伴随着我们国家的征信系统不断完善,征信在人们工作、生活、消费中扮演着愈发重要的角色,个人的征信报告逐渐成为人们的另一张身份证,对于个人信用风险进行准确评估也就越发重要,而互联网金融个人信用风险评估过程中最重要的两个环节分别是评估指标的选取和评估方法的选择。本文一方面构造了基于社交大数据的互联网金融个人信用风险评估指标体系,在传统的个人信用风险评估模型中,加入了社交行为大数据的相关指标。首先论述了加入社交行为大数据的科学性、合理性及其优势,利用层次分析法确定了各指标的权重,并通过赋予各指标配点值的方法将各指标进行了量化,最终得到了基于社交大数据的互联网金融个人信用风险评估指标体系。利用TOPSIS方法进行的算例分析,验证了本文所构建的指标体系可以更加全面、客观、公正的评估个人信用风险。另一方面,构建了基于LightGBM-LSTM算法的互联网金融个人信用风险评估模型,充分利用LightGBM算法低时耗、高准确率,以及LSTM可以用于解决神经网络中的长期依赖问题的优势,通过训练过往贷款信息数据来判定个人信用风险状况,并预测未来是否会出现违约。首先对Lending Club平台借款人数据进行整体分析,从贷款等级、贷款人工作年龄、贷款用途、贷款人所在州、贷款人收入水平、房屋状态、贷款现状七个方面对贷款人的信息进行初步了解,在此基础上对违约用户进行画像,从借款利率、信用等级、年收入、借款目的、地理位置五个方面分析不同特征的贷款人数及违约率情况。根据LightGBM-LSTM模型的需要,对Lending Club平台借款人数据进行进一步清洗,主要删除缺失数据、无法利用的数据,去除重复数据,对格式内容进行清洗,做相关性分析,最终筛选得到31项指标。利用LightGBM-LSTM模型对Lending Club平台借款人信息数据进行实证分析,得到最终的违约预测准确率为83.76%,能够为Lending Club平台提供有价值的参考。