摘 要： 在對(duì)情感神經(jīng)網(wǎng)絡(luò)進(jìn)行研究時(shí)，參照了情感心理學(xué)的內(nèi)容要求，而且也相對(duì)地加入了情感智能中的情感因子。在普通神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中添加情感因素分量建立情感神經(jīng)網(wǎng)絡(luò)模型，以此改進(jìn)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和決策過(guò)程，構(gòu)建包括情感神經(jīng)元在內(nèi)的各個(gè)神經(jīng)元輸入輸出關(guān)系，建立情感神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，推導(dǎo)出情感神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。把該算法用于信用卡評(píng)估工作，通過(guò)實(shí)驗(yàn)證明提出的情感神經(jīng)網(wǎng)絡(luò)算法的分類(lèi)效果明顯優(yōu)于傳統(tǒng)方法，好客戶(hù)和壞客戶(hù)的識(shí)別率均為100%，在一定程度上提高了模型的分類(lèi)精度。

關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)； 情感神經(jīng)網(wǎng)絡(luò)； 信用卡評(píng)估； 情感因素分量

中圖分類(lèi)號(hào)： TN711?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）15?0130?03

Abstract： The emotional neural network is researched by referring the content requirement of emotion psychology， and the emotional factor in emotional intelligence is added relatively. The emotional factor component is added into the common neural network structure to establish the emotional neural network model， which can improve the learning and decision?making processes of the neural network. In this paper， the input and output relations of each neuron are constructed， including the emotion neuron. The emotional neural network structure was established to deduct the learning algorithm of emotional neural network. The algorithm is applied to the credit card assessment. The experimental results show that the classification effect of the proposed emotional neural network algorithm is obviously better than that of the traditional method， and the recognition rate of good customer and bad customer can reach up to 100%， and the model classification accuracy is improved to a certain extent.

Keywords： neural network； emotional neural network； credit card assessment； emotional factor component

0 引 言

信用卡評(píng)估被重視的程度與信用卡業(yè)務(wù)的發(fā)展程度成正比，近年來(lái)，隨著我國(guó)經(jīng)濟(jì)的不斷發(fā)展，人們生活水平的不斷提高，在國(guó)內(nèi)形成了日漸成熟的信用消費(fèi)環(huán)境，在這種信用消費(fèi)環(huán)境中，銀行信用卡業(yè)務(wù)應(yīng)運(yùn)而生。近些年來(lái)，信用卡業(yè)務(wù)已經(jīng)成為銀行利潤(rùn)增長(zhǎng)的跳板，信用卡業(yè)務(wù)業(yè)績(jī)的好壞直接關(guān)乎銀行的收益，因此，信用卡業(yè)務(wù)發(fā)展迅猛。然而，各大商業(yè)銀行一味追求數(shù)量，勢(shì)必會(huì)造成質(zhì)量的下降，各商業(yè)銀行在盲目追求發(fā)卡量的同時(shí)，卻放松了對(duì)信用卡申請(qǐng)人的信用評(píng)估，這為后續(xù)的透支還款超出個(gè)人支付的水平埋下了隱患。因此如何有效地進(jìn)行信用卡評(píng)估成為各大商業(yè)銀行亟待解決的問(wèn)題。

在與我國(guó)形成鮮明對(duì)照的西方發(fā)達(dá)國(guó)家，信用管理十分完善，技術(shù)也十分成熟，在進(jìn)行信用卡評(píng)估時(shí)，申請(qǐng)人個(gè)人的信用評(píng)估模型和方法具有很強(qiáng)的適用性，經(jīng)過(guò)長(zhǎng)時(shí)間的實(shí)踐檢驗(yàn)也得到了十分廣泛的應(yīng)用。在西方，較為常用的信用卡評(píng)估方法大致可分為三大類(lèi)：第一類(lèi)是基于統(tǒng)計(jì)模型的方法，第二類(lèi)是基于運(yùn)籌學(xué)模型的方法，第三類(lèi)是基于非參數(shù)估計(jì)和人工智能模型的方法。與西方成熟的評(píng)估方法相比，我國(guó)對(duì)信用卡評(píng)估模型和算法的研究大多還是處于理論研究的層面，在理論的基礎(chǔ)上進(jìn)行了一些積極的嘗試。

1 信用卡評(píng)估概述

1.1 信用卡評(píng)估的必要性

信用卡的發(fā)行和使用是基于“先消費(fèi)、后付款”的操作模式，信用卡使用者在透支以后，還款存在一個(gè)約定的滯后期，只要在銀行收回用戶(hù)所有的透支金額之前，銀行就必然要承受用戶(hù)潛在違約的風(fēng)險(xiǎn)。信用卡評(píng)估就是通過(guò)建立一定的模型，運(yùn)用計(jì)算機(jī)技術(shù)評(píng)估個(gè)人在消費(fèi)信貸業(yè)務(wù)中誠(chéng)實(shí)守信的意志和能力。

信用卡評(píng)估的必要性主要表現(xiàn)在微觀和宏觀兩個(gè)方面：在微觀方面，信用卡評(píng)估可以較為準(zhǔn)確地衡量申請(qǐng)辦卡人的信貸風(fēng)險(xiǎn)，給發(fā)卡銀行提供一個(gè)可靠的數(shù)據(jù)判斷依據(jù)，大大降低商業(yè)銀行的不良貸款率；在宏觀方面，信用卡評(píng)估可以很好地增加金融和資本的透明度，降低風(fēng)險(xiǎn)，改善市場(chǎng)的金融環(huán)境和信用環(huán)境，有利于金融市場(chǎng)的穩(wěn)定和健康發(fā)展。

1.2 信用卡評(píng)估模型

根據(jù)對(duì)傳統(tǒng)信用卡評(píng)估方式和西方成熟的信用卡評(píng)估方式的研究，可以總結(jié)信用卡的評(píng)估模式都是相同的。信用卡的評(píng)估都是利用影響用戶(hù)信用的參數(shù)，使用預(yù)設(shè)的數(shù)據(jù)分析模型對(duì)相關(guān)數(shù)據(jù)進(jìn)行分析，然后根據(jù)運(yùn)算的結(jié)果對(duì)用戶(hù)的履約能力進(jìn)行客觀的評(píng)估。通用的信用卡評(píng)估模型如圖1所示，就是通過(guò)考察用戶(hù)過(guò)去的信用數(shù)據(jù)預(yù)測(cè)其未來(lái)的信用行為。一個(gè)好的信用卡評(píng)估算法是信用卡評(píng)估的關(guān)鍵。

1.3 信用卡評(píng)估方法

信用卡的評(píng)估方法一般分為定性評(píng)估法和定量評(píng)估法兩種。在信用卡評(píng)估的初期，大多采用定性分析法，按照評(píng)估者的個(gè)人經(jīng)驗(yàn)對(duì)用戶(hù)進(jìn)行主觀的評(píng)價(jià)。在傳統(tǒng)的信用卡定性評(píng)估中，有相對(duì)固定的5C原則，即對(duì)信用卡申請(qǐng)者的品德Character、能力Capacity、抵押擔(dān)保Collateral、條件Condition和資本Capital等五個(gè)方面進(jìn)行綜合考量評(píng)估。這一定性分析方法，操作起來(lái)相對(duì)簡(jiǎn)單，但是該方法有很明顯的不足，最大的不足之處就是評(píng)價(jià)的主觀性太強(qiáng)，其評(píng)估的結(jié)果完全依賴(lài)于評(píng)估人的經(jīng)驗(yàn)和能力，這樣就很難準(zhǔn)確而全面的反映用戶(hù)的真實(shí)信用狀況。隨著統(tǒng)計(jì)分析方法的不斷發(fā)展，使得其在信用卡評(píng)估中發(fā)揮著越來(lái)越大的作用，統(tǒng)計(jì)分析法是建立在科學(xué)的理論基礎(chǔ)之上，是一種定量的分析方法，與定性分析有著本質(zhì)的不同和明顯的優(yōu)勢(shì)，定量分析主要是對(duì)用戶(hù)的歷史信用記錄進(jìn)行統(tǒng)計(jì)分析，在此基礎(chǔ)上對(duì)信用風(fēng)險(xiǎn)進(jìn)行評(píng)估，進(jìn)而對(duì)未來(lái)的償還能力進(jìn)行了很好的預(yù)測(cè)，這樣的過(guò)程和結(jié)果都十分客觀，并且有堅(jiān)實(shí)的理論基礎(chǔ)。經(jīng)過(guò)多年的發(fā)展，信用卡的定量分析法從一般的統(tǒng)計(jì)分析法、專(zhuān)家系統(tǒng)法，發(fā)展到今天的神經(jīng)網(wǎng)絡(luò)法。神經(jīng)網(wǎng)絡(luò)用于預(yù)測(cè)，首先在經(jīng)濟(jì)領(lǐng)域得到應(yīng)用，其表現(xiàn)出來(lái)的獨(dú)特的腦式智能信息處理特征與能力使其應(yīng)用范圍不斷擴(kuò)大，它是基于對(duì)人腦組織結(jié)構(gòu)、信息處理機(jī)制的研究而提出的一種全新的信息處理模型算法，預(yù)測(cè)的結(jié)果十分準(zhǔn)確。

2 情感神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)算法

2.1 情感神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在日常技術(shù)實(shí)現(xiàn)中使用的是一種前反饋型神經(jīng)網(wǎng)絡(luò)，它是三層的普通神經(jīng)網(wǎng)絡(luò)，采用誤差反向傳播算法。三層網(wǎng)絡(luò)結(jié)構(gòu)是指輸入層、隱含層和輸出層，如圖2所示，一般輸入層和輸出層只有一個(gè)，而隱含層有多個(gè)，理論上已經(jīng)證明隱含層的節(jié)點(diǎn)足夠多的話(huà)，該神經(jīng)網(wǎng)絡(luò)就可以以任意精度逼近有界區(qū)域上的任意連續(xù)函數(shù)。在三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，[X=x1，x2，…，xnT]為輸入向量，[Y=][y1，y2，…，ynT]為輸出向量，每一個(gè)神經(jīng)元都是縱向鏈接下層神經(jīng)元，在同層的橫向神經(jīng)元中不存在任何鏈接情況。

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中通過(guò)添加情感因素分量，從而建立一個(gè)情感神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而改善神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和決策過(guò)程，構(gòu)建出一個(gè)包含情感神經(jīng)元在內(nèi)的各個(gè)神經(jīng)元輸入輸出關(guān)系，建立情感神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，推導(dǎo)出情感神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，把該算法用于信用卡評(píng)估工作中，整個(gè)系統(tǒng)結(jié)構(gòu)如圖3所示。本文結(jié)合情感心理學(xué)的理論，研究普通神經(jīng)網(wǎng)絡(luò)，把情感智能中的情感因子引入其中。

2.2 情感神經(jīng)網(wǎng)絡(luò)反向傳播算法

3 情感神經(jīng)網(wǎng)絡(luò)在信用卡評(píng)估中的應(yīng)用

3.1 情感神經(jīng)網(wǎng)絡(luò)分類(lèi)器的設(shè)計(jì)

本文中使用的情感神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以分為輸入層、隱含層、輸出層以及情感層，每層由不同數(shù)量的神經(jīng)元節(jié)點(diǎn)構(gòu)成。本文采用徑向基函數(shù)對(duì)申請(qǐng)人的歷史信用特征值進(jìn)行提取，變換后得到[d]維特征向量，作為情感神經(jīng)網(wǎng)絡(luò)輸入信號(hào)，情感神經(jīng)網(wǎng)絡(luò)有[d]個(gè)輸入層節(jié)點(diǎn)，相對(duì)的輸出層情感神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)則與類(lèi)別數(shù)相同，隱含層節(jié)點(diǎn)個(gè)數(shù)由實(shí)驗(yàn)調(diào)整。

3.2 信用卡評(píng)估算法步驟

基于情感神經(jīng)網(wǎng)絡(luò)的信用卡評(píng)估分兩步：第一步為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程，第二步為測(cè)試過(guò)程。

訓(xùn)練過(guò)程算法步驟如下：

（1） 將用戶(hù)的信用特征數(shù)據(jù)庫(kù)分為訓(xùn)練庫(kù)和測(cè)試庫(kù)；

（2） 將訓(xùn)練庫(kù)中所有信用數(shù)據(jù)進(jìn)行預(yù)處理，變換得到[d]維特征向量；

（3） 建立情感神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)要依據(jù)特征向量維數(shù)和類(lèi)別數(shù)，各節(jié)點(diǎn)連接權(quán)值初始化；

（4） 在訓(xùn)練樣本聚類(lèi)的過(guò)程中，要把每一類(lèi)的中心看作隱含層節(jié)點(diǎn)徑向基函數(shù)的中心初始值；

（5） 設(shè)定自信系數(shù)和焦慮系數(shù)；

（6） 計(jì)算出每一層神經(jīng)元節(jié)點(diǎn)的輸入和輸出以及輸出層節(jié)點(diǎn)間的誤差值，進(jìn)而利用情感神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法的相關(guān)內(nèi)容來(lái)修正節(jié)點(diǎn)的權(quán)值和隱含層徑向基函數(shù)參數(shù)；

（7） 重復(fù)步驟（6），直到達(dá)到設(shè)定的迭代步數(shù)或滿(mǎn)足設(shè)定的精度要求為止。

測(cè)試過(guò)程算法步驟如下：

（1） 特征向量[y]的出現(xiàn)需要依據(jù)預(yù)處理的用戶(hù)信用數(shù)據(jù)變換；

（2） 情感神經(jīng)網(wǎng)絡(luò)輸入信號(hào)可由測(cè)試樣本的特征向量[y]擔(dān)當(dāng)；

（3） 計(jì)算情感神經(jīng)網(wǎng)絡(luò)輸出并作出分類(lèi)判決。

4 結(jié) 論

通過(guò)實(shí)驗(yàn)，利用本文提出的情感神經(jīng)網(wǎng)絡(luò)對(duì)信用卡進(jìn)行評(píng)估，實(shí)驗(yàn)樣本的分類(lèi)結(jié)果與傳統(tǒng)統(tǒng)計(jì)方法進(jìn)行比較，本文提出的情感神經(jīng)網(wǎng)絡(luò)算法的分類(lèi)效果明顯優(yōu)于傳統(tǒng)方法。利用實(shí)驗(yàn)樣本數(shù)據(jù)建立網(wǎng)絡(luò)，通過(guò)不斷地學(xué)習(xí)使該算法適應(yīng)樣本，好客戶(hù)和壞客戶(hù)的識(shí)別率均為100%。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型相比，情感神經(jīng)網(wǎng)絡(luò)模型在結(jié)構(gòu)表達(dá)方面更為清晰，簡(jiǎn)單明了，特別是在處理輸入屬性問(wèn)題時(shí)，前景更加廣闊，并在一定程度上提高了模型的分類(lèi)精度。

參考文獻(xiàn)

[1] 梁曉雯.基于新型模糊神經(jīng)網(wǎng)絡(luò)的信用卡審批發(fā)卡的信用評(píng)估模型研究[J].福建商業(yè)高等專(zhuān)科學(xué)校學(xué)報(bào)，2009（6）：26?31.

[2] 石慶焱，靳云匯.個(gè)人信用評(píng)分的主要模型與方法綜述[J].統(tǒng)計(jì)研究，2003（8）：36?38.

[3] 馬海英.基于神經(jīng)網(wǎng)絡(luò)及Logistic回歸的混合信用卡評(píng)分模型[J].經(jīng)濟(jì)學(xué)與經(jīng)濟(jì)管理，2008（2）：49?52.

[4] 張永娟，張志鴻，霍學(xué)喜.信用風(fēng)險(xiǎn)程度模糊綜合評(píng)價(jià)模型[J].金融教學(xué)與研究，2004（2）：13?15.

[5] 王小明.商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)級(jí)測(cè)度方法研究[J].財(cái)經(jīng)研究，2005，31（5）：73?82.

[6] 楊國(guó)亮，漆娟娟，張麗.基于EMRBF情感神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別[J].微型機(jī)與應(yīng)用，2013（19）：48?51.

[7] 王國(guó)江，王志良，楊國(guó)亮，等.人工情感研究綜述[J].計(jì)算機(jī)應(yīng)用研究，2006（11）：7?11.

[8] 鐘珞，饒文碧，鄒承明.人工神經(jīng)網(wǎng)絡(luò)及其融合應(yīng)用技術(shù)[M].北京：科學(xué)出版社，2007.

[9] 花倍.基于決策樹(shù)方法的信用卡審批模型分析[J].福建電腦，2005（9）：37?38.

[10] 郭濤，李貴洋，袁丁.基于置信度和神經(jīng)網(wǎng)絡(luò)的信用卡異常檢測(cè)[J].計(jì)算機(jī)工程，2008，34（15）：205?207.