本發(fā)明涉及電子商務(wù)技術(shù)領(lǐng)域，尤其涉及一種農(nóng)戶(hù)信用評(píng)估方法及裝置。

背景技術(shù)：

近年來(lái)，隨著電子商務(wù)技術(shù)的飛速發(fā)展，各類(lèi)數(shù)據(jù)業(yè)務(wù)如雨后春筍，而對(duì)農(nóng)戶(hù)的信用評(píng)估現(xiàn)已成為焦點(diǎn)問(wèn)題。

現(xiàn)有農(nóng)戶(hù)信用評(píng)估技術(shù)中，通過(guò)人工采集數(shù)據(jù)和人工數(shù)據(jù)特征選擇，且大部分評(píng)估技術(shù)直接采用機(jī)器學(xué)習(xí)算法中的淺層學(xué)習(xí)算法構(gòu)建模型，由于人為的主觀因素和算法的局限性，影響了農(nóng)戶(hù)的信用評(píng)估的速度和準(zhǔn)確性，因此，亟需一種農(nóng)戶(hù)信用評(píng)估方法及裝置能快速、準(zhǔn)確、高效地對(duì)農(nóng)戶(hù)的信用進(jìn)行評(píng)估。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種農(nóng)戶(hù)信用評(píng)估方法及裝置，避免了部分人工操作流程，采用深度特征學(xué)習(xí)模型，能夠快速、準(zhǔn)確、高效地對(duì)農(nóng)戶(hù)的信用進(jìn)行評(píng)估。

為了達(dá)到上述目的，本發(fā)明一方面提供了一種農(nóng)戶(hù)信用評(píng)估方法，用于評(píng)估農(nóng)戶(hù)的信用分?jǐn)?shù)，所述方法包括：

建立深度特征學(xué)習(xí)模型，對(duì)多個(gè)農(nóng)戶(hù)的數(shù)據(jù)信息進(jìn)行深度特征學(xué)習(xí)，確定所述深度特征學(xué)習(xí)模型的參數(shù)；以及

將待評(píng)估農(nóng)戶(hù)的數(shù)據(jù)信息輸入至所述深度特征學(xué)習(xí)模型，所述深度特征學(xué)習(xí)模型的輸出經(jīng)過(guò)一信用評(píng)估模型得到所述待評(píng)估農(nóng)戶(hù)的信用分?jǐn)?shù)；

其中，所述深度特征學(xué)習(xí)模型包括深度信念網(wǎng)絡(luò)，所述深度信念網(wǎng)絡(luò)包括多層限制玻爾茲曼機(jī)。

優(yōu)選地，在上述農(nóng)戶(hù)信用評(píng)估方法中，所述建立深度特征學(xué)習(xí)模型，對(duì)多個(gè)農(nóng)戶(hù)的數(shù)據(jù)信息進(jìn)行深度特征學(xué)習(xí)，確定所述深度特征學(xué)習(xí)模型的參數(shù)的步驟包括：

獲取多個(gè)農(nóng)戶(hù)的數(shù)據(jù)信息形成第一數(shù)據(jù)信息樣本集；每個(gè)農(nóng)戶(hù)的數(shù)據(jù)信息包括農(nóng)戶(hù)主體信息、生產(chǎn)資料信息以及經(jīng)營(yíng)管理信息；

將所述第一數(shù)據(jù)信息樣本集進(jìn)行第一次數(shù)據(jù)處理以形成第二數(shù)據(jù)信息樣本集，所述第一次數(shù)據(jù)處理包括：去噪聲處理及歸一化處理；

將所述第二數(shù)據(jù)信息樣本集輸入所述深度信念網(wǎng)絡(luò)，確定所述深度信念網(wǎng)絡(luò)的參數(shù)，所述參數(shù)包括：每層限制玻爾茲曼機(jī)的初始權(quán)重、初始偏置、學(xué)習(xí)率、對(duì)比散度算法參數(shù)以及訓(xùn)練周期。

優(yōu)選地，在上述農(nóng)戶(hù)信用評(píng)估方法中，所述將待評(píng)估農(nóng)戶(hù)的數(shù)據(jù)信息輸入所述深度特征學(xué)習(xí)模型，所述深度特征學(xué)習(xí)模型的輸出經(jīng)過(guò)一信用評(píng)估模型得到所述待評(píng)估農(nóng)戶(hù)的信用分?jǐn)?shù)的步驟包括：

獲取所述待評(píng)估農(nóng)戶(hù)的數(shù)據(jù)信息以形成第三數(shù)據(jù)信息樣本集，所述待評(píng)估農(nóng)戶(hù)的數(shù)據(jù)信息包括農(nóng)戶(hù)主體信息、生產(chǎn)資料信息以及經(jīng)營(yíng)管理信息；

對(duì)所述第三數(shù)據(jù)信息樣本集進(jìn)行去噪聲處理及歸一化處理后，輸入所述深度信念網(wǎng)絡(luò)；

將所述深度信念網(wǎng)絡(luò)的輸出作為所述信用評(píng)估模型的輸入，得到所述待評(píng)估農(nóng)戶(hù)的信用分?jǐn)?shù)。

優(yōu)選地，在上述農(nóng)戶(hù)信用評(píng)估方法中，所述將所述深度信念網(wǎng)絡(luò)的輸出作為所述信用評(píng)估模型的輸入，得到所述待評(píng)估農(nóng)戶(hù)的信用分?jǐn)?shù)的步驟包括：

所述深度信念網(wǎng)絡(luò)的輸出作為所述信用評(píng)估模型中的bp神經(jīng)網(wǎng)絡(luò)的輸入，得到所述bp神經(jīng)網(wǎng)絡(luò)的輸出矩陣a¹；

將所述bp神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣w¹與a¹的轉(zhuǎn)置矩陣進(jìn)行矩陣乘法運(yùn)算，得到一向量a²，表示為：

以及

a²經(jīng)過(guò)一激活函數(shù)得到所述待評(píng)估農(nóng)戶(hù)的信用分?jǐn)?shù)，所述激活函數(shù)包括sigmoid函數(shù)。

優(yōu)選地，在上述農(nóng)戶(hù)信用評(píng)估方法中，所述深度信念網(wǎng)絡(luò)包括三層限制玻爾茲曼機(jī)。

為了達(dá)到上述目的，本發(fā)明另一方面提供了一種農(nóng)戶(hù)信用評(píng)估裝置，用于評(píng)估農(nóng)戶(hù)的信用分?jǐn)?shù)，其特征在于，包括：數(shù)據(jù)采集裝置、數(shù)據(jù)處理裝置以及客戶(hù)端，所述數(shù)據(jù)采集裝置用于對(duì)多個(gè)所述農(nóng)戶(hù)的數(shù)據(jù)信息進(jìn)行采集并存儲(chǔ)至第三數(shù)據(jù)信息樣本集；所述數(shù)據(jù)處理裝置用于對(duì)所述第三數(shù)據(jù)信息樣本集進(jìn)行數(shù)據(jù)處理，并評(píng)估出每個(gè)農(nóng)戶(hù)相應(yīng)的信用分?jǐn)?shù)；所述客戶(hù)端用于實(shí)時(shí)展示所述信用分?jǐn)?shù)及所述數(shù)據(jù)采集裝置及數(shù)據(jù)處理裝置的工作進(jìn)程。

優(yōu)選地，在上述農(nóng)戶(hù)信用評(píng)估裝置中，所述數(shù)據(jù)采集裝置包括數(shù)據(jù)采集模塊及第一服務(wù)器，所述數(shù)據(jù)采集模塊用于對(duì)多個(gè)所述農(nóng)戶(hù)的數(shù)據(jù)信息進(jìn)行采集以形成第三數(shù)據(jù)信息樣本集，并儲(chǔ)存在所述第一服務(wù)器，所述第一服務(wù)器對(duì)所述第三數(shù)據(jù)信息樣本集進(jìn)行實(shí)時(shí)更新。

優(yōu)選地，在上述農(nóng)戶(hù)信用評(píng)估裝置中，所述數(shù)據(jù)處理裝置包括第二服務(wù)器及第三服務(wù)器，所述第三服務(wù)器包括一深度特征學(xué)習(xí)模型及一信用評(píng)估模型，所述第二服務(wù)器用于對(duì)所述第三數(shù)據(jù)信息樣本集進(jìn)行去噪聲處理及歸一化處理，并將其輸入至所述深度特征學(xué)習(xí)模型，所述深度特征學(xué)習(xí)模型的輸出經(jīng)由所述信用評(píng)估模型評(píng)估出每個(gè)農(nóng)戶(hù)相應(yīng)的信用分?jǐn)?shù)，輸送至所述客戶(hù)端。

優(yōu)選地，在上述農(nóng)戶(hù)信用評(píng)估裝置中，所述深度特征學(xué)習(xí)模型為深度信念網(wǎng)絡(luò)；所述信用評(píng)估模型包括一個(gè)bp神經(jīng)網(wǎng)絡(luò)。

優(yōu)選地，在上述農(nóng)戶(hù)信用評(píng)估裝置中，所述數(shù)據(jù)處理裝置對(duì)所述第三數(shù)據(jù)信息樣本集進(jìn)行數(shù)據(jù)處理包括去噪聲處理及歸一化處理。

綜上所述，本發(fā)明提出了一種農(nóng)戶(hù)信用評(píng)估方法及裝置，通過(guò)建立深度特征學(xué)習(xí)模型對(duì)農(nóng)戶(hù)的數(shù)據(jù)信息進(jìn)行特征學(xué)習(xí)，利用此特征通過(guò)一信用評(píng)估模型有效地評(píng)估出待評(píng)估農(nóng)戶(hù)相應(yīng)的信用分?jǐn)?shù)，并展示于客戶(hù)端，方便快捷，實(shí)用性強(qiáng)；進(jìn)一步，利用多個(gè)農(nóng)戶(hù)的數(shù)據(jù)信息確定深度特征學(xué)習(xí)模型的參數(shù)，學(xué)習(xí)所有數(shù)據(jù)信息的深度特征，使得評(píng)估結(jié)果更加準(zhǔn)確；進(jìn)一步，使用深度學(xué)習(xí)算法中的深度信念網(wǎng)絡(luò)使用建立深度特征學(xué)習(xí)模型，采用無(wú)監(jiān)督的特征學(xué)習(xí)，增加了提取的特征的有效性。

附圖說(shuō)明

圖1為本發(fā)明一優(yōu)選實(shí)施例中的信用評(píng)估裝置結(jié)構(gòu)圖；

圖2為本發(fā)明一優(yōu)選實(shí)施例中采集的農(nóng)戶(hù)數(shù)據(jù)信息分類(lèi)；

圖3為本發(fā)明一優(yōu)選實(shí)施例對(duì)養(yǎng)殖農(nóng)戶(hù)的信用分?jǐn)?shù)進(jìn)行評(píng)估的工作流程圖。

其中，1-數(shù)據(jù)采集裝置；11-數(shù)據(jù)采集模塊；12-第一服務(wù)器；2-數(shù)據(jù)處理裝置；21-第二服務(wù)器；22-第三服務(wù)器；221-深度特征學(xué)習(xí)模型；222-信用評(píng)估模型；3-客戶(hù)端。

具體實(shí)施方式

下面將結(jié)合示意圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行更詳細(xì)的描述。

本發(fā)明提供的一種農(nóng)戶(hù)信用評(píng)估裝置，用于對(duì)農(nóng)戶(hù)的信用分?jǐn)?shù)進(jìn)行評(píng)估，包括:數(shù)據(jù)采集裝置、數(shù)據(jù)處理裝置以及客戶(hù)端。

本實(shí)施例中，將上述農(nóng)戶(hù)信用評(píng)估裝置運(yùn)用于養(yǎng)殖農(nóng)戶(hù)的信用評(píng)估中。

具體的，如圖1所示，數(shù)據(jù)采集裝置1包括數(shù)據(jù)采集模塊11及第一服務(wù)器12，數(shù)據(jù)采集模塊11用于對(duì)養(yǎng)殖農(nóng)戶(hù)的數(shù)據(jù)信息進(jìn)行采集，第一服務(wù)器12用于對(duì)上述數(shù)據(jù)進(jìn)行存儲(chǔ)，并實(shí)時(shí)更新。

數(shù)據(jù)采集模塊11對(duì)養(yǎng)殖農(nóng)戶(hù)的數(shù)據(jù)信息進(jìn)行采集方式可以但不限于為圖像采集或第三可信方提供等，本發(fā)明對(duì)此不作任何限制。養(yǎng)殖農(nóng)戶(hù)的數(shù)據(jù)信息包括但不限于為主體信息、生產(chǎn)資料信息、經(jīng)營(yíng)信息以及其他信息，具體的，如圖2所示，本發(fā)明對(duì)養(yǎng)殖農(nóng)戶(hù)的數(shù)據(jù)信息的體系分類(lèi)不作任何限制。

具體的，第一服務(wù)器12用于將上述養(yǎng)殖農(nóng)戶(hù)的數(shù)據(jù)信息進(jìn)行更新并存儲(chǔ)至第三數(shù)據(jù)信息樣本集c，包括：

將養(yǎng)殖農(nóng)戶(hù)的數(shù)據(jù)信息中的文字信息或圖片信息轉(zhuǎn)化為數(shù)字或向量(例如：圖2中的主體信息中的性別使用0代表‘女’，用1代表‘男’)，并按照數(shù)據(jù)特征分類(lèi)存儲(chǔ)至第一數(shù)據(jù)信息樣本集c中。

以m個(gè)養(yǎng)殖農(nóng)戶(hù)為例，每個(gè)養(yǎng)殖農(nóng)戶(hù)的數(shù)據(jù)信息為c中的一行，每個(gè)養(yǎng)殖農(nóng)戶(hù)的數(shù)據(jù)信息包括u類(lèi)，每類(lèi)為數(shù)據(jù)信息為c中的一列，則第m個(gè)養(yǎng)殖農(nóng)戶(hù)的第u類(lèi)數(shù)據(jù)信息表示為x⁽⁰⁾mu，則第一數(shù)據(jù)信息樣本集c可以表示為：

本實(shí)施例中，數(shù)據(jù)處理裝置2包括第二服務(wù)器21及第三服務(wù)器22，第二服務(wù)器21用于對(duì)第三數(shù)據(jù)信息樣本集c進(jìn)行去噪聲處理及歸一化處理，使得每個(gè)數(shù)據(jù)都映射在[0，1]之間，得到數(shù)據(jù)信息樣本集x，x中的第m個(gè)養(yǎng)殖農(nóng)戶(hù)的第i類(lèi)數(shù)據(jù)信息表示為h⁽⁰⁾mi。則歸一化后的第三數(shù)據(jù)信息樣本集x可以表示為：

同時(shí)，第二服務(wù)器21對(duì)歸一化后的第三數(shù)據(jù)信息樣本集x進(jìn)行更新并存儲(chǔ)，輸入至第三服務(wù)器22中。

本實(shí)施例中，對(duì)第三數(shù)據(jù)信息樣本集c中的數(shù)值進(jìn)行數(shù)據(jù)處理包括但不限于為去噪聲處理及歸一化處理，本發(fā)明對(duì)此不做任何限制。

第三服務(wù)器22包括一深度特征學(xué)習(xí)模型221及信用評(píng)估模型222，該深度特征學(xué)習(xí)模型221為深度信念網(wǎng)絡(luò)(dbn)，包括多層限制玻爾茲曼機(jī)(rbm)；信用評(píng)估模型222包括一層bp神經(jīng)網(wǎng)絡(luò)。

具體的，本實(shí)施例中，第三服務(wù)器22中的深度學(xué)習(xí)模塊為基于rbm的含有3個(gè)隱藏層的dbn的深度特征學(xué)習(xí)模型；信用評(píng)估模型222包括一層bp神經(jīng)網(wǎng)絡(luò)。

歸一化后的第一數(shù)據(jù)信息樣本集x通過(guò)三層rbm輸出，對(duì)三層rbm進(jìn)行訓(xùn)練，確定其參數(shù)，達(dá)到深度學(xué)習(xí)的目的；第三層rbm的輸出作為信用評(píng)估模型222中的bp神經(jīng)網(wǎng)絡(luò)的輸入，完成信用評(píng)估。rbm的訓(xùn)練方式為本領(lǐng)域技術(shù)人員均能理解的，因此，本實(shí)施例對(duì)rbm的訓(xùn)練原理不作贅述。本實(shí)施例中，可以通過(guò)養(yǎng)殖農(nóng)戶(hù)的數(shù)據(jù)信息及專(zhuān)家的評(píng)估分?jǐn)?shù)訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)的參數(shù)，本發(fā)明對(duì)此不作任何限制。

具體的，評(píng)估過(guò)程為將上述x輸入dbn中，得到dbn的輸出為h¹，h¹輸入bp神經(jīng)網(wǎng)絡(luò)得到a¹，對(duì)a¹進(jìn)行一矩陣乘法運(yùn)算得到a²，a²通過(guò)sigmoid函數(shù)，得出養(yǎng)殖農(nóng)戶(hù)的信用分?jǐn)?shù)；

本實(shí)施例中，dbn中的rbm的參數(shù)由養(yǎng)殖農(nóng)戶(hù)的數(shù)據(jù)信息訓(xùn)練確定，該數(shù)據(jù)信息的特征與所述第三數(shù)據(jù)信息樣本集中的數(shù)據(jù)信息的特征相同。

承上所述，參考圖3，使用本發(fā)明提出的農(nóng)戶(hù)信用評(píng)估裝置對(duì)養(yǎng)殖農(nóng)戶(hù)進(jìn)行信用評(píng)估的方法步驟包括：

s1：建立深度特征學(xué)習(xí)模型221——dbn，通過(guò)所有養(yǎng)殖農(nóng)戶(hù)的數(shù)據(jù)信息訓(xùn)練所述dbn，確定dbn中的三層rbm的參數(shù)。

s2：數(shù)據(jù)采集裝置1中的數(shù)據(jù)采集模塊11對(duì)待評(píng)估的養(yǎng)殖農(nóng)戶(hù)的數(shù)據(jù)信息進(jìn)行采集，形成第三數(shù)據(jù)信息樣本集c，并存儲(chǔ)在第一服務(wù)器12中。

s3：數(shù)據(jù)處理裝置2中的第二服務(wù)器21對(duì)第三數(shù)據(jù)信息樣本集c進(jìn)行去噪聲處理及歸一化處理，使得每個(gè)數(shù)據(jù)都映射在[0，1]之間，得到數(shù)據(jù)信息樣本集x。

s4：數(shù)據(jù)信息樣本集x輸入至第三服務(wù)器，經(jīng)由深度特征學(xué)習(xí)模型221及信用評(píng)估模型222，得出養(yǎng)殖農(nóng)戶(hù)的信用分?jǐn)?shù)。

s5：養(yǎng)殖農(nóng)戶(hù)的信用分?jǐn)?shù)展示于客戶(hù)端3。

其中，s1包括：

s11：采集所有養(yǎng)殖農(nóng)戶(hù)的數(shù)據(jù)信息，形成第一數(shù)據(jù)樣本集h；

s12：對(duì)第一數(shù)據(jù)樣本集h進(jìn)行去噪聲處理及歸一化處理形成第二數(shù)據(jù)樣本集h；

s13：第二數(shù)據(jù)樣本集h經(jīng)過(guò)第一層rbm得到數(shù)據(jù)信息樣本集h¹，表示為

其中j為第一層rbm的節(jié)點(diǎn)數(shù)，得出連接h與h¹的初始權(quán)重、初始偏置、學(xué)習(xí)率、對(duì)比散度算法參數(shù)以及訓(xùn)練周期等；

s14：數(shù)據(jù)信息樣本集h¹經(jīng)過(guò)第二層rbm得到數(shù)據(jù)信息樣本集h²，表示為：

其中k為第二層rbm的節(jié)點(diǎn)數(shù)，得出連接h¹與h²的初始權(quán)重、初始偏置、學(xué)習(xí)率、對(duì)比散度算法參數(shù)以及訓(xùn)練周期等；

s15：數(shù)據(jù)信息樣本集h²經(jīng)過(guò)第三層rbm得到數(shù)據(jù)信息樣本集h³，表示為：

其中n為第三層rbm的節(jié)點(diǎn)數(shù)，得出連接h²與h³的初始權(quán)重、初始偏置、學(xué)習(xí)率、對(duì)比散度算法參數(shù)以及訓(xùn)練周期等，完成深度學(xué)習(xí)過(guò)程。

其中，s4包括：

s41：數(shù)據(jù)樣本集x作為dbn的輸入，經(jīng)由三層rbm得到dbn的輸出x³；

s42：x³輸入到信用評(píng)估模型222中，作為bp神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)bp網(wǎng)絡(luò)進(jìn)行前向傳播網(wǎng)絡(luò)訓(xùn)練，具體的，對(duì)數(shù)據(jù)信息樣本集x³添加偏置項(xiàng)b¹m，構(gòu)成a¹，表示為：

s43：對(duì)a¹進(jìn)行一矩陣乘法運(yùn)算得到a²，表示為：

其中，w¹為bp神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣；以及

s44：a²通過(guò)sigmoid函數(shù)進(jìn)行量化，得出養(yǎng)殖農(nóng)戶(hù)的信用分?jǐn)?shù)。

綜上所述，本發(fā)明提出了一種農(nóng)戶(hù)信用評(píng)估方法及裝置，通過(guò)建立深度特征學(xué)習(xí)模型對(duì)農(nóng)戶(hù)的數(shù)據(jù)信息進(jìn)行特征學(xué)習(xí)，利用此特征通過(guò)一信用評(píng)估模型有效地評(píng)估出待評(píng)估農(nóng)戶(hù)相應(yīng)的信用分?jǐn)?shù)，并展示于客戶(hù)端，方便快捷，實(shí)用性強(qiáng)；進(jìn)一步，利用多個(gè)農(nóng)戶(hù)的數(shù)據(jù)信息確定深度特征學(xué)習(xí)模型的參數(shù)，學(xué)習(xí)所有數(shù)據(jù)信息的深度特征，使得評(píng)估結(jié)果更加準(zhǔn)確；進(jìn)一步，使用深度學(xué)習(xí)算法中的深度信念網(wǎng)絡(luò)使用建立深度特征學(xué)習(xí)模型，采用無(wú)監(jiān)督的特征學(xué)習(xí)，增加了提取的特征的有效性。

上述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不對(duì)本發(fā)明起到任何限制作用。任何所屬技術(shù)領(lǐng)域的技術(shù)人員，在不脫離本發(fā)明的技術(shù)方案的范圍內(nèi)，對(duì)本發(fā)明揭露的技術(shù)方案和技術(shù)內(nèi)容做任何形式的等同替換或修改等變動(dòng)，均屬未脫離本發(fā)明的技術(shù)方案的內(nèi)容，仍屬于本發(fā)明的保護(hù)范圍之內(nèi)。