结构化非线性有序回归的用户信用等级划分

摘要：

传统用户信用评价方法仅通过构建二分类模型实现用户欺诈检测,难于挖掘应用的潜在价值.文中将用户信用评价转化为基于用户信用等级排序的有序回归问题,提出结构化非线性有序回归算法,实现高效信用等级分析.首先,生成自适应局部权值矩阵,解决样本非平衡分布产生的过学习与欠学习问题.然后,引入错分样本惩罚约束优化投影方向,避免噪音对判别模型求解产生影响,提升鲁棒性.最后,采集实际应用数据,实现特征转化及有序类别标注,并验证算法.实验结果表明文中算法效果较优.

关键词：用户信用等级、有序回归、鲁棒学习、非线性判别学习

所属期刊栏目：33

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金项目;辽宁省自然科学基金项目;辽宁省教育厅青年基金项目;大连市科技创新基金项目;大连市重点实验室专项资助

在线出版日期：2020-11-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：839-851