当下,数字经济的快速发展,使得金融科技成为驱动金融行业变革发展的新引擎。度小满多年来以创新技术赋能金融行业,并借助先进技术探索金融服务新模式。近期,度小满围绕创新技术研究撰写的三篇文章被CIKM录用。 度小满布局前沿技术领域,推动行业创新发展 近日,第31届ACM信息与知识管理国际会议(The 31th ACM International Conference on Information and Knowledge Management,CIKM 2022)公布录用结果,度小满AI Lab的三篇文章被录用。 这次被录用的三篇论文,分别在预训练模型、用户表示、序列建模等NLP任务相关算法上取得突破性进展。其中,用于专家发现任务的ExpertBert模型,弥合了预训练目标与下游建模任务的差距,能够精准识别潜在的信贷需求;ENEF模型,基于非采样策略进行专家发现,增强了问题和用户表示的鲁棒性和稳定性,成为CQA领域兼具性能与效率的最优方法;DeepVT模型,全面有效地捕捉和融合视图和时序模式,使小微客群的行为预测更精准。 度小满三篇论文观点独到,为行业研究新技术应用提供有力支撑 以下是三篇论文内容速览: ExpertBert:用户粒度预训练框架,快速匹配高质量回答 论文题目:ExpertBert: Pretraining Expert Finding 度小满团队提出的专家发现预训练语言模型ExpertBert,在预训练阶段有效地在统一了文本表示、用户建模和下游任务,能够使预训练目标更接近下游任务,在CQA用户表示方面做出了开创性贡献。 据悉,ExpertBert是第一个在CQA领域探索专家发现预训练语言模型的方法,且在真实数据集上证明了模型的有效性和性能的优越性。目前,该方法已在度小满信贷获客场景中开展使用,其头部用信人数的召回相对提升了超10%。 ENEF:高性能、低计算复杂度的「非采样」专家发现模型 论文题目:Efficient Non-sampling Expert Finding ENEF可以从所有数据样本中更新模型参数,增强问题和专家表示的稳健性和准确性。值得注意的是,与大多数复杂神经网络方法相比,ENEF使用基础框架和少量参数,达到了更高的训练效率。经对比实验验证,是当前CQA非抽样专家发现模型中,性能最好且训练效率更高的最优方法。 DeepVT:视图与时序模式交互,全面、精准预测用户画像 论文题目:Deep View-Temporal Interaction Network for News Recommendation DeepVT模型主要关注于用户建模的视图级信息,有效解决了用户画像建模中仅关单一的视图交互或时序信息的问题。该模型构建了2D半因果卷积神经网络(SC-CNN)和多算子注意力(MoA)两个模块。其中,前者可以同时高效地合成视图级别的交互信息和项目级别的时间信息;而后者在自注意力函数中综合不同的相似算子,可以避免注意力偏差,增强鲁棒性。 度小满三篇文章入选CIKM,表明度小满在前沿科技领域已积累了丰富的经验,取得了出色的成果。目前,科技为金融行业带来巨大冲击,催生了金融新业态、新场景,同时也为金融业带来了新挑战。未来,加快创新技术研究,提高金融服务效率,降低风控成本,仍将会是度小满等金融科技企业的重要使命。 |
正在阅读:度小满三篇文章入选CIKM 科技创新成为行业发展新引擎度小满三篇文章入选CIKM 科技创新成为行业发展新引擎
2023-02-01 16:31
出处:其他
责任编辑:houxianyong
