深度学习对商家信用评级的系统构成和讨论开题报告_开题报告

信用评级算法根据：

1） 消费：在微信，收集，QQ支付消费行为及偏好。

2） 财富：在腾讯产品内各资产构成，理财记录等。

3） 安全：财付通账户是否有实名认证和数字证书。

4） 守约： 消费贷款信用卡，房贷是否按时还。

5） 社交：用户在QQ上的社交行为和人脉关系如何，良好的社交行为和人脉关系有助于提升社交指数。

可以看到现在国内的主流信用评级体系都是大数据化，量化，这样在发展，再加上现在人工智能的兴起，人工智能技术得到深度应用，解决了更多模型精度的问题，而我们智能端的互联和物联网的建立，将互联网带入到深度互联的时代，数据的传送将很方便，未来的5G技术一旦定下来，则传播的速度将更加近一步的提升，所以电子商务信用评级体系以后的发展趋势将会有专业化，量化，深度互联，快速反应等特点。

存在问题

对于信征模型来说，无论环境怎么变，无论数据量有多大，关键还是要看精度，精度越高，效益越好，但是目前主流的信征体系的精度还是不够的。

分析上面的各种模型可以看到，目前大多的信用评级都是通过单调的列出各个不同维度的数据，然后在这个数据的基础上，通过线性简单相加，得到一个分数，然后通过在这个分数的基础上，在进行简单的分类划分，得到大概的信用分数，这样的方法比较直观，但是精度明显是不够的。

范文提纲

简介

单向混合信用模型（他的公式和模型是什么样的）

训练和测试结果

单向混合模型的结果

与其他方式对比的结果

结论

参考文献

[1]刘新海，丁伟，美国 ZestFinance 公司大数据征信实践[J].征信，2015( 8) : 27-32． 

[2]Nir Kshetri．Big Data ’s Ｒole in Expanding Access to Financial Services in China[J].International Journal of Information Management，2016( 36) : 297-308

[3]周志华，机器学习[M].北京: 清华大学出版社，2017: 171-191

[4]叶文辉，大数据征信机构的运作模式及监管对策——以阿里巴巴芝麻信用为例[J].新金融，2015（7）

[5]黄玺，互联网金融背景下我国征信业发展的思考征信[J].征信，2014:(5):6-12.

[6]刘新海，征信与大数据:移动互联时代如何重塑“信用体系”[M].北京:中信出版集团，2016: 179 － 194．

[7]Terry Harris， Credit Scoring Using the Clustered Support Vector Machine[J].Expert Systems with Applications， 2015( 42) : 741-750．

[8]吴晶妹，展望：网络征信发展元年[J].征信，2014(6): 8-13.

[9]杨群华，我国互联网金融的特殊风险及防范研究[J].金融科技时代，2013：（7）100-101

[10]汪继宁，对金融业统一征信平台搭建的思考——基于银行、证券、保险信息共享的探索[J].信征，2013:(3)43-46.

[11]米勒，征信体系和国际经济[M].北京：中国金融出版社，2004：187-192