随着互联网技术的快速发展,互联网金融的发展也呈现出了前所未有的繁荣景象,由此衍生出了众多的互联网金融模式,网络借贷即是其中之一。但由于互联网用户的匿名性,致使互联网用户存在着较高的信用风险,其中对于网络用户个人信用风险的评估和预测是网络借贷平台控制信用风险的关键。研究表明,社交信息对违约风险具有显著影响,融入社交信息的个人信用风险评估模型表现更优。因此,合理而有效的利用网络用户的社交信息将对个人信用风险的评估有着非常重要的作用。鉴于此,本文以新浪微博为例,分析并研究了人物画像的基本方法,总结出一套适用于社交网络信用风险评估的人物画像构建方法。在此基础上,本文利用 CART(Classification And Regression Tree)算法构建一定数量的决策树,继而构建随机森林模型,最后将随机森林模型和Logistic回归模型进行组合,实现了机器学习算法和传统信用评估方法的有效结合,最终的模型命名为CreditPer模型。最后,本文设计并实现了基于社交网络的个人网络信贷风险评估系统,该系统分为用户采集模块、用户画像构建模块、信用风险评估模块、数据分析模块和系统管理模块。这些模块分别负责用户的采集、构建、评估、分析和管理等功能,从而形成一个较完整的网络信贷风险评估系统。实验证明,CreditPer组合模型发挥了随机森林模型和Logistic回归模型两者的优势,较单纯使用Logistic模型在区分能力上有了较大程度的提高,同时也延续了传统模型的解释性和稳定性。本文的研究,有助于促进我国个人征信行业模型的开发,提高我国网络贷款风险的控制水平,弥补我国第三方征信系统不足的缺陷。