وام آنلاین به صورت همکار (P2P) طی دهه گذشته در چین به طرز چشمگیری توسعه یافته است. اما این رونق سریع خطرات احتمالی را به همراه دارد. به دلیل افزایش اخیر سیستم عامل های آنلاین P2P تقلب و یا غیرقابل اعتماد سرمایه گذاران متحمل خسارات غیرقابل محاسبه شده اند. از این رو ، پیش بینی و شناسایی سیستم عامل های خطر پیش فرض بالقوه در این مقطع بسیار مهم است. برای رسیدن به این هدف ، ما یک روش دو مرحله ای ارائه می دهیم که از یک شبکه عصبی یادگیری عمیق استفاده می کند تا کلمات کلیدی را از نظرات سرمایه گذار استخراج کند و سپس از یک مدل مبتنی بر حافظه کوتاه مدت بلند مدت (BiLSTM) استفاده کند تا خطر پیش فرض سیستم عامل ها را پیش بینی کند. نتایج تجربی در مجموعه داده های دنیای واقعی حدود ۱۰۰۰ سیستم عامل نشان می دهد که در مرحله استخراج کلمه کلیدی ، مدل ما می تواند ویژگیهای معنایی را بهتر از متن-اظهار نظر کاملاً محاوره ای ضبط کند و به پیشرفت چشمگیری نسبت به سایر مقدمات دست یابد. علاوه بر این ، در مرحله پیش بینی بستر های نرم افزاری پیش فرض ، مدل ما در شناسایی سیستم عامل های احتمالی بالقوه ، مقدار F1 80.34٪ را بدست می آورد ، از چهار خط پایه بالاترین میزان را با ۲۳/۳۷ درصد ، ۵٫۷۱ درصد ، ۸٫۹۳ درصد و ۴٫۹۸ درصد بهبود و اثبات جامع اثربخشی روش خود به دست می آورد. . مطالعه ما یک راه حل جایگزین برای مسائل پیش بینی ریسک پیش فرض سکوی ارائه می دهد و اثربخشی نظرات سرمایه گذاران را در آشکار کردن وضعیت ریسک سیستم عامل های وام آنلاین تأیید می کند.