Financial Risk Assessment via Long-term Payment Behavior Sequence Folding

要約

オンラインの包括的金融サービスは、ユーザー ベースの拡大とデフォルト コストの低さにより、重大な財務リスクに直面しています。
実際の実践により、長期的なユーザーの支払い行動を利用することで、財務リスクを予測するモデルの能力を強化できることが明らかになりました。
ただし、深い逐次モデルの場合、長い動作シーケンスを学習することは簡単ではありません。
さらに、決済行動の多様な分野には豊富な情報が含まれており、徹底的な活用が必要です。
これらの要因が総合的に、長期的なユーザー行動モデリングのタスクを複雑にしています。
これらの課題に取り組むために、私たちは LBSF と呼ばれる長期支払い動作シーケンス フォールディング手法を提案します。
LBSF では、支払い動作シーケンスは、マーチャント フィールドを固有のグループ化基準として使用し、マーチャントに基づいて折り畳まれます。これにより、外部の知識に依存せずに有益な並列処理が可能になります。
同時に、マルチフィールド動作エンコードメカニズムを通じて支払い詳細の有用性を最大化します。
その後、販売者レベルでの行動の集約とそれに続く販売者間の関係学習により、包括的なユーザーの財務表現が促進されます。
私たちは、大規模な現実世界のデータセットを使用して、金融リスク評価タスクに関して LBSF を評価します。
この結果は、内部行動の合図に基づいて長い行動シーケンスを折りたたむことで、長期的なパターンと変化を効果的にモデル化し、それによって実用的なアプリケーション向けに、より正確なユーザーの財務プロファイルを生成できることを示しています。

要約(オリジナル)

Online inclusive financial services encounter significant financial risks due to their expansive user base and low default costs. By real-world practice, we reveal that utilizing longer-term user payment behaviors can enhance models’ ability to forecast financial risks. However, learning long behavior sequences is non-trivial for deep sequential models. Additionally, the diverse fields of payment behaviors carry rich information, requiring thorough exploitation. These factors collectively complicate the task of long-term user behavior modeling. To tackle these challenges, we propose a Long-term Payment Behavior Sequence Folding method, referred to as LBSF. In LBSF, payment behavior sequences are folded based on merchants, using the merchant field as an intrinsic grouping criterion, which enables informative parallelism without reliance on external knowledge. Meanwhile, we maximize the utility of payment details through a multi-field behavior encoding mechanism. Subsequently, behavior aggregation at the merchant level followed by relational learning across merchants facilitates comprehensive user financial representation. We evaluate LBSF on the financial risk assessment task using a large-scale real-world dataset. The results demonstrate that folding long behavior sequences based on internal behavioral cues effectively models long-term patterns and changes, thereby generating more accurate user financial profiles for practical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google