2016年以来,许多P2P金融平台开始开发大学生信贷消费产品,随着规模逐渐扩大,大学生信贷消费平台所面临的逾期率持续上升、坏账累积过多及资金配置不当等问题日益严峻。因此,本文着眼于平台对大学生群体的授信额度分配问题,分别对大学生用户当前信用额度的更新和新注册大学生信用额度的首次分配两方面进行研究,在传统信用评估的基础上,引入用户的消费需求评估,更科学有效地制定额度策略,提高平台整体资金的使用效率。在大学生用户现有额度的更新策略设计中,本文选取大学生用户在信贷消费平台上的互联网历史行为信息作为数据挖掘对象,首先通过机器学习中特征工程的方法提取和构建大学生用户在个人基本信息、订单及订单行为信息及APP场景行为信息等方面的特征维度,并利用集中度、IV信息值及Pearson相关系数等指标进行筛选得到最终特征子集。然后利用Xgboost算法框架,分别建立了准确性及稳定性均达预期水平的用户逾期概率预测模型和未来消费金额回归预测模型。最后结合模型预测结果评估平台当前大学生用户的信用状况和消费需求,划分用户等级,并对其现有额度制定了有效的额度更新策略。更新后,节约平台额度资金达14.18%。由于新注册的大学生用户在平台缺乏历史交易记录以及互联网行为等信息,评估其信用风险和消费需求的方法和以往研究差异较大。本文引入复杂网络思想,首先以现有大学生用户为节点,若用户的未来逾期概率或消费金额等级相同则节点之间进行连边,构建复杂网络。然后以用户注册信息作为节点属性,提出了基于节点属性相似度的链路预测算法,预估新注册大学生用户作为新节点进入网络后的连边演化过程。之后建立连接节点对的信息匹配函数,借助平台现有用户的信息预测新注册大学生的信用等级及消费需求,制定其信用额度的首次分配策略。最后选取了真实大学生用户数据,演示模型的实现过程,并进行结果对比。其中链路预测模型准确率为0.68,达到预期标准。本文针对大学生群体授信额度进行了较为全面的研究,同时对提出的额度更新和额度分配算法进行了实验性验证,取得了较好的优化和预测效果,对整个互联网金融平台的信贷额度分配都具有重要意义。