Multi-Agent System and Distributed Data Mining Based Automated Credit Scoring System

摘要

一台机器履行职能的能力通常与人工智能有关，比如推理、规划、感知、认知、学习、理解和解决问题能力，在计算机学术界机器能力的研究是最有趣的研究领域之一。同时也是人工智能领域的主要挑战。其主要目标是开发并使用一台机器模仿人类大脑的一些智能，并提出相关理论与技术。
　　 在人工智能领域，Agent已成为了一个重要的概念。智能Agent、软件Agent和一个能代表用户执行任务的自主软件程序有着密切的关系。在计算机科学界，长期智能Agent可以用来表示拥有一些智能的软件Agent或者有学习方法的Agent，甚至没有理性的Agent。
　　 在各不同的应用领域，这些学习方法已被证明是很有实际价值的，尤其是在数据挖掘(也被称为数据库中知识发现—KDD)领域，数据挖掘可理解为从大型数据库中提取先前未知的、有效的以及可操作的信息，然后利用这些信息做出关键的业务决策的过程。
　　 实际上，在Agent与数据挖掘技术所面临的挑战日益增大及开发出更先进智能系统的必要性的情况下，促使了Agent技术与数据挖掘技术两者之间的融合。当前，Agent技术与数据挖掘技术的应用都十分的活跃。
　　 现今，由于全球经济化和信息技术的发展，使得金融数据持续以前所未有速度增长，这迫使金融机构思考一个能高效利用海量数据的自动化方法，从而帮助他们能做出更好的战略规划和投资决策。
　　 使用同样的想法，我们将考虑在银行机构的信用评分，该信用评分的实施是一大挑战，它关注银行机构并不知道一个给定客户是否偿还贷款或默认贷款的事实。然而银行机构会评估一个投资者因一个没有做出支付承诺借款人对其所产生的资金亏损风险。
　　 本文通过结合多Agent系统技术和分布式数据挖掘技术来解决上述问题，尤其是在自动化信用评分的最佳解决方案中，通过对客户信息的历史数据建立预测模型，实现风险的可预见性，帮助银行机构做出良好的信贷审批决策，从而尽可能的降低公司破产的可能性。该系统是有多个自主网站组成一个分布式系统，通过计算机网络与一个加工现场进行通信。
　　 本文提出的分布式系统方法是通过Agent与数据挖掘的交互与整合来完成上述目标的。该网站的自主权通过基于每个站点上的多个本地模型的合并与同步的全局预测模型实现的。加工现场负责全局预测模型的建立。随着出现了一些新的挑战，然而这些挑战是基于Agent协作与通信机制、分布式数据挖掘、时间消耗和算法的最佳选择。
　　 简单的ACSS网站的设计与实现同时使用了四项技术，即JADE、Java、数据挖掘和Oracle。同时选择了两个数据挖掘算法，分别是决策树和朴素贝叶斯算法，利用机器学习和智能系统的UCI机器学习资源库提供的数据集建立预测模型。本文使用的数据集中包含1000个实例，其中包括300个不良贷款和700个良好贷款。

目录

Dedication

Acknowledgement

声明

摘要

Abstract

Tables of contents

List of Tables

List of abbreviations

List of Figures

C hapter 1 Introduction

1．1 Introduction

1．2 Motivation

1．3 Research on MAS and Data Mining

1．4 Contribution on this thesis

1．5 Thesis organization

Chapter 2 Background and related work

2．1 Introduction

2．2 Data mining and Knowledge discovery

2．2．1 What’s data mining

2．2．2 Domain expertise

2．2．3 Data Mining or Knowledge Discovery

2．2．4 Data Warehouse and data mining

2．2．5 Data mining process

2．2．6 Data mining functions

2．2．7 Distributed data mining

2．2．8 Data mining in banking industry

2．2．9 Credit scoring in banking industry

2．3 Multi-Agent System

2．3．1 Agent technology

2．3．2 Agent characteristic and propriety

2．3．3 Abstract architecture for agent

2．3．4 Agent communication and coordination

2．3．5 Agent management

2．3．6 Agent ontology

2．3．7 Domain expertise

2．3．8 MAS framework

2．4 Chapter summary

Chapter 3 Agent interaction and integration in data mining

3．1 Agent-Driven DM versus Data mining driving Agent

3．1．1 Agent-Driven DM

3．1．2 Data Mining-Driven Agent

3．2 The principals challenges of our approach

3．2．1 Agent coordination and communication mechanism

3．2．2 Distributed Data Mining

3．2．3 Time consuming

3．2．4 Best choice for algorithm

3．3 Case study

3．4 Chapter summary

Chapter 4 Design and implementation of ACSS

4．1 System goal

4．2 System analysis and design

4．2．1 System architecture

4．2．2 Presentation layer and agent type

4．2．3 System business workflow

4．2．4 Sequence diagram

4．2．5 Class diagram

4．3 System implementation

4．3．1 Java

4．3．2 JADE

4．3．3 Java Data Mining (JAM)

4．3．4 Oracle RDBMS

4．4 Experiment and results discussion

4．4．1 Time consuming

4．4．2 System simulation

4．5 Chapter summary

Chapter 5 Conclusion and Future work

References

Research and Publications