基于长期支付行为序列折叠的用户金融风险评估
计算机与社会
2024-11-25 v1 人工智能
摘要
在线包容性金融服务因其广泛的用户基础和低违约成本而面临显著的金融风险。通过实际应用，我们发现利用更长期的用户支付行为可以增强模型预测金融风险的能力。然而，对于深度序列模型来说，学习长行为序列并非易事。此外，支付行为的多样化领域携带了丰富的信息，需要彻底挖掘。这些因素共同 complicate 了长期用户行为建模的任务。为了应对这些挑战，我们提出了一种称为 LBSF（Long-term Payment Behavior Sequence Folding）的长期支付行为序列折叠方法。在 LBSF 中，基于商户对支付行为序列进行折叠，使用商户字段作为内在分组准则，这使在无需外部知识的情况下能够实现信息并行。同时，我们通过多字段行为编码机制最大化利用支付细节的效用。随后，对行为在商户层面的聚合 followed by 商户之间的关系学习，有助于全面代表用户的金融特征。我们在大型真实世界数据集上对 LBSF 在金融风险评估任务进行评估。结果表明，基于内部行为线索对长行为序列进行折叠能够有效建模长期模式和变化，从而为实际应用生成更准确的用户金融轮廓。
引用
@article{arxiv.2411.15056,
title = {Financial Risk Assessment via Long-term Payment Behavior Sequence Folding},
author = {Yiran Qiao and Yateng Tang and Xiang Ao and Qi Yuan and Ziming Liu and Chen Shen and Xuehao Zheng},
journal= {arXiv preprint arXiv:2411.15056},
year = {2024}
}
备注
ICDM2024 long paper