Информационные технологии интеллектуальной поддержки принятия решений, Информационные технологии интеллектуальной поддержки принятия решений 2018

Размер шрифта: 
Анализ неструктурированных данных с целью получения дополнительной информации при оценке кредитоспособности юридических лиц
Елена Андреевна Макарова, Дмитрий Григорьевич Лагерев

Изменена: 2018-06-20

Аннотация


В данной статье рассмотрены различные методики оценки кредитоспособности юридических лиц. Проанализированы достоинства и недостатки различных методик оценки кредитоспособности, используемых для оценки физических и юридических лиц. Сделано предположение о возможности разрешения спорных ситуаций, возникающих при использовании традиционных подходов, с помощью дополнения модели оценки методами анализа неструктурированных данных из открытых источников. Проведен анализ существующих методик обработки текстов на естественном языке, которые можно использовать для решения задачи оценки репутации и кредитоспособности. На основе проведенного исследования автором предлагается архитектура программного комплекса для поддержки принятия управленческих решений в сфере работы с юридическими лицами.

Ключевые слова


анализ данных; скоринговые модели; обработка естественного языка

Литература


1. О типичных банковских рисках: Указание оперативного характера Банка России № 70-Т от 23.06.2004. Доступ из справ.-правовой системы «КонсультантПлюс».

2. Зобова Е. В., Самойлова С. С. Управление кредитным риском в коммерческих банках // Социально-экономические явления и процессы. Тамбов, 2012. № 12 (046). С. 74-81.

3. Развитие интернета в регионах России. [Электронный ресурс] – URL:https://yandex.ru/company/researches/2016/ya_internet_regions_2016 (дата обращения: 01.03.2018)

4. Wiil U. Counterterrorism and Open Source Intelligence. Lecture Notes in Social Networks. Springer, 2011.

5. Сокирко А.В. Морфологические модули на сайте www.aot.ru // Компьютерная лингвистика и интеллектуальные технологии: Труды международной конференции Диалог’2004 / Под ред. И.М.Кобозевой, А.С. Нариьяни, В.П. Селегея. М.: Наука, 2004. с. 559-564.

6. Большакова Е.И., Носков А.А. Программные средства анализа текста на основе лексико-синтаксических шаблонов языка LSPL // Программные системы и инструменты: Тематический сборник, № 11 / Под ред. Королева Л.Н. – М.: МАКС Пресс, 2010, с. 61-73.

7. Angeli G. et al. Manning. Leveraging Linguistic Structure For Open Domain Information Extraction. In Proceedings of the Association of Computational Linguistics (ACL), 2015.

8.   Злобина Н.В. Управленческие решения: учебное пособие. – Тамбов: Изд-во ТГТУ, 
2007. – 80 с.

9. Rubin T. N., Chambers A., Smyth P., and Steyvers M. (2012), Statistical topic models for multi-label document classification, Machine Learning, Vol. 88, No. 1-2, pp. 157-208.

10. Игнатов Д.И., Кузнецов С.О. О поиске сходства Интернет-документов с помощью частых замкнутых множеств признаков // Труды 10-й национальной конференции по искусственному интеллекту с международным участием (КИИ’06). – М.:Физматлит, 2006, Т.2, стр.249-258

11. Кузнецов С.О., Игнатов Д.И., Объедков С.А., Самохин М.В. Порождение кластеров документов дубликатов: подход, основанный на поиске частых замкнутых множеств признаков. Интернет-математика 2005. Автоматическая обработка веб-данных. Москва: “Яndex”, 2005, стр. 302-319

12. Jonas Poelmans, Paul Elzinga, Stijn Viaene, Guido Dedene: A Case of Using Formal Concept Analysis in Combination with Emergent Self Organizing Maps for Detecting Domestic Violence.ICDM 2009: 247-260

13. Остаточное сопротивление –  // "Лизинг". – 2017-09-11 – С.[Электронный ресурс] – URL:https://www.kommersant.ru/doc/3460553 (Дата обращения: 01.03.2018)

14. Глава Сбербанка: интеллектуальная система управления ежедневно ставит 300 тыс. Задач –  URL:http://www.banki.ru/news/lenta/?id=9763272 (дата обращения: 01.03.2018)

15. Ruder, S. (2017). An Overview of Multi-Task Learning in Deep Neural Networks. In arXiv preprint [Электронный ресурс] – URL: https://arxiv.org/abs/1706.05098 (дата обращения: 01.03.2018)

16. David M. Blei, Andrew Ng, Michael Jordan. Latent Dirichlet allocation // Journal of Machine Learning Research (3) 2003 pp. 993-1022.


Полный текст: PDF