随着互联网金融的快速发展,其作为传统金融业的有益补充,为低收入和中等收入群体提供了相对有效的金融服务。但由于缺乏信用评价方法,信用风险仍然是互联网金融业的主要风险来源。对自然人信用模型的构建及信用评价是降低信用风险的有效手段。随着在线社交工具的广泛使用,越来越多的人类个体行为被忠实地记录下来,形成了庞大的社交网络数据库。这些数据记录的是真实的人类活动,是对现实人群社交的部分映射,使得社交网络数据用来衡量用户的信用水平变得可能。本文我们主要进行了两方面的研究工作。首先在社交数据作为个人信用评价模型的补充数据的研究当中,网络中往往存在着社交足迹不足或无法代表普通真实用户的异常节点,这些节点的存在影响着信用评价的排序结果。因此我们根据用户的度分布,活跃度以及用户行为时间间隔来建立一套用于社交数据个人信用评价的数据清洗模型,并对清洗前后的数据集进行信用评价排序,观察清洗模型对结果产生的影响。其次我们对整个清洗模型进行了用例测试,找出整个清洗环节中最为耗时的部分并对其进行并行加速。在本文的第一章中我们对当前社交数据用于个人信用评价的研究背景及现状进行了介绍,并引出其中仍存在的问题以及我们要展开的工作。第二章主要对本次使用的相关技术方法进行了介绍。第三章的内容主要为本次研究数据的获取及描述。第四章中我们对整个清洗模型的构建及原理进行了阐述,并结合个人信用评价模型对清洗前后的数据进行计算排序。第五章的主要工作是找出整个清洗模型中最为耗时的步骤,并对其进行加速计算,提高清洗模型的响应速度。本次研究中通过用户特征属性和行为属性建立的清洗模型,是本文研究的重点。其中结合度分布,活跃度以及行为时间间隔所建立的清洗条件是本文的创新点。最终我们得到的清洗模型能够对个人信用评价中“真的假数据”进行清洗。