CN113449819A - 一种基于胶囊网络的信用评估模型方法及其存储介质 - Google Patents

Abstract

一种基于胶囊网络的信用评估模型方法及其存储介质，该方法包括处理用户数据，将用户数据各指标进行成像，构建胶囊网络体系结构，训练胶囊网络对用户信用特征成像图分类，利用训练后的胶囊网络计算用户违约概率值。本发明将用户信息利用图像的形式进行呈现，将所对应的特征转换形成相应的灰度图，利用构建的胶囊网络能够更好地提取图片特征从而优化模型评估，提高模型可靠性和准确性；把注意力机制层引入胶囊网络，构建后的胶囊网络能够更深层次的提取成像图的全局和局部特征，提高模型可靠性和准确性，还可以提取更多有效的特征信息从而实现更高的准确率。

Description

一种基于胶囊网络的信用评估模型方法及其存储介质

技术领域

本发明涉及信用评估技术领域，具体的，涉及一种风险用户的信用评估模型方法及存储介质。

背景技术

随着人类社会的不断进步，征信业信用评估发展的重要性越来越被人们所认识。依法设立的个人征信机构是对个人信用信息进行采集和加工，根据用户要求提供个人信用信息查询和凭借服务。征信体系是由与征信活动有关的法律规章、组织机构、市场管理、文化建设、宣传教育等共同构成的一个体系。基于征信业的信用风险评估也是金融机构正确制定政策和商业战略的关键。

信用评估是评估机构利用专家判断或数学模型，结合用户所提供的财务状况、经营状况、诸如电话费、水费等各种公共类事务的完成情况，以及各类涉及个人信用的信息，对用户还款、参与各类公共事务的完成能力和意愿进行评价，并按照其违约概率的大小通过等级或分数的形式给出评估结论的行为。

随着社会大数据的深入，在单位用人、个人求职、职务晋升、志愿者招募等各方面都对于个人的诚信提出更高的要求，因此，如何能够针对个人在社会各项事务中留下的数据痕迹，对个人信用进行评估，准确评判相应用户参与公共事务并圆满完成的可能性，成为现有技术亟需解决的技术问题。

发明内容

本发明的目的在于提出一种基于胶囊网络的信用评估模型的方法，利用胶囊网络构建客户信用模型，提高对于用户参与社会各类事务诚信因素的预测。

为达此目的，本发明采用以下技术方案：

一种基于胶囊网络的信用评估模型方法，其特征在于，包括如下步骤：

用户数据处理步骤S110：

获取用户信用数据，包括好用户数据和坏用户数据，其中坏客户表示在两年内存在违约记录的用户，反之则为好客户，对所述用户信息数据进行预处理，过滤掉缺失，异常的信息，对数据做清洗和预处理，并利用数字的方式进行赋值，以用于后续的步骤；

指标成像处理步骤S120：

按照数据中每个指标变量的数值对应图像中一个像素点的原则，将步骤S110处理过的指标变量根据反映客户特征信息的不同方面重组聚合成一定的用户信用指标特征矩阵，并且在不足的像素区域使用零代替，并将用户信用指标特征矩阵转换为用户的信用特征成像图；

构建胶囊网络体系结构步骤S130：

构建胶囊网络体系结构，依次包括：输入层、注意力机制层、主胶囊层、数字胶囊层和输出层，

其中，所述输入层用于输入所述用户信息经过成像处理得到的用户的信用特征成像图；

注意力机制层，用于强调和选择目标处理对象的重要信息，并且抑制无关的细节信息，选择聚焦位置，产生更具分辨性的特征表示；

主胶囊层，用于对成像图特征进一步提炼并整合，主胶囊层通过一定数量的卷积核进行特征提取，单个卷积核进行普通卷积操作后进行封装，得到一定数量的主胶囊；

数字胶囊层，用于通过每个胶囊活动向量的长度即胶囊向量的模预测其属于某个用户类别的概率，其中每个胶囊表示一种预测用户的类型，在数字胶囊层的每层中含有2个胶囊，其中每个胶囊表示一种用户类型，两种用户类型包括好客户类型与坏客户类型；

输出层，用于计算数字胶囊层的预测概率，输出客户好坏类别结果，将特征空间的数据映射到相应客户类别，并输出用户类别的预测概率，即为用户的违约概率值；

训练胶囊网络对用户信用特征成像图分类步骤S140：

将步骤S120的用户信用特征成像图作为胶囊网络的输入，利用构建的胶囊网络进行图像分类处理，所述胶囊网络用户信用特征成像图分为两类，包括好用户信用特征成像图与坏用户信用特征成像图，所述胶囊网络对输入的用户信用特征成像图进行以好用户信用特征成像图与坏用户信用特征成像图的类别进行预测分类，将用户信用特征成像图数据分为80%训练集和20%测试集，通过训练集对胶囊网络进行训练，得到分类器，测试集数据对分类器的准确性进行验证；

计算用户违约概率值S150：

对于训练后的胶囊网络，将用户信息经过成像处理后得到的用户信用特征成像图经输入层进入胶囊网络，利用胶囊网络进行计算，最终通过输出层，输出客户好坏类别结果，将特征空间的数据映射到相应客户类别，并输出用户类别的预测概率，即为用户的违约概率值。

可选的，所述数据清洗处理步骤S110中，要进行缺失值的处理，处理方法包括直接删除含有缺失值的样本数据、根据样本数据之间的相似性，使用能代表变量中心趋势的值进行填补和根据变量之间的相关关系填补缺失值。

可选的，所述数据清洗处理步骤S110中，所述数据预处理步骤中还包括异常值检测，找出对于明显偏离大多数抽样数据的数值，异常值检测采用离群值检测的方法，包括单变量离群值检测、局部离群值因子检测和基于聚类方法的离群值检测等或者利用箱型图的方式查看异常值并进行相应剔除处理。

可选的，在指标成像处理步骤S120中，在所述用户信用指标特征矩阵的取值时，将用户信用指标特征的取值对应乘以255以得到对应像素点的亮度，然后对数据表中的数据形式进行转换，对于x个单列指标变量，需要转化为d﹡d的用户信用特征指标变量矩阵：

，

第一列为1~d

第二列为d+1~2d

第三列为2d+1~3d

⋯⋯

其中

表示向上取整。

可选的，在指标成像处理步骤S120中，使用转化的用户信用特征指标变量矩阵来形成d﹡d像素的灰度图，即为用户的信用特征成像图。

可选的，在构建胶囊网络体系结构步骤S130中，

所述注意力机制层由多个注意力模块堆叠而成，每个注意力模块又分为掩膜分支(mask brunch)和主干分支(trunk branch)，主干分支通过多次卷积提取所述用户信用特征成像图的张量特征，掩膜分支是注意力模块的核心部件，包括buttom-up和top-down的结构；

其中buttom-up部分执行下采样，多次进行最大池化操作扩大接受域，直到达到最低分辨率，其作用效果是产生低分辨率、强语义信息的特征图，从而收集整个用户信用特征成像图的全局信息，top-down部分执行上采样线性插值，直到特征图尺寸与输入时相等，其作用效果是扩展bottom-up所产生的特征图，使其尺寸与输入bottom-up前的特征图大小相同，从而对输入的用户信用特征成像图的每个像素进行推理选择。

可选的，在构建胶囊网络体系结构步骤S130中，

所述主胶囊层和数字胶囊层均为多层的结构，所述主胶囊层和数字胶囊层的多层彼此互相堆叠，在互相堆叠的主胶囊层和数字胶囊层之间采用动态路由算法对其进一步编码或者更新，动态路由算法用于计算深浅两层隐藏层中每个胶囊之间的关系，其预测向量由胶囊网络的输出向量与权重矩阵相乘获得，比较预测向量与父节点输出，若为较小的量值，则升高其他父节点的耦合系数，降低该父节点的耦合系数；若为较大的量值，则降低其他父节点的耦合系数，升高该父节点的耦合系数，即胶囊增加了对该父节点的贡献。

可选的，所述动态路由算法规则具体为：

下层胶囊由上层胶囊计算得出，每个上层胶囊i连接到相邻的下层胶囊j的概率为：

其中，

为耦合系数，是下层胶囊i激活上层胶囊j的概率，

是胶囊i连接到胶囊j的先验概率，初始值设置为0，根据耦合系数

计算加权求和得输入向量

；

下层胶囊i对上层胶囊j输出的预测向量

是由该胶囊的输出

乘权值转化矩阵

得到的，而上层胶囊j的输入

是由所有下层胶囊的预测向量加权得到的，i、j值的大小网络会根据输入的特征图维度确定，

其中，

为上层胶囊的输出，

为上层胶囊预测向量，

为网络中相邻两层的权值转化矩阵，其中胶囊网络在运行过程中会提取特征自动调节权值转化矩阵，

为输入向量，由用户的信用特征成像图矩阵的方式储存，然后转化成向量进行输入，输出向量

可表示为：

其中，

为输出向量，

为输入向量，

接下来为路由更新，通过输出向量

与上层胶囊预测向量

相乘进行更新

，

的更新计算公式如下：

。

本发明进一步公开了一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时执行上述的基于胶囊网络的信用评估模型方法。

本发明具有如下的优点：

1、将用户信息利用图像的形式进行呈现，转化用户信息的呈现形式。依据客户信用数据的特征，将所对应的特征转换形成相应的灰度图，利用构建的胶囊网络能够更好地提取图片特征从而优化模型评估，提高模型可靠性和准确性。

2、把注意力机制层引入胶囊网络，构建后的胶囊网络能够更深层次的提取成像图的全局和局部特征，提高模型可靠性和准确性，还可以提取更多有效的特征信息从而实现更高的准确率。

附图说明

图1是本发明具体实施例的基于胶囊网络的信用评估模型方法的流程图；

图2是应用在本发明具体实施例中的信用评估模型方法中的胶囊网络的示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

本发明主要在于，将个人信用相关数据进行图像化处理，转化用户信息的呈现形式成为图像，利用胶囊网络对用户信用图像进行处理，从而进行评分，其中还利用注意力机制优化成像图的全局和局部特征，提高对于用户参与社会各类事务诚信因素的预测。

具体的，参见图1，示出了根据本发明具体实施例的基于胶囊网络的信用评估模型方法的流程图，包括如下步骤：

用户数据处理步骤S110：

获取用户信用数据，包括好用户数据和坏用户数据，其中坏客户表示在两年内存在违约记录的用户，反之则为好客户，对所述用户信息数据进行预处理，过滤掉缺失，异常的信息，对数据做清洗和预处理，并利用数字的方式进行赋值，以用于后续的步骤。

在本发明中，所述用户信用数据，例如年龄、月收入等，形式有可能为数值；也有部分用户数据，例如学历、公共事务参与程度、也有可能不是数值，则对于用户数据用数值的方式进行赋值主要指的是对于非数值的用户数据使得其数值化。例如，采用0-5分别表示不同的学历程度，其它数值依次类推。应当注意，本发明仅仅是示例性的说明了数值化的例子，并非局限于该示例。

在本步骤中，用户信用数据可以用数据表的形式进行存储。

具体的，所述用户信用数据包括但不限于：年龄、学历、月收入、单位、职务、信贷数量、负债率、可用额度比值、逾期30-59天笔数、固定资产贷款量、公共事务参与程度、公共事务中是否存在失信情况或者受表彰情况等。

进一步的，所述数据清洗处理步骤S110中，由于样本数据表中一般都含有缺失值，这会影响模型训练的准确度，所以首先要进行缺失值的处理，处理方法主要包括直接删除含有缺失值的样本数据、根据样本数据之间的相似性，使用能代表变量中心趋势的值如平均值、中位数、众数等进行填补和根据变量之间的相关关系填补缺失值。

具体的，当缺失值所占样本数据比例很小时，采用直接删除的方法剔除缺失样本数据。当缺失值所占样本数据比例较大时，采用根据样本数据之间的相似性填补缺失值和根据变量之间的相关关系填补缺失值的方法。根据样本之间的相似性填补缺失值是指用这些缺失值最可能的值来填补它们，通常使用能代表变量中心趋势的值如平均值、中位数、众数等进行填补，因为代表变量中心趋势的值反映了变量分布的最常见值。根据变量之间的相关关系填补缺失值通常是考虑样本数据的属性进行缺失值填补，通过计算最相近样本数据的中位数并用这个中位数来填补缺失值，如果缺失值是名义变量，则使用最近相似数据的加权平均值进行填补，权重大小随着距离待填补缺失值样本的距离增大而减小。

更进一步的，所述数据预处理步骤中还包括异常值检测，找出对于明显偏离大多数抽样数据的数值，异常值检测采用离群值检测的方法，包括单变量离群值检测、局部离群值因子检测和基于聚类方法的离群值检测等或者利用箱型图的方式查看异常值并进行相应剔除处理。

指标成像处理步骤S120：

由于本发明采用了胶囊神经网络模型进行信用评估，因此，而胶囊神经网络模型要求输入数据为图像，因此需要对指标进行成像处理，具体如下：

按照数据中每个指标变量的数值对应图像中一个像素点的原则，将步骤S110处理过的数据表中的指标变量根据反映客户特征信息的不同方面重组聚合成一定的用户信用指标特征矩阵，并且在不足的像素区域使用零代替，并将用户信用指标特征矩阵转换为用户的信用特征成像图。

具体的，在所述用户信用指标特征矩阵的取值时，将用户信用指标特征的取值对应乘以255以得到对应像素点的亮度，然后对数据表中的数据形式进行转换，对于x个单列指标变量，需要转化为d﹡d的用户信用特征指标变量矩阵：

，

第一列为1~d

第二列为d+1~2d

第三列为2d+1~3d

⋯⋯

其中

表示向上取整。

进一步的，使用转化的用户信用特征指标变量矩阵来形成d﹡d像素的灰度图，即为用户的信用特征成像图。

构建胶囊网络体系结构步骤S130：

在本步骤中，主要采用胶囊网络，并且为了进一步提高胶囊模型的特征提取能力，实现用户信用特征成像图的深度表示，在所述胶囊网络中进一步引入注意力机制层。

因此，构建胶囊网络体系结构，依次包括：输入层、注意力机制层、主胶囊层、数字胶囊层和输出层，

其中，所述输入层用于输入所述用户信息经过成像处理得到的用户的信用特征成像图；

注意力机制层，用于强调和选择目标处理对象的重要信息，并且抑制无关的细节信息，选择聚焦位置，产生更具分辨性的特征表示。注意力机制层由大量的注意力模块(Attention Module)组成，能产生注意力感知的(attention-aware)特征，并且不同模块的特征随着注意力机制层网络的加深会产生适应性改变。

主胶囊层，用于对成像图特征进一步提炼并整合，主胶囊层通过一定数量的卷积核进行特征提取，单个卷积核进行普通卷积操作后进行封装，得到一定数量的主胶囊。

数字胶囊层，用于通过每个胶囊活动向量的长度即胶囊向量的模预测其属于某个用户类别的概率，其中每个胶囊表示一种预测用户的类型，在数字胶囊层的每层中含有2个胶囊，其中每个胶囊表示一种用户类型，两种用户类型包括好客户类型与坏客户类型。

输出层，用于计算数字胶囊层的预测概率，输出客户好坏类别结果，将特征空间的数据映射到相应客户类别，并输出用户类别的预测概率，即为用户的违约概率值。

具体的，所述注意力机制层由多个注意力模块堆叠而成，每个注意力模块又分为掩膜分支(mask brunch)和主干分支(trunk branch)。主干分支通过多次卷积提取所述用户信用特征成像图的张量特征，掩膜分支是注意力模块的核心部件，包括buttom-up和top-down的结构。其中buttom-up部分执行下采样，多次进行最大池化操作扩大接受域，直到达到最低分辨率。其作用效果是产生低分辨率、强语义信息的特征图，从而收集整个用户信用特征成像图的全局信息。top-down部分执行上采样线性插值，直到特征图尺寸与输入时相等。其作用效果是扩展bottom-up所产生的特征图，使其尺寸与输入bottom-up前的特征图大小相同，从而对输入的用户信用特征成像图的每个像素进行推理选择。主干分支是正常卷积结构。掩膜分支是先经过最大池化操作，以便迅速获得更大的感受野，再通过双线性插值等归一化，再与Trunk Branch进行融合。

所述主胶囊层和数字胶囊层均为多层的结构，所述主胶囊层和数字胶囊层的多层彼此互相堆叠，在互相堆叠的主胶囊层和数字胶囊层之间采用动态路由算法对其进一步编码或者更新，动态路由算法用于计算深浅两层隐藏层中每个胶囊之间的关系，其预测向量由胶囊网络的输出向量与权重矩阵相乘获得，比较预测向量与父节点输出，若为较小的量值，则升高其他父节点的耦合系数，降低该父节点的耦合系数；若为较大的量值，则降低其他父节点的耦合系数，升高该父节点的耦合系数，即胶囊增加了对该父节点的贡献。

具体的，在动态路由算法规则中，下层胶囊由上层胶囊计算得出。每个上层胶囊i连接到相邻的下层胶囊j的概率为：

其中，

为耦合系数，是下层胶囊i激活上层胶囊j的概率，

是胶囊i连接到胶囊j的先验概率，初始值设置为0。根据耦合系数

计算加权求和得输入向量

。

如第l层胶囊用i表示，而它的上层胶囊层，即l+1层用j表示，则下层胶囊i对上层胶囊j输出的预测向量

是由该胶囊的输出

乘权值转化矩阵

得到的，而上层胶囊j的输入

是由所有下层胶囊的预测向量加权得到的，i、j值的大小网络会根据输入的特征图维度确定。

其中，

为上层胶囊的输出，

为上层胶囊预测向量，

为网络中相邻两层的权值转化矩阵，其中胶囊网络在运行过程中会提取特征自动调节权值转化矩阵，

为输入向量，由用户的信用特征成像图矩阵的方式储存，然后转化成向量进行输入，输出向量

可表示为：

其中，

为输出向量，

为输入向量。

接下来为路由更新，通过输出向量

与上层胶囊预测向量

相乘进行更新

，

的更新计算公式如下：

。

本发明通过深浅两层动态连接，胶囊网络模型可以自动地筛选更有效的胶囊，提高模型分类效率，提高了整个网络的鲁棒性。

训练胶囊网络对用户信用特征成像图分类步骤S140：

将步骤S120的用户信用特征成像图作为胶囊网络的输入，利用构建的胶囊网络进行图像分类处理，所述胶囊网络用户信用特征成像图分为两类，包括好用户信用特征成像图与坏用户信用特征成像图。所述胶囊网络对输入的用户信用特征成像图进行以好用户信用特征成像图与坏用户信用特征成像图的类别进行预测分类，将用户信用特征成像图数据分为80%训练集和20%测试集，通过训练集对胶囊网络进行训练，得到分类器，测试集数据对分类器的准确性进行验证。

计算用户违约概率值S150：

对于训练后的胶囊网络，将用户信息经过成像处理后得到的用户信用特征成像图经输入层进入胶囊网络，利用胶囊网络进行计算，最终通过输出层，输出客户好坏类别结果，将特征空间的数据映射到相应客户类别，并输出用户类别的预测概率，即为用户的违约概率值。

本发明具有如下的优点：

1、将用户信息利用图像的形式进行呈现，转化用户信息的呈现形式。依据客户信用数据的特征，将所对应的特征转换形成相应的灰度图，利用构建的胶囊网络能够更好地提取图片特征从而优化模型评估，提高模型可靠性和准确性。

2、把注意力机制层引入胶囊网络，构建后的胶囊网络能够更深层次的提取成像图的全局和局部特征，提高模型可靠性和准确性，还可以提取更多有效的特征信息从而实现更高的准确率。

进一步的，本发明还公开了一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时执行上述的基于胶囊网络的信用评估模型方法。

显然，本领域技术人员应该明白，上述的本发明的各单元或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上,可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定保护范围。

Claims (9)

1.一种基于胶囊网络的信用评估模型方法，其特征在于，包括如下步骤：

用户数据处理步骤S110：

获取用户信用数据，包括好用户数据和坏用户数据，其中坏客户表示在两年内存在违约记录的用户，反之则为好客户，对所述用户信息数据进行预处理，过滤掉缺失，异常的信息，对数据做清洗和预处理，并利用数字的方式进行赋值，以用于后续的步骤；

指标成像处理步骤S120：

按照数据中每个指标变量的数值对应图像中一个像素点的原则，将步骤S110处理过的指标变量根据反映客户特征信息的不同方面重组聚合成一定的用户信用指标特征矩阵，并且在不足的像素区域使用零代替，并将用户信用指标特征矩阵转换为用户的信用特征成像图；

构建胶囊网络体系结构步骤S130：

构建胶囊网络体系结构，依次包括：输入层、注意力机制层、主胶囊层、数字胶囊层和输出层，

其中，所述输入层用于输入所述用户信息经过成像处理得到的用户的信用特征成像图；

注意力机制层，用于强调和选择目标处理对象的重要信息，并且抑制无关的细节信息，选择聚焦位置，产生更具分辨性的特征表示；

主胶囊层，用于对成像图特征进一步提炼并整合，主胶囊层通过一定数量的卷积核进行特征提取，单个卷积核进行普通卷积操作后进行封装，得到一定数量的主胶囊；

数字胶囊层，用于通过每个胶囊活动向量的长度即胶囊向量的模预测其属于某个用户类别的概率，其中每个胶囊表示一种预测用户的类型，在数字胶囊层的每层中含有2个胶囊，其中每个胶囊表示一种用户类型，两种用户类型包括好客户类型与坏客户类型；

输出层，用于计算数字胶囊层的预测概率，输出客户好坏类别结果，将特征空间的数据映射到相应客户类别，并输出用户类别的预测概率，即为用户的违约概率值；

训练胶囊网络对用户信用特征成像图分类步骤S140：

将步骤S120的用户信用特征成像图作为胶囊网络的输入，利用构建的胶囊网络进行图像分类处理，所述胶囊网络用户信用特征成像图分为两类，包括好用户信用特征成像图与坏用户信用特征成像图，所述胶囊网络对输入的用户信用特征成像图进行以好用户信用特征成像图与坏用户信用特征成像图的类别进行预测分类，将用户信用特征成像图数据分为80%训练集和20%测试集，通过训练集对胶囊网络进行训练，得到分类器，测试集数据对分类器的准确性进行验证；

计算用户违约概率值S150：

对于训练后的胶囊网络，将用户信息经过成像处理后得到的用户信用特征成像图经输入层进入胶囊网络，利用胶囊网络进行计算，最终通过输出层，输出客户好坏类别结果，将特征空间的数据映射到相应客户类别，并输出用户类别的预测概率，即为用户的违约概率值。

2.根据权利要求1所述的基于胶囊网络的信用评估模型方法，其特征在于，

所述数据清洗处理步骤S110中，要进行缺失值的处理，处理方法包括直接删除含有缺失值的样本数据、根据样本数据之间的相似性，使用能代表变量中心趋势的值进行填补和根据变量之间的相关关系填补缺失值。

3.根据权利要求2所述的基于胶囊网络的信用评估模型方法，其特征在于，

所述数据清洗处理步骤S110中，所述数据预处理步骤中还包括异常值检测，找出对于明显偏离大多数抽样数据的数值，异常值检测采用离群值检测的方法，包括单变量离群值检测、局部离群值因子检测和基于聚类方法的离群值检测等或者利用箱型图的方式查看异常值并进行相应剔除处理。

4.根据权利要求1所述的基于胶囊网络的信用评估模型方法，其特征在于，

在指标成像处理步骤S120中，在所述用户信用指标特征矩阵的取值时，将用户信用指标特征的取值对应乘以255以得到对应像素点的亮度，然后对数据表中的数据形式进行转换，对于x个单列指标变量，需要转化为d﹡d的用户信用特征指标变量矩阵：

，

第一列为1~d

第二列为d+1~2d

第三列为2d+1~3d

⋯⋯

其中

表示向上取整。

5.根据权利要求4所述的基于胶囊网络的信用评估模型方法，其特征在于，

在指标成像处理步骤S120中，使用转化的用户信用特征指标变量矩阵来形成d*d像素的灰度图，即为用户的信用特征成像图。

6.根据权利要求1所述的基于胶囊网络的信用评估模型方法，其特征在于，

在构建胶囊网络体系结构步骤S130中，

所述注意力机制层由多个注意力模块堆叠而成，每个注意力模块又分为掩膜分支(mask brunch)和主干分支(trunk branch)，主干分支通过多次卷积提取所述用户信用特征成像图的张量特征，掩膜分支是注意力模块的核心部件，包括buttom-up和top-down的结构；

其中buttom-up部分执行下采样，多次进行最大池化操作扩大接受域，直到达到最低分辨率，其作用效果是产生低分辨率、强语义信息的特征图，从而收集整个用户信用特征成像图的全局信息，top-down部分执行上采样线性插值，直到特征图尺寸与输入时相等，其作用效果是扩展bottom-up所产生的特征图，使其尺寸与输入bottom-up前的特征图大小相同，从而对输入的用户信用特征成像图的每个像素进行推理选择。

7.根据权利要求6所述的基于胶囊网络的信用评估模型方法，其特征在于，

在构建胶囊网络体系结构步骤S130中，

所述主胶囊层和数字胶囊层均为多层的结构，所述主胶囊层和数字胶囊层的多层彼此互相堆叠，在互相堆叠的主胶囊层和数字胶囊层之间采用动态路由算法对其进一步编码或者更新，动态路由算法用于计算深浅两层隐藏层中每个胶囊之间的关系，其预测向量由胶囊网络的输出向量与权重矩阵相乘获得，比较预测向量与父节点输出，若为较小的量值，则升高其他父节点的耦合系数，降低该父节点的耦合系数；若为较大的量值，则降低其他父节点的耦合系数，升高该父节点的耦合系数，即胶囊增加了对该父节点的贡献。

8.根据权利要求7所述的基于胶囊网络的信用评估模型方法，其特征在于，

所述动态路由算法规则具体为：

下层胶囊由上层胶囊计算得出，每个上层胶囊i连接到相邻的下层胶囊j的概率为：

其中，

为耦合系数，是下层胶囊i激活上层胶囊j的概率，

是胶囊i连接到胶囊j的先验概率，初始值设置为0，根据耦合系数

计算加权求和得输入向量

；

下层胶囊i对上层胶囊j输出的预测向量

是由该胶囊的输出

乘权值转化矩阵

得到的，而上层胶囊j的输入

是由所有下层胶囊的预测向量加权得到的，i、j值的大小网络会根据输入的特征图维度确定，

其中，

为上层胶囊的输出，

为上层胶囊预测向量，

为网络中相邻两层的权值转化矩阵，其中胶囊网络在运行过程中会提取特征自动调节权值转化矩阵，

为输入向量，由用户的信用特征成像图矩阵的方式储存，然后转化成向量进行输入，输出向量

可表示为：

其中，

为输出向量，

为输入向量，

接下来为路由更新，通过输出向量

与上层胶囊预测向量

相乘进行更新

，

的更新计算公式如下：

。

9.一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时执行权利要求1-8中任意一项所述的基于胶囊网络的信用评估模型方法。

Images