深度学习模型在银行用户流失预测中的应用研究

发布时间：2025-01-20 11:06

　　近年随着移动设备的普及、移动互联网的快速发展,促使了数据急速增长,催生了互联网金融等新兴行业的快速发展,在这样的背景下,传统金融行业受到了互联网金融行业的剧烈冲击。数据的急速增长是一把“双刃剑”,给企业带了更多管理成本的同时,也蕴藏着更有价值的信息。用户流失预测问题是银行业务中讨论最多的几个问题之一,探索适合现有数据环境的用户流失预测模型,对银行业务的开展具有重要意义。本文在分析研究了某城市商业银行用户的历史存贷、交易统计以及征信等信息后,进行了数据预处理和特征选择等工作,得到了模型的输入特征。在104224位用户的预测实验中,先使用CART分类树和随机森林两种传统机器学习模型进行模拟实验,CART分类树的精确度为55.05%,随机森林的精确度为63.17%,在实际生产中应用价值较低。为了改善模拟效果,探索深度学习模型在此数据集的应用,提出的四种深度学习模型实验结果精确度都达到了87%以上。其中将RNNs与CNNs并行方式集成的BLSTM-CNN模型,很好解决了RNNs与CNNs单独模拟的缺陷问题,并很好解决了DLCNN模型LSTM层输出结果在输入到卷积层时会忽略部分局部信息的问题,实验...

【文章页数】：83 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 引言
    1.1 银行用户流失预测的背景与意义
    1.2 用户流失预测研究现状
    1.3 主要研究内容及论文结构
第2章 相关理论知识研究
    2.1 数据来源
    2.2 样本不均衡问题研究
        2.2.1 样本不均衡问题概述
        2.2.2 解决样本不均衡问题的相关技术
    2.3 传统机器学习方法
        2.3.1 决策树概述
        2.3.2 随机森林基本原理
    2.4 深度学习相关方法方法
        2.4.1 神经网络概述
        2.4.2 卷积神经网络概述
        2.4.3 双向长短时记忆网络简介
        2.4.4 .注意力(Attention)机制基本思想
    2.5 模型的评估方法
    2.6 本章小结
第3章 数据特征构造与CART分类树和随机森林的模型构建
    3.1 用户数据的预处理与特征构造
        3.1.1 用户数据的获取与描述
        3.1.2 数据的预处理
    3.2 用户特征的选择
    3.3 CART分类树、随机森林模型特征选择
        3.3.1 CART分类树模型特征选择
        3.3.2 随机森林模型特征选择
    3.4 CART分类树、随机森林实验结果分析
        3.4.1 基于CART分类树实验结果分析
        3.4.2 基于随机森林实验结果分析
    3.5 本章小结
第4章 深度学习模型在银行流失预测中的模型构建
    4.1 数据特征重构
    4.2 CNNs模型的构建
    4.3 BLSTMs模型的构建
    4.4 DLCNN流失模型的构建
    4.5 BLSTM-CNN流失模型的构建
    4.6 实验方案设计与结果分析
        4.6.1 实验环境
        4.6.2 实验方案设计
        4.6.3 实验结果分析
    4.7 本章小结
第5章 基于Attention的BLSTM-CNN模型的构建与应用
    5.1 Attn BLSTM-CNN流失模型的构建
    5.2 Attn BLSTM-CNN实验方案设计与结果分析
    5.3 Attn BLSTM-CNN模型应用方案设计
    5.4 本章小结
第6章 总结和展望
    6.1 工作总结
    6.2 研究展望
参考文献
附录 A
附录 B
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：4029170