随着金融领域P2P借贷的迅速发展,大量借贷公司的非结构化数据不断涌现出来,随之曝光的还有跑路、停业等风险,亟需利用可解释的人工智能技术对借贷风险进行有效的评估。本文通过机器学习方法对P2P网络借贷机构中的非结构化自然语言文本信息进行建模和分析,从机器学习可解释性的角度对P2P公司的欺诈风险进行评估,从而增强AI模型的可信程度。本文首先设计实现了一种基于数据驱动的P2P公司欺诈风险评估方法。其中使用了多种自然语言处理、机器学习、深度学习等主流的算法模型,并且使用元学习级联归纳的方法将前面的各种最佳模型融合起来,进一步提升了 P2P公司风险评估的准确率。然后,针对词性分布等看得见的细节性显式特征,本文提出基于社会科学领域中心理学人际诈骗理论来解释模型行为,同时使用自然科学领域中的计算语言学技术和影响函数验证了机器学习模型确实学习到了诈骗理论中的词性细节信息,由此为P2P欺诈风险的机器学习模型提供了心理学的可解释性的支持。最后,针对段向量等看不见的隐式特征,本文提出了从文本风格的角度来描述P2P公司文本的整体差异并理解模型行为,实验表明使用影响函数和风格向量来描述文本风格差异与人类的直观感受是相同的。由此证明了机器学习模型确实学习到了文本风格差异并将其用于风险判断,进一步体现了该模型具备一定的机器学习可解释性。