(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211387871.4 (22)申请日 2022.11.08 (71)申请人 南京审计大 学 地址 211815 江苏省南京市浦口区江浦街 道雨山西路86号 (72)发明人 吕从东　张晓东　孙周宝　 (74)专利代理 机构 南京司南专利代理事务所 (普通合伙) 32431 专利代理师 刘凯霞 (51)Int.Cl. G06Q 40/02(2012.01) G06N 20/10(2019.01) G06F 40/289(2020.01) (54)发明名称 一种基于迁移学习的信用评估方法 (57)摘要 本发明提供一种基于迁移学习的信用评估 方法， 包括如下步骤： S1： 输入个人或企业的信用 评估数据， 其中信用评估数据包括源域特征向量 和目标域特征向量； S2： 计算源域特征向量与目 标域特征向量的交集， 其中交集称为公共特征向 量； S3： 计算源域特征向量与公共特征向量的差 值、 以及目标域特征向量与公共特征向量的差 值； S4： 计算特征的词向量； S5： 计算源域特征向 量和目标域特征向量的之间的距离； S6： 计算特 征映射矩阵； S7： 使用特征映射矩阵进行目标域 特征向量到源域特征向量的映射。 本发明使用大 数据量领域的信用评估模型对其进行信用评估， 可以更好的计算小数据量领域信用评估准确率 低的问题。 权利要求书2页 说明书6页 附图1页 CN 115439235 A 2022.12.06 CN 115439235 A 1.一种基于 迁移学习的信用评估方法， 其特 征在于， 包括如下步骤： S1： 输入个人或企业的信用评估数据， 其中信用评估数据包括源域特征向量和目标域 特征向量； S2： 计算源域特 征向量与目标域特 征向量的交集， 其中交集称为公共特 征向量； S3： 计算源域特征向量与公共特征向量的差值、 以及目标域特征向量与公共特征向量 的差值； S4： 计算特征的词向量； 其中步骤S4输入： 源域特征向量与公共特征向量的差值以及目 标域特征向量与公共特 征向量的差值； 步骤S4输出： 源域词向量 集合和目标词向量 集合； S5： 计算源域特 征向量和目标域特 征向量的之间的距离； S6： 利用步骤S5中计算出来特 征向量之间的距离， 计算特 征映射矩阵； S7： 使用特 征映射矩阵进行目标域特 征向量到源域特 征向量的映射。 2.根据权利要求1所述的基于迁移学习的信用评估方法， 其特征在于， 步骤S1中， 源域 特征向量设为 ， 其定义为公式 （1） ： （1） ； 目标域特 征向量设为 ， 其定义为公式 （2） ： （2） ； 其中 和 都是大于1的自然数， m表示源域特征向量的个数， n表示目标域特征向量 的个数。 3.根据权利要求2所述的基于迁移学习的信用评估方法， 其特征在于， 步骤S2中， 公共 特征向量设为 ， 其定义为公式 （3） ：    （3） 其中 ， 表示源域特征向量和目标域特征向量之间具有相同特征的 个数。 4.根据权利要求3所述的基于迁移学习的信用评估方法， 其特征在于， 源域特征向量与 公共特征向量的差值如公式 （4） ， 目标域特 征向量与公共特 征向量的差值如公式 （5） ： （4） （5） 其中， 是源域特征向量与公共特征向量的差值， 是目标域特征向量与 公共特 征向量的差值。 5.根据权利要求 4所述的基于 迁移学习的信用评估方法， 其特 征在于， 步骤S4的具体 计算步骤如下： S41： 对于 中的每个源域元素， 该源域元素设为a， 计算该源域元素的源域开源工具权　利　要　求　书 1/2 页 2 CN 115439235 A 2词向量， 然后将该源域 开源工具词向量加入到源域词向量 集合内； S42： 对于 中的每个目标元素， 该目标元素设为b， 计算该目标元素的目标开源工具 词向量， 然后将该目标开源工具词向量加入到目标词向量 集合内。 6. 根据权利要求5所述的基于迁移学习的信用评估方法， 其特征在于， 步骤S5中， 计算 源域特征向量和目标域特 征向量的之间的距离如公式 （6） ：  （6） 其中， dab表示距离， x1k表示源域特征向量的某个特征向量的词向量第k个值； x2k表示源 域特征向量的某个特 征向量的词向量第2k个值。 7.根据权利要求6所述的基于迁移学习的信用评估方法， 其特征在于， 步骤S5输入： 源 域词向量集合和目标词向量集合； 步骤S5输出： 距离源域词向量集合和目标词向量集合的 距离矩阵， 距离矩阵设为D； 步骤S5的具体计算步骤为： 对于源域词向量集合的每个源域元 素， 计算该源域元素与目标词向量集合的每个目标元素 的距离， 然后将距离加入到距离矩 阵中。 8.根据权利要求7所述的基于迁移学习的信用评估方法， 其特征在于， 步骤S6输入： 源 域词向量集合、 目标词向量集合以及距离矩阵； 步骤S6输出： 特征映射矩阵， 特征映射矩阵 设为 ； 步骤S6的具体计算步骤为： 对于距离矩阵中的每一行， 计算该行所有 元素的和， 这 个和放入向量中， 向量设为T； 对于距离矩阵中的每一个距离， 该距离为dij， i代表行号， j代 表列号； dij除以ti得到权重gij， ti是向量中的第i个元素； 即距离矩阵的每个元素计算后放 到特征映射矩阵的相应的位置， 得到特 征映射矩阵。 9.根据权利要求8所述的基于迁移学习的信用评估方法， 其特征在于， 步骤S7采用公式 （7） ：   （7） 。 10.根据权利要求9所述的基于迁移学习的信用评估方法， 其特征在于， 步骤S7输入： 源 域特征向量中某个人或者企业的信用评估数据和特征映射矩阵； 步骤S7输出： 源域特征向 量中某个人或者企业的信用评估 模型； 步骤S7的具体 计算步骤： S71： 进行预测的数据就是映射后的数据与公共特征向量部分数据的组合， 数据顺序按 照目标域 顺序排列； S72： 使用目标域特征向量和支持向量机信用评估模型将预测的数据输入支持向量机 信用评估 模型计算源域中某个人或者企业的信用。权　利　要　求　书 2/2 页 3 CN 115439235 A 3