基于LightGBM算法的移动用户信用评分研究

随着科技进步、社会的发展,个人信用分值对于个人愈加重要,而传统的信用评分主要以个人消费能力等少数的维度来衡量,难以全面、客观、及时地反映个人的信用。旨在解决面向大样本、高维度数据的环境下的信用分预测问题,提出一种基于LightGBM算法的移动用户信用评分算法,完善信用评分体系。首先分析线性相关性来构建特征集合,然后通过K-means算法对特征集合进行聚类分析,最后通过LightGBM模型构建信用评分模型。通过在数字中国创新大赛所提供的真实数据上的实验表明,该方法能够充分挖掘数据特征并且精准地预测用户信用评分,较GBDT、XGBoost等算法具有较高的准确率和计算效率。通过对线性相关性分析基础上的数据特征集合进行聚类分析,并将其应用到基于LightGBM信用评分模型,能够更加准确地预测移动用户信用评分。

融合语法规则的Bi-LSTM中文情感分类方法研究

【目的】提出一种融合语法规则的情感分类方法,提高中文文本情感分类的准确率。【方法】将中文语法规则以约束的形式同Bi-LSTM结合,通过规范句子相邻位置的输出模拟句子层次中非情感词、情感词、否定词和程度词的语言作用。【结果】相较于前沿的RNN、LSTM、Bi-LSTM模型,融合中文语法规则的Bi-LSTM模型准确率可达91.2%,在准确率方面得到较好的提升。【局限】实验数据集来源相对单一,只选取酒店评论数据集,在其他数据集上方法的有效性需要进一步验证。【结论】本文提出的情感分类方法融合了中文语法规则,进一步提升了情感分类的准确率。