【技术实现步骤摘要】
本专利技术涉及信用迁移的，尤其涉及一种跨平台异构信用迁移学习方法。
技术介绍
1、现代社会已经步入大数据时代，各行各业无时无刻不在产生着海量的数据，这些数据具有多源、异构等特点，如何从这些数据中抽取出有价值的知识已经成为计算机领域的热点研究方向之一。而且随着数据的增多，使得机器学习和深度学习可以依赖于如此海量的数据，持续不断地训练和更新模型，使模型的性能越来越好，适用性越来越高。
2、着眼于信用数据平台建立，由于信用信息采集和使用的特殊性，不同行业、不同平台下的数据基于数据隐私保护等一系列原因，通常采取特许经营方式，依法采集和加工个人、企业信用信息，无法进行数据共享。当前不同平台的信用仍主要依靠单独录入和维护，并基于录入信息可信的基础上重新进行评级。因此，部分平台信用主体可能伪造虚假数据、部分信用主体出现数据缺失等现象，极少有研究关注在跨平台下由于数据缺失和不一致引起的信用主体指标和信用等级的冲突问题，以及跨领域的信用迁移模型和方法。
3、有明显的证据表明，重要的行业因素、国家因素和商业周期因素都会影响到信用等级...
【技术保护点】
1.一种跨平台异构信用迁移学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种跨平台异构信用迁移学习方法，其特征在于，显式语义对齐网络包括：
3.根据权利要求2所述的一种跨平台异构信用迁移学习方法，其特征在于，所述目标函数包括：源监督分类损失、隐式语义对齐损失、显式语义对齐损失、领域混淆损失、超参数α、β、γ、T的平衡。
4.根据权利要求3所述的一种跨平台异构信用迁移学习方法，其特征在于，优化所述目标函数具体公式为：
5.根据权利要求4所述的一种跨平台异构信用迁移学习方法，其特征在于：还包括领域混淆损失函数...
【技术特征摘要】
1.一种跨平台异构信用迁移学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种跨平台异构信用迁移学习方法，其特征在于，显式语义对齐网络包括：
3.根据权利要求2所述的一种跨平台异构信用迁移学习方法，其特征在于，所述目标函数包括：源监督分类损失、隐式语义对齐损失、显...
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。