毕业论文课题相关文献综述
一、研究背景
近些年来大数据时代的发展日渐迅速，各行各业亦面临着来自新兴技术的便利与风险。而由于互联网对于信息高速的传递与无视距离的便利性，更是促进了各式金融产品的蓬勃发展[1]，互联网借贷自然应运而生。
互联网借贷，是一种借助互联网、移动互联网技术的网络信贷平台及相关理财行为和金融服务的通常为民间小额借贷的互联网金融产品。作为新兴的借贷方式，它以其自由自主的特点完善了我国小额民间贷款的体系。2010年后，我国网贷平台快速发展，它以其来自互联网的低门槛、灵活便捷等特点，迅速通过手机电脑等各式渠道进入大众视野，而随着经济的发展与科技的进步，人们的消费观念和消费方式也随之转变，这也推动了我国网络借贷平台与相应业务的蓬勃发展和快速增长[2]。
但是网络借贷服务兴起与不断发展的同时，由于互联网的隐蔽性与信息不完善等弊端，欺诈行为更是成了网络借贷行业的一道伤疤。由于交易数据和信用审核的权限都把握在了平台手中，而出资人无法有效的获取这些信息，这就使得其在整个交易过程中处于信息不对称状态，一些不法分子开始借其名号从事非法集资等诈骗活动，以及大量不具备公信力的借贷业务，都使得互联网借贷业务整体良莠不齐。
二、研究现状
如何发现与规避欺诈行为，则成为了网络借贷行业能否长期健康发展的重要课题。经过查阅相关论文资料，其主要手段有：人工核查、专家规则、数据分析规则、数据挖掘和机器学习、logistic regression欺诈评分卡[3]以及基于知识图谱的反欺诈技术[4]。其中，因机器学习算法在反欺诈领域的广泛应用及其可解释性强，易于理解的优点，得到了多数的好评，其主要算法有：决策树算法[5，6]、支持向量机算法[7，8]、神经网络算法[9，10]、随机森林、贝叶斯网络分类器[11]等[12]。例如，王凤可[2]在研究应用决策树算法进行欺诈识别后，分析应用C5.0决策树算法所存在的问题及成因，提出了新的自适应代价敏感加权集成算法ACWEA。陈俊清[13]、李赟妮[14]等研究了神经网络模型在反欺诈领域的应用，并认为神经网络模型在实际的反欺诈中很有成效。钱维章[15]提出利用随机森林识别欺诈的方法。窦路路、石秀金[16]将深度置信网络（Deep Belief Network, DBN）应用于欺诈检测，证明了 DBN 技术在欺诈检测方面有较高的应用价值。李旭瑞[17]等人提出基于CLIQE聚类算法、马尔可夫算法、DDE-Stream 算法相结合的密度分布演化的流式聚类算法，并证明此算法比随机森林准确率高。吴雷[18]等人提出使用基于规则的专家系统模块、基于决策树、神经网络、Logistic regression的机器学习有监督学习欺诈模式检测模块基于异常模式的无监督学习检测模块相结合的三层架构进行欺诈检测。
而对于网络借贷业务，通过机器学习来进行欺诈行为探测和风险评估依旧适用。李从刚[19]等提出 P2P 网贷市场信用风险评估指标，使用 BP 神经网络算法构建 P2P 网贷平台的风险评估模型，并基于真实数据进行仿真。林春雨[20]等基于 Spark 分布式计算平台，采用多种机器学习方法，选择出最优的 P2P 平台风险预警模型。周少甫[21]等采用 Logit 模型分析平台信用因素对经营的影响，构建了平台预测模型，测试并验证该模型对识别问题平台有良好的效果。朱清香[22]等利用民营系 P2P 网贷平台的 20 个指标，经过主成分分析法进行降维，采用 Logistic 回归分析方法构建平台风险预警模型。姚畅燕[23]等从宏观经济环境指标、平台微观风险指标两个方面选取了 14 个指标作为风险预警的指标体系，采用改进的 BP 算法，运用 Matlab 软件进行训练，建立 P2P 网贷平台预警模型，及时识别和预警平台风险。Li [24]等采集 831 条 P2P 网贷平台数据，运用决策树算法构建代价敏感的 P2P 网贷平台欺诈识别模型，在验证模型性能的基础上，分析总结了欺诈平台的典型行为特征。余华银[25]等通过 529 家网贷平台的信用风险相关指标数据，运用决策树方法和逻辑回归方法建立信用风险评估模型，研究证明决策树方法比逻辑回归方法准确性更高，误判率在 20%以内。贾蜜蜜[26]使用支持向量机的 q 值权重法构建对 P2P 网贷平台的数据分析平台，该研究证明，这种方法在风险评估的结果准确率上比传统的逻辑回归算法高5%-8%。
三、总结
通过对所收集的文献总结可知，探测网络借贷欺诈行为对整个行业的长足发展有着非常重要的影响。而机器学习在网络借贷乃至互联网金融行业都能够进行有效的风险预测，能够进行对p2p网贷欺诈行为的探测，但每种算法各有优劣，应当活用其他研究方法以弥补单一算法所带来的缺陷及误差。
参考文献
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
