子集， 得到更新后的目标 特征子集； S3、 根据更新后的目标特征子集对原始样本数据集进行特征选择， 生成训练样本数据， 利用训练样本数据训练的分类 器对用户进行信用评估。 2.如权利要求1所述的基于前向迭代约束评分特征选择的信用评估方法， 其特征在于： 所述前向迭代的约束评分算法包括以下步骤： 初始化目标特征子集， 对候选特征集中的每一个特征计算其评分， 选取得分最小的特 征添加到目标 特征子集， 并从候选特 征集中删除对应得分最小的特 征。 3.如权利要求1所述的基于前向迭代约束评分特征选择的信用评估方法， 其特征在于： 所述步骤S1具体包括以下步骤： S11、 收集用户信用的基本信息 并数值化形成数据集， 其中， 基本信息包括账户余额、 信 用额度、 还款记录和交易记录； S12、 将数据集中的数据进行样本特 征表示， 并进行归一 化处理， 得到原 始样本数据集。 4.如权利要求3所述的基于前向迭代约束评分特征选择的信用评估方法， 其特征在于： 原始样本数据集X＝{x1， x2， ...xi， ...xn}， 其中， 表示第i个样 本， 其特征为d个， n 为总的数据个数； 样本数据矩阵表示： 其中， 是第j 个特征向量， 且被归一到[0， 1]区间。 5.如权利要求4所述的基于前向迭代约束评分特征选择的信用评估方法， 其特征在于： 对数据进行预处理还包括： 根据已有用户的信用， 对数据集中的p个数据加标签， 令加了标 签的数据为 X1和X2， 分别表示信用好和信用差的用户集合； 利用带标签的数据集生成相关对 集合M和不相关对集 合C， 即： M＝{(xi， xj)|xi∈Xland xj∈Xl， L＝1， 2} C＝{(xi， xj)|xi∈Xland xj∈Xl′， l， l′＝1， 2， l≠l ′}。 6.如权利要求5所述的基于前向迭代约束评分特征选择的信用评估方法， 其特征在于： 所述步骤S2具体包括以下步骤： S21、 初始化目标特征子集 候选特征子集B＝{f1， f2， ...， fd}， 并设置需要选择的 特征数量m； S22、 当目标特征子集 时， 进行步骤S221 ‑S225； 当目标特征子集A不为空时， 进行 步骤S226‑S228； S221、 由相关对集合M和不相关对集合C分别生成两个矩阵WM和Wc， 矩阵中的具体元素构 造如下： 权　利　要　求　书 1/2 页 2 CN 115239485 A 2S222、 计算对角矩阵DM， 其对角线元素的值为 并构造拉普拉斯矩阵LM＝ DM‑WM， 同理构造拉普拉斯矩阵Lc： S223、 计算集合B中每个特征的得分： S224、 选择特征得分最小的特 征索引， 并将其添加到目标 特征子集A中； S225、 更新待选特 征子集B： 从B中去掉目标函数最小值对应的特 征索引； S226、 对候选特 征子集B中的每一个特 征fk， 计算特征子集A∪{fk}的得分： 其中， trace( ·)是求矩阵对角线元素之和的函数， 代表在特征子 集A∪{fk}上的数据矩阵， | ·|是取集合元素个数的函数； S227、 选择使得特征子集得分J(A∪{fk})最小的特征索引， 将此特征索引添加到目标特 征子集A中； S228、 更新候选特征子集B： 从B中去掉对应的特 征索引； S23、 重复上述 步骤S22， 直到目标 特征子集|A|＝m时， 停止 选择； S24、 对原始数据集X进行特征选择形成训练样本数据集， 记为X ′＝{x′1， x′2， ...， x′n}， 其中 7.如权利要求1所述的基于前向迭代约束评分特征选择的信用评估方法， 其特征在于： 所述步骤S3具体包括以下步骤： S31、 根据更新后的目标特征子集对原始样本数据集 进行特征选择， 得到训练样 本数据集 S32、 采用最近邻分类器， 以训练样本数据集中的样本X ′为训练数据来评估新用户的信 用是否存在风险， 分类结果 为1表示用户信用好， 分类结果 为2表示用户信用差 。 8.一种基于前向迭代约束评分特 征选择的信用评估系统， 其特 征在于： 包括： 数据处理模块， 用于对用户信用数据集中的数据进行 预处理， 得到原 始样本数据集； 特征选择模块， 用于建立目标特征子集和候选特征集， 设置 需要选择的特征数量， 通过 前向迭代的约束评 分算法从候选特征集中选择特征添加到目标特征子集， 得到更新后的目 标特征子集； 信用风险评估模块， 用于根据更新后的目标特征子集对原始样本数据集进行特征选 择， 生成训练样本数据， 利用训练样本数据训练的分类 器对用户进行信用评估。 9.一种计算机设备， 包括存储器、 处理器以及存储在所述存储器上并可在所述处理器 上运行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至7 任一项所述的基于前向迭代约束评分特 征选择的信用评估方法的步骤。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器 执行时实现权利要求1到7任一项所述的基于前向迭代约束评分特征选择 的信用评估方法 的步骤。权　利　要　求　书 2/2 页 3 CN 115239485 A 3