结构化非线性有序回归的用户信用等级划分

作者：任永功; 郭珈岐; 张晶^*

来源：模式识别与人工智能, 2020, 33(09): 839-851.

DOI：10.16451/j.cnki.issn1003-6059.202009008

• 用户信用等级
• 有序回归
• 鲁棒学习
• 非线性判别学习

传统用户信用评价方法仅通过构建二分类模型实现用户欺诈检测,难于挖掘应用的潜在价值.文中将用户信用评价转化为基于用户信用等级排序的有序回归问题,提出结构化非线性有序回归算法,实现高效信用等级分析.首先,生成自适应局部权值矩阵,解决样本非平衡分布产生的过学习与欠学习问题.然后,引入错分样本惩罚约束优化投影方向,避免噪音对判别模型求解产生影响,提升鲁棒性.最后,采集实际应用数据,实现特征转化及有序类别标注,并验证算法.实验结果表明文中算法效果较优.

• 单位
  辽宁师范大学