情感神經網絡在信用卡評估中的應用

摘 要： 在對情感神經網絡進行研究時，參照了情感心理學的內容要求，而且也相對地加入了情感智能中的情感因子。在普通神經網絡結構中添加情感因素分量建立情感神經網絡模型，以此改進神經網絡的學習和決策過程，構建包括情感神經元在內的各個神經元輸入輸出關系，建立情感神經網絡結構，推導出情感神經網絡學習算法。把該算法用于信用卡評估工作，通過實驗證明提出的情感神經網絡算法的分類效果明顯優于傳統方法，好客戶和壞客戶的識別率均為100%，在一定程度上提高了模型的分類精度。

關鍵詞： 神經網絡； 情感神經網絡； 信用卡評估； 情感因素分量

中圖分類號： TN711?34 文獻標識碼： A 文章編號： 1004?373X（2016）15?0130?03

Abstract： The emotional neural network is researched by referring the content requirement of emotion psychology， and the emotional factor in emotional intelligence is added relatively. The emotional factor component is added into the common neural network structure to establish the emotional neural network model， which can improve the learning and decision?making processes of the neural network. In this paper， the input and output relations of each neuron are constructed， including the emotion neuron. The emotional neural network structure was established to deduct the learning algorithm of emotional neural network. The algorithm is applied to the credit card assessment. The experimental results show that the classification effect of the proposed emotional neural network algorithm is obviously better than that of the traditional method， and the recognition rate of good customer and bad customer can reach up to 100%， and the model classification accuracy is improved to a certain extent.

Keywords： neural network； emotional neural network； credit card assessment； emotional factor component

0 引 言

信用卡評估被重視的程度與信用卡業務的發展程度成正比，近年來，隨著我國經濟的不斷發展，人們生活水平的不斷提高，在國內形成了日漸成熟的信用消費環境，在這種信用消費環境中，銀行信用卡業務應運而生。近些年來，信用卡業務已經成為銀行利潤增長的跳板，信用卡業務業績的好壞直接關乎銀行的收益，因此，信用卡業務發展迅猛。然而，各大商業銀行一味追求數量，勢必會造成質量的下降，各商業銀行在盲目追求發卡量的同時，卻放松了對信用卡申請人的信用評估，這為后續的透支還款超出個人支付的水平埋下了隱患。因此如何有效地進行信用卡評估成為各大商業銀行亟待解決的問題。

在與我國形成鮮明對照的西方發達國家，信用管理十分完善，技術也十分成熟，在進行信用卡評估時，申請人個人的信用評估模型和方法具有很強的適用性，經過長時間的實踐檢驗也得到了十分廣泛的應用。在西方，較為常用的信用卡評估方法大致可分為三大類：第一類是基于統計模型的方法，第二類是基于運籌學模型的方法，第三類是基于非參數估計和人工智能模型的方法。與西方成熟的評估方法相比，我國對信用卡評估模型和算法的研究大多還是處于理論研究的層面，在理論的基礎上進行了一些積極的嘗試。

1 信用卡評估概述

1.1 信用卡評估的必要性

信用卡的發行和使用是基于“先消費、后付款”的操作模式，信用卡使用者在透支以后，還款存在一個約定的滯后期，只要在銀行收回用戶所有的透支金額之前，銀行就必然要承受用戶潛在違約的風險。信用卡評估就是通過建立一定的模型，運用計算機技術評估個人在消費信貸業務中誠實守信的意志和能力。

信用卡評估的必要性主要表現在微觀和宏觀兩個方面：在微觀方面，信用卡評估可以較為準確地衡量申請辦卡人的信貸風險，給發卡銀行提供一個可靠的數據判斷依據，大大降低商業銀行的不良貸款率；在宏觀方面，信用卡評估可以很好地增加金融和資本的透明度，降低風險，改善市場的金融環境和信用環境，有利于金融市場的穩定和健康發展。

1.2 信用卡評估模型

根據對傳統信用卡評估方式和西方成熟的信用卡評估方式的研究，可以總結信用卡的評估模式都是相同的。信用卡的評估都是利用影響用戶信用的參數，使用預設的數據分析模型對相關數據進行分析，然后根據運算的結果對用戶的履約能力進行客觀的評估。通用的信用卡評估模型如圖1所示，就是通過考察用戶過去的信用數據預測其未來的信用行為。一個好的信用卡評估算法是信用卡評估的關鍵。

1.3 信用卡評估方法

信用卡的評估方法一般分為定性評估法和定量評估法兩種。在信用卡評估的初期，大多采用定性分析法，按照評估者的個人經驗對用戶進行主觀的評價。在傳統的信用卡定性評估中，有相對固定的5C原則，即對信用卡申請者的品德Character、能力Capacity、抵押擔保Collateral、條件Condition和資本Capital等五個方面進行綜合考量評估。這一定性分析方法，操作起來相對簡單，但是該方法有很明顯的不足，最大的不足之處就是評價的主觀性太強，其評估的結果完全依賴于評估人的經驗和能力，這樣就很難準確而全面的反映用戶的真實信用狀況。隨著統計分析方法的不斷發展，使得其在信用卡評估中發揮著越來越大的作用，統計分析法是建立在科學的理論基礎之上，是一種定量的分析方法，與定性分析有著本質的不同和明顯的優勢，定量分析主要是對用戶的歷史信用記錄進行統計分析，在此基礎上對信用風險進行評估，進而對未來的償還能力進行了很好的預測，這樣的過程和結果都十分客觀，并且有堅實的理論基礎。經過多年的發展，信用卡的定量分析法從一般的統計分析法、專家系統法，發展到今天的神經網絡法。神經網絡用于預測，首先在經濟領域得到應用，其表現出來的獨特的腦式智能信息處理特征與能力使其應用范圍不斷擴大，它是基于對人腦組織結構、信息處理機制的研究而提出的一種全新的信息處理模型算法，預測的結果十分準確。

2 情感神經網絡結構算法

2.1 情感神經網絡結構

在日常技術實現中使用的是一種前反饋型神經網絡，它是三層的普通神經網絡，采用誤差反向傳播算法。三層網絡結構是指輸入層、隱含層和輸出層，如圖2所示，一般輸入層和輸出層只有一個，而隱含層有多個，理論上已經證明隱含層的節點足夠多的話，該神經網絡就可以以任意精度逼近有界區域上的任意連續函數。在三層神經網絡結構中，[X=x1，x2，…，xnT]為輸入向量，[Y=][y1，y2，…，ynT]為輸出向量，每一個神經元都是縱向鏈接下層神經元，在同層的橫向神經元中不存在任何鏈接情況。

神經網絡結構中通過添加情感因素分量，從而建立一個情感神經網絡模型，進而改善神經網絡的學習和決策過程，構建出一個包含情感神經元在內的各個神經元輸入輸出關系，建立情感神經網絡結構，推導出情感神經網絡學習算法，把該算法用于信用卡評估工作中，整個系統結構如圖3所示。本文結合情感心理學的理論，研究普通神經網絡，把情感智能中的情感因子引入其中。

2.2 情感神經網絡反向傳播算法

3 情感神經網絡在信用卡評估中的應用

3.1 情感神經網絡分類器的設計

本文中使用的情感神經網絡結構可以分為輸入層、隱含層、輸出層以及情感層，每層由不同數量的神經元節點構成。本文采用徑向基函數對申請人的歷史信用特征值進行提取，變換后得到[d]維特征向量，作為情感神經網絡輸入信號，情感神經網絡有[d]個輸入層節點，相對的輸出層情感神經網絡節點個數則與類別數相同，隱含層節點個數由實驗調整。

3.2 信用卡評估算法步驟

基于情感神經網絡的信用卡評估分兩步：第一步為神經網絡的訓練過程，第二步為測試過程。

訓練過程算法步驟如下：

（1） 將用戶的信用特征數據庫分為訓練庫和測試庫；

（2） 將訓練庫中所有信用數據進行預處理，變換得到[d]維特征向量；

（3） 建立情感神經網絡結構要依據特征向量維數和類別數，各節點連接權值初始化；

（4） 在訓練樣本聚類的過程中，要把每一類的中心看作隱含層節點徑向基函數的中心初始值；

（5） 設定自信系數和焦慮系數；

（6） 計算出每一層神經元節點的輸入和輸出以及輸出層節點間的誤差值，進而利用情感神經網絡訓練算法的相關內容來修正節點的權值和隱含層徑向基函數參數；

（7） 重復步驟（6），直到達到設定的迭代步數或滿足設定的精度要求為止。

測試過程算法步驟如下：

（1） 特征向量[y]的出現需要依據預處理的用戶信用數據變換；

（2） 情感神經網絡輸入信號可由測試樣本的特征向量[y]擔當；

（3） 計算情感神經網絡輸出并作出分類判決。

4 結 論

通過實驗，利用本文提出的情感神經網絡對信用卡進行評估，實驗樣本的分類結果與傳統統計方法進行比較，本文提出的情感神經網絡算法的分類效果明顯優于傳統方法。利用實驗樣本數據建立網絡，通過不斷地學習使該算法適應樣本，好客戶和壞客戶的識別率均為100%。與傳統的神經網絡模型相比，情感神經網絡模型在結構表達方面更為清晰，簡單明了，特別是在處理輸入屬性問題時，前景更加廣闊，并在一定程度上提高了模型的分類精度。

參考文獻

[1] 梁曉雯.基于新型模糊神經網絡的信用卡審批發卡的信用評估模型研究[J].福建商業高等專科學校學報，2009（6）：26?31.

[2] 石慶焱，靳云匯.個人信用評分的主要模型與方法綜述[J].統計研究，2003（8）：36?38.

[3] 馬海英.基于神經網絡及Logistic回歸的混合信用卡評分模型[J].經濟學與經濟管理，2008（2）：49?52.

[4] 張永娟，張志鴻，霍學喜.信用風險程度模糊綜合評價模型[J].金融教學與研究，2004（2）：13?15.

[5] 王小明.商業銀行信用風險評級測度方法研究[J].財經研究，2005，31（5）：73?82.

[6] 楊國亮，漆娟娟，張麗.基于EMRBF情感神經網絡的人臉識別[J].微型機與應用，2013（19）：48?51.

[7] 王國江，王志良，楊國亮，等.人工情感研究綜述[J].計算機應用研究，2006（11）：7?11.

[8] 鐘珞，饒文碧，鄒承明.人工神經網絡及其融合應用技術[M].北京：科學出版社，2007.

[9] 花倍.基于決策樹方法的信用卡審批模型分析[J].福建電腦，2005（9）：37?38.

[10] 郭濤，李貴洋，袁丁.基于置信度和神經網絡的信用卡異常檢測[J].計算機工程，2008，34（15）：205?207.