网络信贷产业覆盖了银行等传统金融机构未覆盖的中低收入人群,为中低收入人群贷款和投资提供了一个新的选择方案。然而,为了追逐利益而迅猛发展所遗留的监管措施不健全、信用评分系统不完善等隐患也在近几年迅速爆发,对该产业的发展造成了很大的影响。因此,构建有效的信用评分模型是解决当前网络信贷产业危机的关键。当前构建有效的信用评分模型主要面临两个问题。第一,信用数据的类不平衡问题。类不平衡会导致模型的预测结果偏向一类。然而,在以利益为导向的P2P网贷产业中,无论模型偏好哪一类都会给参与者造成经济损失。第二,面向多类型数据的模型在线更新困难问题。网贷平台拥有海量用户以及非常频繁的线上交易,伴随而来的是数据分布的快速变化,如果不及时更新模型,将导致模型的预测结果出现偏差。针对问题一,本文提出了一个重采样集成模型。该模型由基于多数类数据分布的欠采样方法和Bagging算法两部分组成。其中基于多数类数据分布的欠采样方法是在通过聚类获取多数类的数据分布后,再根据其分布对多数类进行欠采样。该欠采样方法能够在解决类不平衡问题的同时降低多数类信息损失。此外,该欠采样方法与Bagging算法结合不仅进一步降低了多数类的信息损失,而且还提升了模型的稳定性。本文在三个信用数据集上与多个基线模型进行性能比较。实验结果表明本文提出的模型取得了更高的AUC、G-mean值,具有更优的分类性能。针对问题二,本文提出了一个在线集成信用评分模型。该模型由两个神经网络组件线性组合而成,其中一个组件用于处理稀疏的类别特征,另一个组件则用于处理密集的数值型特征。后者通过对训练好的能够很好地处理密集的数值型特征的梯度提升树模型进行知识蒸馏来获得处理密集的数值型特征的能力。在将两个组件线性组合后,该模型不仅能够同时处理稀疏的类别型特征和密集的数值型特征,而且还能够在线更新。在两个具有时间戳的信用数据集上的实验结果表明,模型更新不及时造成模型性能下降的问题是确实存在的,而我们提出的模型在线上和线下实验中均取得了更高的AUC值,能更好地解决模型更新问题。