信用风险是信贷业务的主要风险来源。近年来,随着社会经济的快速发展,信用消费的经济形式越来越普遍,违约风险也随之增多。我国目前的信用现状仍存在很多问题,严重的违约风险很大可能会影响社会经济的健康发展。如何准确和全面地对个人信用风险进行评估是银行等金融机构的重要任务和必然要求。传统的信用风险评估方法过于依赖个人征信,缺乏时效性和全面性。大数据时代的到来提供了丰富的数据,加上深度学习技术在多个领域内的成功应用,越来越多的研究人员运用深度学习方法进行信用风险评估。如何充分利用深度学习方法全面地进行信用风险评估是目前思考的主要问题。目前信用风险评估的方法主要分为三类,包括基于数学建模的方法、基于统计学的方法和基于机器学习的方法。上述方法一般都是基于借款人自身的特征信息对其信用风险进行评估,没有考虑借款人之间的关系信息。研究表明,个人信用风险不仅仅与借款人自身的特征信息有关,还与借款人之间的关联关系有关。借款人之间的关系中蕴含的信息对进行个人信用风险评估十分有价值。如果某个借款人存在违约风险,那么与之相关的其他借款人也有可能受到影响。因此,充分考虑借款人之间的关系信息在信用风险评估问题中具有重要意义。图数据常常用来描述对象之间的关系。与向量相比,图结构表示的信息更加丰富,包含对象本身的属性特征和对象间的关联信息。对象可以作为图结构的节点,对象间的交互关系或相关性可以使用图结构的邻接矩阵来表示。由于图结构可以包含更多的信息,近年来使用图结构表示现实数据已经成为机器学习和数据挖掘的研究热点。因此,可以将借款人特征信息及其和其他借款人之间的关系信息表示成图结构数据,并通过对图数据进行分析,实现对个人信用风险的预测。为了更好地利用大数据和深度学习进行个人信用风险评估,提高信用风险预测准确率,本文基于图卷积网络进行了信用风险评估问题的应用研究。深度学习的巨大成功得益于卷积神经网络的发展,将深度学习的方法迁移到图数据中是当下研究的热点。图数据相关的任务一般可以分为图节点分类任务和图分类任务。对以节点表示的借款人进行信用风险评估属于节点级别的分类任务。因此在本文中,我们重点关注图节点分类问题。传统的卷积神经网络只能处理图像、语音等结构规则的欧式空间数据,不能应用于非欧空间的图数据。这是由于欧式空间数据具有平移不变性,可以定义全局共享的卷积核。图数据中每个节点的邻居节点个数和排列顺序不同,不具备平移不变性。在图数据上定义卷积算子和池化算子是将卷积神经网络迁移到图数据上的关键。目前对图卷积神经网络的研究方法主要分为两类:谱方法和空间方法。基于谱域的图卷积神经网络利用谱图理论和卷积定理,以傅里叶变换为桥梁,将图数据从空域转换到频域进行处理。过程中涉及到拉普拉斯矩阵的特征分解,计算开销较大,且只能处理固定大小的图。基于空域的图卷积神经网络从节点域出发,通过定义聚合函数来聚合中心节点和邻居节点的特征信息。目前出现的图卷积神经网络性能已经优于传统方法,但是仍然存在很多问题。例如本文关注的图节点分类问题中,随着网络层数的增加,节点特征将会趋于一致,即出现过平滑问题。过平滑问题的出现使得多数方法受限于网络的深度。此外,对于不同节点具有不同局部结构的图数据,一些节点只需要较小的聚合深度,否则噪声太多;一些节点需要较大的聚合深度,否则可学习的信息不足。在聚合邻居节点信息时如果只采用固定的邻域范围,则融合到的邻域节点信息不够准确。因此,针对目前存在的主要问题和不足,本文对应用于节点分类问题的图卷积神经网络模型提出了改进。本文首先将经典子图卷积网络应用于个人借贷信用风险评估问题中。基于子图的图卷积神经网络能够缓解节点分类任务中的过平滑问题。该方法首先采用子图提取的方法对原始图数据进行处理,分别以图中每个节点为中心提取规则的子图;之后在每个子图上进行卷积操作,交替堆叠卷积层和池化层提取特征信息;最后输出向量形式的节点特征,利用更新后的节点特征进行分类。该方法能够有效抑制图卷积神经网络中的过平滑现象。实验证明经典子图卷积网络在信用风险评估问题中的应用有效性。随后,针对节点局部结构不同时特征考虑不充分的问题,本文提出了一种新的混合图卷积神经网络。首先,该模型采用子图卷积算子和全局卷积算子分别进行卷积操作,提取局部信息和全局信息,分别输出新的节点特征矩阵;其次引入注意力机制进行特征拼接。采用注意力机制可以实现不同节点自适应的特征选择,从而获得充分全面的节点特征表示。该方法有效利用了图的局部信息和全局信息,对于局部结构不同的节点都获得了有效的特征表示,在一定程度上避免了特征考虑不充分的问题,提高了图节点分类的准确率。本文采用混合图卷积神经网络模型解决借款人信用风险评估问题,与其他图卷积神经网络模型以及传统机器学习方法进行了对比实验,实验结果证明了本文所提出算法在预测准确率上相较对比方法的平均提升幅度达到5%。