【技术实现步骤摘要】
本专利技术涉及神经网络，尤其涉及基于表格型数据的用户还款行为预测方法、系统和存储介质。
技术介绍
1、金融机构在对贷款用户还贷能力进行评估的过程中，常以表格形式存储用户的各项风险管理数据，并通过其中带标签的数据对如树模型、逻辑斯蒂回归模型等传统机器学习模型进行拟合训练以构建还款预测模型对用户的还款行为进行预测，据此对用户进行评估分级并决定是否为其放贷。然而，金融机构所采集的用户风险管理数据中存在大量无标签的数据未被传统机器学习模型利用到，对于用户还款概率的预测较为粗糙。
技术实现思路
1、本专利技术针对现有技术中的不足，提供了基于表格型数据的用户还款行为预测方法、系统和存储介质，包括如下步骤：
2、获取待评估用户的贷款评估数据；
3、将所述贷款评估数据输入训练完成的还款预测模型中，得到所述待评估用户的还款概率，所述还款预测模型基于用户贷款信息统计表格训练得到，所述用户贷款信息统计表格包括按行记录的多个用户的贷款评估数据的样本，其中至少包括一具有按时还款标签的用户样本...
【技术保护点】
1.基于表格型数据的用户还款行为预测方法，其特征在于，包括：
2.根据权利要求1所述的基于表格型数据的用户还款行为预测方法，其特征在于：
3.根据权利要求2所述的基于表格型数据的用户还款行为预测方法，其特征在于，所述还款预测模型包括嵌入层、编码器层和全连接网络层，其中
4.根据权利要求3所述的基于表格型数据的用户还款行为预测方法，其特征在于，所述还款预测模型的训练方法包括：
5.根据权利要求4所述的基于表格型数据的用户还款行为预测方法，其特征在于，所述还款预测模型的训练方法包括：
6.根据权利要求5所述的基于...
【技术特征摘要】
1.基于表格型数据的用户还款行为预测方法，其特征在于，包括：
2.根据权利要求1所述的基于表格型数据的用户还款行为预测方法，其特征在于：
3.根据权利要求2所述的基于表格型数据的用户还款行为预测方法，其特征在于，所述还款预测模型包括嵌入层、编码器层和全连接网络层，其中
4.根据权利要求3所述的基于表格型数据的用户还款行为预测方法，其特征在于，所述还款预测模型的训练方法包括：
5.根据权利要求4所述的基于表格型数据的用户还款行为预测方法，其特征在于，所述还款预测模型的训练方法包括：
6.根据权利要求5所述的基于表格型数据的用户还款行为预测方法，其特征在于，所述还款预测模型的训练方法具体包括：其中a个归一化指数函数层选择使用交叉熵损失来度量预测与真实标签之间的差异；b个单节点层选择使用平方损失来度量预测与真实标签之间的差异；c个第一概率输出层选择使用交叉熵损...
【专利技术属性】
技术研发人员：唐科伟，杨子祺，陈声鸿，
申请(专利权)人：浙江孚临科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。