信用评估模型可以提高贷款效率，缩短贷款时间。利用Py·torch的深度学习框架，结合Words的bag和Bert的多头注意机制，得到了BM线性评价模型。同时，在引入多组信用训练集的前提下，创造性地构建了参数独立训练和参数共享训练的对比实验，探索了BM-linear的优势。研究表明，BM Linear首先弱化了与信用培训集的对应关系，解决了信用模型受信用场景限制的问题，降低了重复培训模型导致的贷款效率低下。其次，忽略缺失特征，将离散特征转化为信用文本，从而减少特征处理带来的信用干扰，提高信用评估效率。最后，克服了由于词包和信用词之间的对应而导致的词向量固化问题，实现了动态的词向量处理，从而提高了评价的准确性。所提出的BM线性模型可以为信贷机构有效评估和快速贷款提供支持。