李 琳，王国伟，张 杰，周 栋

(1.武汉理工大学 计算机科学与技术学院，湖北 武汉 430070；2.湖南科技大学 计算机科学与工程学院，湖南 湘潭 411201)

0 引 言

在线P2P(Peer-to-Peer)贷款[1]，又称为点对点贷款，为民间小额借贷，方便了小微企业的借贷。在实际生产生活中，许多小微企业经常需要小额短期资金进行周转，但银行借贷的过程复杂，无法满足小微企业的需求[2,3]。

借贷行业的实际情况给模型训练带来了困难，导致信用预测结果的准确度偏低。首先对于训练数据样本的形成，仅当金融机构完成了某次借贷申请流程后，才会形成标记数据。大多小微企业无信用记录，仅有少量小微型企业的信用被相关的金融机构评估。人工标记数据的成本过高导致训练样本严重不足。可以看到用借贷历史记录作为训练数据集，不但标记数据量少，且其正负样本比例不均衡，传统的监督机器学习方法的预测效果会因此受到影响。

半监督学习充分利用未标记数据中的信息，提高模型在预测时的表现。简单而言，半监督学习可将一些不含标签的数据通过一定的机制添加到训练数据中，用以缓解上述问题。

基于半监督支持向量机的信用评估是一种有效的预测方法[4]。由于超参数通常由经验选取，当对不同数据集进行预测时，由于数据集间的差异，无法保证模型的稳定性。因此，本文提出基于耦合模拟退火的S3VM(CSAS3VM)，采用耦合局部最优的方法来优化模拟退火过程，寻找半监督支持向量机的最优参数。……