中国互联网金融网贷平台增长势头继续高歌猛进,与此同时,爆出问题的“跑路”平台越来越多,网贷平台自身的信用成为阻碍其发展的最大障碍。现有的网贷平台征信与信用评估服务主要面向用户,而缺乏平台自身的信用评估体系。本文的目标是针对网贷平台建立科学有效的信用评估体系。对此,本文根据网贷平台评估指标数据获取人工和时间成本过高的现状,提出了基于自动化抓取网络公开数据的信用评估指标体系,包括基本信息指标、动态数据指标、访问平台数据指标。基于网贷平台信用标签数据缺失并且难以获取权威结果的现状,本文提出用半监督学习的方法代替以往线性回归和监督学习的方法,充分利用无标签数据来提高评估模型的预测准确性。本文自动化抓取了169家网贷平台的31个指标数据,将其作为模型的输入,选取中国社科院金融研究所发布的23家平台评级结果作为标签,并将其作为模型的输出。运用协同训练的方法,首先初始化两个不同参数的BP神经网络回归模型,找到标记置信度最高的无标签对象,即染上标签后能减小预测模型的均方误差,然后将其染上标签并放入对方回归模型的训练集中以便更新模型,不断迭代直到循环结束,最后综合两个回归模型作为最终的预测模型。实验结果表明,与直接用回归模型相比,协同训练式半监督学习的回归模型利用了大量的无标签数据,提高了预测结果的准确性,可以为网贷行业提供一种科学有效的平台信用评估方法。