数据挖掘技术在信用信息分析中的应用分析

胡杰

摘要：文章首先简要概述与数据挖掘技术相关内容，随后从分类、聚类两种数据挖掘应用较广的维度来开展研究，分别有神经网络、决策树法、层次方法、基于密度（或网络）方法等；剖析了数据挖掘技术应用于信用信息分析的问题，而后围绕问题内容，指出可从强化海量数据处理效果、快速提炼信息分析报告、提前预测未来发展趋势、积极融合智慧化服务平台等方面解决问题，以期为相关技术工作提供可靠参考。

关键词：数据挖掘技术；信用信息；分析算法；对策

中图分类号：TP311. 13

文献标志码：A

0 引言

大数据即巨量资料，指所涉及的资料量规模巨大，无法通过主流软件工具实现获取、管理的咨询。新时期背景下大数据有着无限潜力和优势，但同时也给各领域工作带来考验。有更多的人在现代社会中挖掘出数据的价值和战略意义，并开始延伸到对数据的研究中。如何在数据海洋中获得利于发展的信息和商机，有效提升利润，就必须借助于各种智能化方法来分析处理，即采取相应的数据挖掘技术。利用数据挖掘技术能深入数据深层找出隐含的知识，从而提升各种管理决策的科学性，减少不必要的损失，优势突出。

1 数据挖掘技术简述

1.1 数据挖掘技术定义

数据挖掘（ Daca Mining）是指从大量数据中通过计算分析方法来获得其中隐藏信息的过程。该概念属于计算机科学的学科领域，常常和人工智能、数据库等多领域紧密联系，又有着“资料探勘”“数据采矿”之称。此技术的实施过程主要包括3个阶段：第一，准备数据；第二，挖掘数据；第三，对结果进行表达及解释[1]。如今，数据挖掘理念受到了信息产业的关注，对大量数据有效利用并转化成有用信息，将其利用在生产控制、商务管理、市场分析、科学探索上。

1.2 数据挖掘技术模型

数据挖掘技术的模型主要是信息挖掘过程的模型展示。此过程可将信息挖掘的步骤划分成以下3步：第一步，预处理。预处理就是提前对海量的冗余的数据信息加以筛选、剔除，只留下有效的数据，确保数据挖掘技术的应用效率。第二步，信息特征的抽取[2]。整理上一步骤所筛选出的数据信息后，对信息结构间转化，保障转化后的结构能被计算机软件所识别和存储，满足用户信息使用的需求。第三步，数据挖掘。将上述步骤中所处理好的数据和信息收集后并加以挖掘，将挖掘出的结果用客户能识别的语言表现出来，确保符合以人为本的原则和实际应用需求。

2 数据挖掘技术在信用信息分析中的应用算法

2.1 分类算法

2.1.1 决策树法

决策树法（ Decision Tree Method）是常用的机器学习算法之一，也被广泛用于风险性决策问题中，具体如表1所示。决策树就如同树木的枝干，从主到次进行逐一分解，随后形成不同的规则链条。决策树的生成有3个较经典方法，分别是信息增益（ID3）、增益指数（ID3，C4. 5）、基尼指數（SLIQSPEINT）。此外，还存在多种改进的算法。关于此方法的应用优势较多，如便于理解和解释，计算代价相对较低。即便是存在冗余数据，也不会对最终决策造成较大的不利影响[3]。但需明确的是，该方法也存在不足，如天生过拟合、数据碎片问题、有一定的复杂性。

2.1.2 神经网络

神经网络（ Neural Necwork，NN）指模仿生物神经网络的结构和功能的计算模型。多数情况下，它能借助大量人工神经元的联结来分析，属于探索数据的新模式[4]。该方法最突出的优点是能够对收集出的数据加以分类，例如能有效识别垃圾邮件信息，提取出相关的词汇后来及时判定：又如还可利用在疾病的判断中。例如有患者在医院经多项基础检查后，系统会自动生成了许多数据，单纯地分析数据无疑难度较大。此时便可利用神经网络的计算方式，及时分析该患者是否得病及其种类。在数据挖掘过程中，神经网络的运作主要有4点：（l）确定输入、输出（见图1）；（2）找到一种或多种算法；（3）找到数据集，训练模型；（4）产生新数据，输入模型得到结果。

2.2 聚类分析

聚类分析与分类算法的相同处在于，都是将数据分组后再挖掘及分析，但不同之处是聚类分析的数据处理对象有未知性。

2.2.1 层次方法

层次方法聚类，是将数据对象组合成“聚类树”的方法。该方法的处理方式有多种，可从上至下、从下至上。可进一步分成凝聚、分裂形式。BIRCH可利用层次法或其他方法对海量的数据进行聚类。（1）凝聚。白底向上处理并将各对象看作一个簇（数据被划分后的子集），合并后组成更大的簇，直到所有对象均处于相同簇中，或满足某终结条件[5]。（2）分裂。和凝聚相反，分裂的方法是将所有数据纳入一个簇中，而后逐步将其细化、分裂，直到各对象形成一簇或达到终结条件，处理过程结束。

2.2.2 基于密度法

以DBSCAN法为例，该方法将簇定义成为“密度相连点的最大集合”。该数据挖掘算法的优点在于：第一，不需要了解形成簇类的数量；第二，能发现任意形状簇类（见图2）；第三，识别出噪声点，甚至是检测到离群点；第四，和数据库一同使用后，能加速区域的查询[6]。但此方法同样存在不足之处，例如：第一，不能很好反映出高维数据；第二，无法很好反映出数据集以变化的密度；第三，若计算资源有限，但数据量却非常庞大时，会极大地影响到该方法运算效率。

2.2.3 基于网格法

此方法优点有处理效率高、时间短，典型方法包括STING，WAVECLUSTER．CLIQUE等。以STING为例，它能将空间区域划分成多个的矩形单元。和其他运算技术方法相比，优点如下：第一，能实现独立查询分析；第二，利于并行处理数据和增量更新；第三，此方法最典型的优点是效率高[7]。但要注意虽然此运算方法处理速度很快，效率较高，但可能会降低簇的精确性和质量。

3 数据挖掘技术在信用信息分析面临问题及对策

3.1 数据挖掘技术应用于信用信息分析面临的问题

第一，信息来源单一。信息存在来源单一、覆盖面窄的问题，而该问题所导致的结果，则是无法更全面地挖掘信息，促使最终的信用信息分析可信度、科学性明显降低。第二，信息更新缓慢。当前社会经济发展速度迅速，各种金融活动的流动也随之加快。若对信用信息的收集、分析跟不上节奏，会导致信用信息的分析时效性显著降低，影响到信息的具体使用。第三，信息分享不足。部分企业或单位不愿对信息合理的配置和共享，不仅可能影响到信息分析的时效性，甚至造成信息孤岛、分散、屏蔽的状态，无法满足当前社会用户需求。第四，利益驱使影响。受到市场利益的驱使，以金融企业为例，在获得大量用户数据信息后，若对信用信息加以垄断，就能在激烈市场竞争中占据有利的位置[8]。但如此举措会影响到信用信息数据的联通，加大了其他企业的数据挖掘成本。第五，法律制度较落后。和国外的发达国家相比，我国对信用信息的管理制度重视度相对不高，也缺乏更完善的信用管理法规体系和法律依据，诸多因素都会限制信用信息的发展水平。

3.2 数据挖掘技术在信用信息分析的应用对策

信用信息也有巨大信息量，数据挖掘技术能很好地对该类信息加以处理，满足新时期用户需求。我国对于信用信息的分析、评价相关制度建立相对于其他发达国家更晚，可以以数据挖掘技术为基础，有效提升信用信息的运用价值。以下从4个方面来探究其应用。

3.2.1 强化海量数据处理效果

在对相应的信用信息数据分析处理时，最为关键的分析和评价，可着眼于对数据挖掘技术的计算方法上。分析除了借鉴其他发达国家的优秀经验外，还应当应结合我国实际国情来统计分析构建模型。近年来，我国对信用信息分析的重视程度不断提升，数据挖掘技术的应用也愈发广泛。信用信息数据量不断增大，更要重视数学模型的建立。可利用关联函数等方式来提高模型查询、定位的效率。此外，数据挖掘技术本身具备了自动预测趋势、描述等功能，能切入实际来分析当前事物的发展形势，作用突出[9]总之，借助于数据挖掘技术来有效提取、分析海量的信用信息数据非常关键，整个过程中构建模型也势在必行。

3.2.2 快速提炼信息分析报告

信息分析和论证、行为、决策等方面都有关。论证是根据已知“信息”来推论出新的信息的过程：决策则是根据已知的“信息”来指导个人或组织行为模式的转变。信息分析侧重于信息，信息不仅是决策的依据，也是行为改变的基础。以往对信用信息进行分析时，因条件受到限制往往无法更全面地掌握出企业、个人所有的有效信息，存在信息闭塞的情况，很难用传统的信用信息评价方式来评估，也无法全面观察到有效信息的变化。如今，可积极发挥数据挖掘技术的作用。即便是不同格式的信息也能记忆加以转化，更清晰直观地反映出企业或事业单位的信用信息评审制度。同时利用此技术后能实现白动化查找分析，及时过滤剔除掉多余的信息，并借助于交互的方式分析，最终从不同格式的信息中获取有作用的信用信息并分析，确保信用信息分析制度也能常规运作，获得更为详细完善的信息分析报告，来作为可靠的发展依据。

3.2.3 提前预测未来发展趋势

信用风险指交易双方不履行到期债务的风险，又被称作违规风险。传统的信息信用评价往往只能对某个企业、某个用户的信用情况加以评估，缺乏预见性。当未来发展过程出现风险时，很可能造成损失。数据挖掘技术能更全面地分析企业或个人行为，了解企业或个人的日常交易行为模式、行为习惯等，从中获取有利的信息数据后来實现对未来发展的预测，做到“防患于未然”。以金融行业机构为例，当预测到信用信息未来的发展趋势后，能及时采取风险预防措施，最大化地减少所谓的信用风险，及时从深处挖掘到数据中的失信行为，确保稳定发展。又如对当前企业、个人的信贷过程中使用数据挖掘技术，能利用其预测性来分析该对象在未来是否会有良好的信用制度，也能减少信用风险。

3.2.4 积极融合智慧化服务平台

当前，数据挖掘技术和“智慧化”的融合已呈炙手可热的趋势，各类智慧场景（如智慧社区、智慧安防）层出不穷，促使数据平台的智慧化发展不断深化。以河南省某信用信息平台智能化的成功案例分析，此平台的建设可分为以下3个层面（见图3）。第一，数据感知层。该层主要是负责对数据的质量、安全性加以管控的环节，包含了硬感知、软感知两个方面。硬感知：收集以实体为载体（如二维码、传感器）的信息、状态等数据；软感知：搜集网络爬虫、系统日志、探针埋点等数据。第二，数据分析决策层。通过深入学习和利用数据挖掘技术分析后，能得出有价值且利于决策的信息，同时构建出对应模型[10]。第三，交互表现层。此层主要用于和外界的关联，用语音、视频等方式交互。总之，通过积极融合智慧化服务平台，能构建出更多的智慧化场景，充分发挥信用信息功能。

4 结语

综上所述，数据挖掘技术在诸多企业、事业单位中的应用越发广泛，甚至成为一种新的经济资产。从宏观角度来看，正是因为存在数据挖掘技术，才能从数据分析的层面给企事业带来帮助，也为社会带来全新的创业方向、商业模式和投资机会。目前，以大数据为基础的各种科技类成果一跃成为市场发展的热点，无论是产品营销、企业风险管控，还是用户体验改进等方面都有大数据的身影，也取得丰硕实践成果。未来除信用信息分析外，数据挖掘技术的运用会更加广泛，并在更多行业中发挥出其重要价值。

参考文献

[1]李迎国，李永华，何兆照．数据挖掘技术在高职教学质量评价中的应用[J]．无线互联科技，2022（2）：134-135．

[2]陈锐，范小光，吴益平．基于数据挖掘技术的白水河滑坡多场信息关联准则分析[J]．中国地质灾害与防治学报，2021（6）：1-8．

[3]杨银娣，严金哲，崔明哲，等．基于Tobit模型的大学生信用消费分析研究[J]．中南民族大学学报（自然科学版），2021（6）：654-660．

[4]郭文波，周慧静．基于信息双要素理论的公共信用信息增值与实践路径[J]．宏观经济管理，2021（6）：47-53．

[5]张巧珍，吴雯婷，李紫萱，等．采用数据挖掘技术对湖北省人类狂犬病开展生物信息学研究[J]．中国生物工程杂志，2021（ S1）：14-29．

[6]钟亮，郭熙，国佳欣，等．基于数据挖掘技术的高光谱土壤质地分类研究[J]．中国农业科学，2020（ 21）：4449-4459．

[7]盂秋晴．在线健康信息的数据分析与挖掘技术研究——评《统计分析与数据挖掘技术》[J]．材料保护，2020（9）：164．

[8]李仪，陶宇．大数据技术下消费者个人信用信息共享的治理机制[J]．中国流通经济，2020（2）：92-100.

[9]祁鹏，彭俊文，许多恒，等．基于频繁事项数据挖掘的医疗设备技术管理研究[J]．中国医学装备，2020（1）：62-65．

[10]陈君．数据挖掘技术在二手车交易系统中的应用[J]．计算机技术与发展，2020（5）：180-184．

（编辑李春燕）