基于半監(jiān)督學(xué)習(xí)和信息融合的港口客戶信用風(fēng)險評價系統(tǒng).pdf

1、伴隨著經(jīng)濟一體化、全球化的發(fā)展趨勢，我國國民經(jīng)濟的發(fā)展和對外貿(mào)易迅速增加，造就了水路運輸?shù)目焖僭鲩L，也推動了港口的發(fā)展。為了維系和爭取更多的客戶，港口擴大了信用結(jié)算的適用范圍。隨著信用結(jié)算政策的改變，客戶信用風(fēng)險問題開始不斷困擾著港口的管理者。客戶延期還款甚至惡意拖欠，嚴(yán)重影響了港口正常的經(jīng)營。而傳統(tǒng)依靠人工的客戶信用風(fēng)險評價方法，已經(jīng)難以滿足港口日常經(jīng)營管理的需求。因此，如何利用現(xiàn)有資源，增強港口信息化建設(shè)和應(yīng)用水平，對港口客戶未來一

2、段時間內(nèi)的信用風(fēng)險水平進行評價，從而降低或規(guī)避因客戶信用風(fēng)險給港口帶來的損失，提高港口的應(yīng)變能力，是港口目前亟待解決的問題。
　　本文面向港口客戶信用風(fēng)險評價，以廣東省教育部產(chǎn)學(xué)研項目《廣州港集團生產(chǎn)業(yè)務(wù)管理系統(tǒng)及通用軟件產(chǎn)業(yè)》(2008B090500244)、《基于RFID的港口汽車滾裝管理系統(tǒng)應(yīng)用示范工程》(2009B090300467)和國家自然科學(xué)基金重點項目《物流資源整合與調(diào)度優(yōu)化研究》(71132008)等為支持，深入

3、分析了港口客戶信用風(fēng)險的成因，綜合應(yīng)用半監(jiān)督學(xué)習(xí)、主動學(xué)習(xí)、信息融合、神經(jīng)網(wǎng)絡(luò)和遺傳算法等理論和方法，設(shè)計并構(gòu)建了基于半監(jiān)督學(xué)習(xí)和信息融合的港口客戶信用風(fēng)險評價系統(tǒng)，主要研究內(nèi)容和成果如下:
　　(1)提出了面向港口的客戶信用風(fēng)險評價體系
　　本文在對港口客戶信用風(fēng)險成因深入分析的基礎(chǔ)上，比較了港口客戶信用評價體系和現(xiàn)有主要信用評價體系之間的差異。針對目前相關(guān)研究不足、套用現(xiàn)有客戶信用風(fēng)險評價體系難以滿足實際需求等問題，明確

4、了構(gòu)成評價體系的指標(biāo)，引入外部影響因素，構(gòu)建了港口客戶信用風(fēng)險評價體系。
　　(2)構(gòu)建了基于Tri-Training和標(biāo)簽傳遞算法的半監(jiān)督文本傾向分類框架
　　本文對有標(biāo)簽樣本不足情況下的文本傾向分類進行了研究。針對實際應(yīng)用中有標(biāo)簽樣本不足，影響文本傾向分類性能的問題，引入了半監(jiān)督學(xué)習(xí)算法。在深入了解半監(jiān)督學(xué)習(xí)的基礎(chǔ)上，針對標(biāo)簽傳遞算法無法直接處理樣本外數(shù)據(jù)和Tri-Training算法易受初期噪音干擾的問題，提出了一種結(jié)

5、合Tri-Training與標(biāo)簽傳遞算法的半監(jiān)督文本傾向分類框架（Label-propagation Improved Tri-TrainingFramework,LIT2）。
　　(3)提出了一種基于主動學(xué)習(xí)的半監(jiān)督文本傾向分類優(yōu)化策略
　　針對LIT2在訓(xùn)練過程中出現(xiàn)的學(xué)習(xí)能力瓶頸，有針對性地提出了一種基于主動學(xué)習(xí)的優(yōu)化策略。采用成員查詢式的主動學(xué)習(xí)優(yōu)化策略，通過構(gòu)建訓(xùn)練信息較豐富的有標(biāo)簽樣本，幫助LIT2克服訓(xùn)練前期的

6、學(xué)習(xí)能力瓶頸;通過基于池的主動學(xué)習(xí)，選取具有較高訓(xùn)練價值的樣本，從而令LIT2克服訓(xùn)練后期的學(xué)習(xí)能力瓶頸，綜合提高LIT2的訓(xùn)練效率和分類性能。
　　(4)提出了基于內(nèi)外部信息融合的港口客戶信用風(fēng)險評價模型
　　對港口客戶信用風(fēng)險評價的過程，也是融合港口企業(yè)內(nèi)外部信息的過程。結(jié)合信息融合模型和BP神經(jīng)網(wǎng)絡(luò)，本文提出了基于內(nèi)外部信息融合的港口客戶信用風(fēng)險評價模型(Internal and External Informatio

7、n Fusion based Port Customer Credit Evaluation Model，IEPCCM)。針對BP神經(jīng)網(wǎng)絡(luò)中的不足，提出了一種基于多項改進的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建方法(Mutil-Improved BP-NN Model Construction Method，M2C)，并應(yīng)用M2C構(gòu)建了IEPCCM。
　　(5)實現(xiàn)了SIPCC的原型化開發(fā)
　　在前文研究的基礎(chǔ)上，根據(jù)基于內(nèi)外部信息的港口客戶信用

8、風(fēng)險評價系統(tǒng)(Semi-supervised Learning and Information Fusion based Port Customer Credit Evaluation System，SIPCC)的需求分析和體系框架，應(yīng)用Java EE平臺，Sprirg-Hibernate聯(lián)合框架，結(jié)合Nutch等關(guān)鍵插件，完成了SIPCC系統(tǒng)原型系統(tǒng)的開發(fā)，并實現(xiàn)了內(nèi)部數(shù)據(jù)管理、外部信息抽取、文本傾向分析和客戶信用評價等核心功能。通過