基于半监督学习和信息融合的港口客户信用风险评价系统

摘要

伴随着经济一体化、全球化的发展趋势，我国国民经济的发展和对外贸易迅速增加，造就了水路运输的快速增长，也推动了港口的发展。为了维系和争取更多的客户，港口扩大了信用结算的适用范围。随着信用结算政策的改变，客户信用风险问题开始不断困扰着港口的管理者。客户延期还款甚至恶意拖欠，严重影响了港口正常的经营。而传统依靠人工的客户信用风险评价方法，已经难以满足港口日常经营管理的需求。因此，如何利用现有资源，增强港口信息化建设和应用水平，对港口客户未来一段时间内的信用风险水平进行评价，从而降低或规避因客户信用风险给港口带来的损失，提高港口的应变能力，是港口目前亟待解决的问题。
　　本文面向港口客户信用风险评价，以广东省教育部产学研项目《广州港集团生产业务管理系统及通用软件产业》(2008B090500244)、《基于RFID的港口汽车滚装管理系统应用示范工程》(2009B090300467)和国家自然科学基金重点项目《物流资源整合与调度优化研究》(71132008)等为支持，深入分析了港口客户信用风险的成因，综合应用半监督学习、主动学习、信息融合、神经网络和遗传算法等理论和方法，设计并构建了基于半监督学习和信息融合的港口客户信用风险评价系统，主要研究内容和成果如下:
　　(1)提出了面向港口的客户信用风险评价体系
　　本文在对港口客户信用风险成因深入分析的基础上，比较了港口客户信用评价体系和现有主要信用评价体系之间的差异。针对目前相关研究不足、套用现有客户信用风险评价体系难以满足实际需求等问题，明确了构成评价体系的指标，引入外部影响因素，构建了港口客户信用风险评价体系。
　　(2)构建了基于Tri-Training和标签传递算法的半监督文本倾向分类框架
　　本文对有标签样本不足情况下的文本倾向分类进行了研究。针对实际应用中有标签样本不足，影响文本倾向分类性能的问题，引入了半监督学习算法。在深入了解半监督学习的基础上，针对标签传递算法无法直接处理样本外数据和Tri-Training算法易受初期噪音干扰的问题，提出了一种结合Tri-Training与标签传递算法的半监督文本倾向分类框架（Label-propagation Improved Tri-TrainingFramework,LIT2）。
　　(3)提出了一种基于主动学习的半监督文本倾向分类优化策略
　　针对LIT2在训练过程中出现的学习能力瓶颈，有针对性地提出了一种基于主动学习的优化策略。采用成员查询式的主动学习优化策略，通过构建训练信息较丰富的有标签样本，帮助LIT2克服训练前期的学习能力瓶颈;通过基于池的主动学习，选取具有较高训练价值的样本，从而令LIT2克服训练后期的学习能力瓶颈，综合提高LIT2的训练效率和分类性能。
　　(4)提出了基于内外部信息融合的港口客户信用风险评价模型
　　对港口客户信用风险评价的过程，也是融合港口企业内外部信息的过程。结合信息融合模型和BP神经网络，本文提出了基于内外部信息融合的港口客户信用风险评价模型(Internal and External Information Fusion based Port Customer Credit Evaluation Model，IEPCCM)。针对BP神经网络中的不足，提出了一种基于多项改进的BP神经网络构建方法(Mutil-Improved BP-NN Model Construction Method，M2C)，并应用M2C构建了IEPCCM。
　　(5)实现了SIPCC的原型化开发
　　在前文研究的基础上，根据基于内外部信息的港口客户信用风险评价系统(Semi-supervised Learning and Information Fusion based Port Customer Credit Evaluation System，SIPCC)的需求分析和体系框架，应用Java EE平台，Sprirg-Hibernate联合框架，结合Nutch等关键插件，完成了SIPCC系统原型系统的开发，并实现了内部数据管理、外部信息抽取、文本倾向分析和客户信用评价等核心功能。通过多种技术框架体系和关键技术的联合应用，进一步提高了系统的高效性、可扩展性、实用性和安全性。

目录

声明

致谢

摘要

1．1．1 港口发展现状

1．1．2 研究背景

1．1．3 研究目的和意义

1．2 国内外研究现状

1．3 研究内容和结构

1．3．1 研究内容

1．3．2 论文结构

1．3．3 创新点

2 相关理论与方法

2．1 信用风险的理论分析

2．1．1 基于信息不对称理论的视角

2．1．2 基于重复博弈理论的视角

2．2 信用风险的评价方法

2．2．1 传统信用风险评价方法

2．2．2 现代高级信用风险评价方法

2．2．3 基于人工智能的信用风险评价方法

2．3 文本倾向分类方法

2．3．1 基于语义的文本倾向分类

2．3．2 基于人工智能的文本倾向分类

2．3．3 对两种方法的比较

2．3 本章小结

3 港口客户信用风险评价指标体系

3．1．1 港口客户信用风险的界定

3．1．2 港口客户信用风险的成因

3．1．3 港口客户信用风险的特点

3．2 港口客户信用风险评价指标体系的差异性分析

3．2．1 现有客户信用风险评价指标体系

3．2．2 港口客户信用风险评价指标体系的差异

3．3 港口客户信用风险评价指标体系构建的原则

3．4 港口客户信用风险评价指标体系

3．5 本章小结

4 针对港口外部信息的半监督文本倾向分类框架

4．1 相关研究

4．1．1 Tri-Training算法

4．1．2 标签传递算法

4．1．3 主动学习

4．1．4 带精英策略的非支配排序遗传算法

4．2 基于Tri-Training和标签传递算法的文本倾向分类框架

4．2．1 文本倾向分类框架LIT2

4．2．2 实验结果与分析

4．3 基于主动学习改进的LIT2

4．3．1 针对LIT2训练初期的主动学习优化

4．3．2 针对LIT2训练后期的主动学习优化

4．3．3 实验结果与分析

4．4 本章小结

5 港口客户信用风险评价的内外部信息融合模型

5．1 相关研究

5．1．1 信息融合

5．1．2 BP神经网络

5．2 基于多项改进的BP神经网络模型构建方法

5．3 M2C在港口客户信用风险评价模型中的应用

5．3．1 ETL和数据标准化

5．3．2 确定BP神经网络结构

5．3．3 确定初始权值和阂值

5．3．4 模型训练与结果

5．3．5 实验小结

5．4 本章小结

6 港口客户信用风险评价系统的设计与实现

6．1 系统的功能框架

6．2 技术框架和关键技术

6．3 原型系统实现

6．3．1 内部数据管理

6．3．2 外部信息管理

6．3．3 文本倾向分析

6．3．4 客户信用风险评价

6．4 本章小结

7．1 本文工作总结

7．2 未来研究展望

参考文献

附录

作者简历及攻读博士学位期间取得的研究成果

学位论文数据集