在信贷审批实践中，只有在历史上曾经被批准授予贷款的客户才会产生贷后还款信息。信用评分模型通常建立在这部分拥有违约与否标记的“接受样本”之上。被拒绝授予贷款的客户，由于缺乏贷后还款信息而被作为“拒绝样本”，无法应用于建模。然而，信用评分模型的应用对象是将来会申请贷款的所有客户。经过筛选后得到的接受样本显然无法代表模型应用的总体，由此带来的样本偏差问题会导致训练的模型有偏，在应用过程中缺乏准确性和稳定性。拒绝推断是一种用于推断拒绝样本的标记，从而将其加入到建模样本中，以提高信用评分模型预测效果的技术。
　　本文将拒绝推断问题视为机器学习问题，在半监督学习和集成学习的理论基础上提出了BaggingCo-TrainingwithOptimizedThreshold算法，简称BCT算法。针对拒绝推断问题中接受样本占比低、样本类别比例不平衡、模型必须能够快速迭代更新等特性，引入动态Bagging、分类阈值参数和早停止条件，对传统的半监督协同训练算法进行改进，使其适用于处理信用评分领域中拒绝推断问题。
　　本文设计了多个实验来验证BCT算法性能的优良性。首先在模拟数据集上测试动态Bagging、分类阈值参数和早停止条件对于算法性能的提升效果。然后在5个真实数据集上对比BCT算法与其他有监督学习、半监督学习算法的性能，并在此基础上研究3个重要参数对于算法性能的影响机制。最后，将算法实际应用于拒绝推断，通过设计模拟实验和构建模型评价体系，来验证BCT算法处理拒绝推断问题的效果。
　　实验结果表明，动态Bagging、分类阈值参数和早停止条件能够有针对性地应对信用评分领域中拒绝推断问题的特性。BCT算法的性能在不同的数据集和拒绝比例下，均优于参与对比的其他有监督学习和半监督学习算法。将算法应用于拒绝推断问题后，通过挖掘拒绝样本中蕴含的信息，开发出的信用评分模型具备较强的区分能力和充分的稳定性，符合风控人员对于各项模型评价指标的要求。