提出了一种通过构建假社交网络并使用复杂的网络分析与表示学习来改进智能手机应用中的信用评分模型，以实现增强金融包容，提高全球金融福祉的方法。

Jan, 2020

利用大数据分析和机器学习技术，研究移动网络中成千上万的呼叫详单数据来检测网络中的异常活动，通过使用神经网络模型来训练无异常的数据，使用 ARIMA 模型来预测未来交通，因此提高了模型的预测精度。

Jul, 2018

本文研究表明，相较于传统机构数据，利用基于应用程序的市场的替代数据对信用评分模型的影响。这些替代数据来源已经在传统银行和金融机构未能满足需求的人群中展现出巨大的预测借款人行为的能力。结果揭示，在两个国家得到了确认，这些新型数据来源特别适用于预测财务行为中低财富和年轻人，而这类人也是最有可能借助替代性贷款的人群。此外，通过使用 Stochastic Gradient Boosting 解释的 TreeSHAP 方法，我们的结果也显示，这些应用程序来源的变量存在着有趣的非线性趋势，这些趋势对于传统银行而言不是常见的信息。因此，这些研究结果展现了技术公司识别替代数据来源并妥善处理这些新信息的机会与挑战。同时，需要注意的是，替代数据必须经过认真的验证才能克服不同管辖区域的法规障碍。

May, 2020

本研究使用移动电话数据的行为签名来预测南美电信所提供的信贷的还款结果，表明低信用历史个人的行为特征在一定程度上可以优于传统的信用报告预测还款违约的能力，此方法可为无法通过传统方式获得信用分的人群提供更多选择，如未被银行认可的人群。

Dec, 2017

本研究利用机器学习模型对信用卡违约进行预测，通过一系列实验和数据处理技术，结果表明多层感知器神经网络（MLP）在预测信用卡违约和评估潜在风险方面表现优越，帮助银行等金融机构更早地预测贷款违约。

Oct, 2023

本文对二元分类技术在信用评分金融分析中的理论和应用进行了系统文献综述，结果表明了信用评级主要技术的应用和重要性，以及多年来的科学范式变化。

Feb, 2016

通过使用通信运营商提供的大规模数据，本文基于融合 LightGBM 算法对运营商用户信用评估模型进行了研究，首先通过数据预处理和特征工程方法提取与用户评估相关的关键特征，构建具有统计学意义的多维特征集合；然后，使用线性回归、决策树、LightGBM 等机器学习算法构建多个基础模型，找出最佳基础模型；最后，整合平均、投票、混合、堆叠等集成算法，优化多个融合模型，最终建立适用于运营商用户评估的最佳融合模型。

Mar, 2024

通过对八个来自全球电信组织的通话详单数据集进行不同的关系学习器策略测试，本研究评估了关系分类器与集体推断方法对关系学习器预测能力的影响以及在电信行业中预测客户流失时，关系学习器与传统预测方法相结合的性能。需要注意的是，网络构建对预测模型的结果有影响，并提供了如何在电信行业中应用社交网络分析进行流失预测的最佳方案，从网络架构到模型构建和评估均有所提示。

Jan, 2020

本研究对于公司信用评级的深度学习模型进行结构化数据和非结构化数据的多模态融合，其中以卷积神经网络为基础的模型与两种融合策略的效果最佳；此外，我们还发现更复杂的深度学习模型未必能够带来最好的性能，然而，如果注意力机制为性能最佳，那么交叉注意力机制为必要的融合策略；最后，我们比较了短期、中期和长期表现，并得出 Moody's 信用评级超过标普和惠誉等其他机构的结论。

Apr, 2023

在这篇论文中，作者描述了从关系数据库管理系统（RDBMS）到分布式大数据分析平台的转变，这个平台适用于大规模机器学习和数据挖掘，利用通信服务提供商 (CSPs) 的大规模交易数据资产以及数据分析技术，用于服务个性化、预测建模和产品优化，而这种数据分析技术是实现对数据的利用和挖掘的关键。

Feb, 2015