文献

J-GLOBAL ID：202202276443529751   整理番号：22A0967971

銀行における行動信用スコアリングのための深層学習モデル【JST・京大機械翻訳】

A deep learning model for behavioural credit scoring in banks

著者 (4件)： Ala’raj Maher (Department of Information Systems, College of Technological Innovation, Zayed University, Dubai, UAE) ,  Abbod Maysam F. (Department of Electronic and Computer Engineering, College of Engineering, Design and Physical Sciences, Brunel University London, Uxbridge, UK) ,  Majdalawieh Munir (Department of Information Systems, College of Technological Innovation, Zayed University, Dubai, UAE) ,  Jum’a Luay (Logistic Sciences Department, School of Management and Logistic Science, German Jordanian University, Amman, Jordan)
資料名： Neural Computing & Applications  (Neural Computing & Applications)
巻： 34  号： 8  ページ： 5839-5866  発行年： 2022年 
JST資料番号： W0703A  ISSN： 0941-0643  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 本論文の主目的は,3つの側面に関する消費者行動のモデリングと予測による機械学習を用いた信用カードクライアントのスコアリング管理を支援することであり,信用カード顧客のための単一と連続した見逃し支払いの確率,顧客の購入行動,および損失の数学的期待値に基づくグループ化顧客である。2つのモデルが開発された:第1は,各顧客に対する次の月の間の見逃し支払いの確率を提供し,それは,Missed Powth Projective Long Short Term Memite Model(MP-LSTM)として記述され,一方,第2は,購入の全月量を推定し,これは,Purchase推定予測Long Short Term記憶モデル(PE-LSTM)として定義される。両モデルに基づいて,顧客行動グループ化を提供し,それは銀行の意思決定に役立つ。両モデルを実際の信用カード取引データセット上で訓練した。顧客行動スコアは,古典的性能評価尺度を使用して分析した。MP-LSTMスコアのキャリブレーション分析は,それらが見逃された支払いの確率として考慮できることを示した。得られた購入推定を平均二乗誤差と絶対誤差を用いて分析した。MP-LSTMモデルを4つの伝統的よく知られた機械学習アルゴリズムと比較した。実験結果は,特徴抽出に基づく従来の方式と比較して,MP-LSTMニューラルネットワークに基づく消費者信用スコアリング法が,消費者信用スコアリングを著しく改良することを示した。Copyright The Author(s), under exclusive licence to Springer-Verlag London Ltd., part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 意思決定 ,  *銀行 ,  消費者 ,  消費者行動 ,  ニューラルネットワーク ,  特徴抽出 ,  期待値 ,  機械学習 ,  学習アルゴリズム
準シソーラス用語： 平均二乗誤差 ,  *スコア化 ,  評価尺度 ,  *深層学習 ,  絶対誤差 ,  長短期記憶 , 【Automatic Indexing@JST】

著者キーワード (5件)： LSTM ,  ニューラルネットワーク ,  行動スコアリング ,  機械学習 ,  分類

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 銀行 ,  行動 ,  信用 ,  スコアリング ,  深層学習 ,  モデル