企业和个人信用预测在金融贷款领域具有重要的意义,通过信用预测模型判断借贷方信用类别,决定是否对其进行贷款,可以在很大程度上降低银行等信贷部门的贷款风险。小微企业是我国企业的重要组成部分,然而小微企业普遍存在贷款难题。随着互联网的高速发展,小微企业在网络上的信息越来越多,利用互联网数据预测小微企业的信用,将会给小微企业信用贷款带来启发。由于互联网信用数据的特征之间具有一定的关联,因式分解机处理这种关联数据具有一定的优势,因此本文将研究因式分解机在信用预测方面的应用。由于信用数据存在缺失和重复的问题,采用一定的方法去掉重复数据将会加快信用预测的效率,同时对缺失值进行补齐将有助于提高信用预测的质量。本文的主要研究工作如下:(1)研究因式分解机模型Factorization Machine在信用预测方面的应用。本文对因式分解机进行了深入的研究,分析其原理和优势,并将其应用在信用预测方面。本文在四个信用数据集上进行信用预测实验,并与常用的分类算法对比。实验结果表明,因式分解机在多个分类评价指标上的性能表现良好,比较适用于信用数据集。(2)针对信用数据中存在重复数据的问题,提出基于Block Structure(BS)和Hash Learning的算法STH-ML,主要用于生成BS所依赖的映射文件,达到压缩数据集规模的目的。信用数据是关联数据,会在某种程度上造成数据重复的情况。因式分解机提出了利用BS避免数据重复的问题,从而压缩数据规模。然而目前在生成BS所依赖的映射文件这一关键步骤上缺乏有效的方法,本文在SelfTaught Hashing(STH)算法的基础上进行改进,提出基于BS的映射文件生成算法STH-ML。实验结果表明,STH-ML相比于STH性能最高提升了6.78%。(3)针对信用数据缺失的问题,提出了基于标签的多角度融合的数据补齐算法。本文所使用的部分信用数据存在数据缺失的情况,通常这些缺失数据仍然具有一定的研究价值,对其进行补齐有利于提高信用预测的质量。本文利用已有的样本信用标签,借鉴推荐系统领域协同过滤的思想,提出了基于标签的多角度融合的数据补齐算法LMVFM。实验结果表明LMVFM相比于经典的数据补齐算法,数据补齐的误差最高降低了4.13%,可以较好的适用于企业和个人信用数据集。