正文内容 评论(0)
如今,在国家战略以及数字信息技术发展的共同推动下,金融服务行业正处于高质量发展期,对于前沿技术需求愈加迫切。因此,加强技术创新,可有效助力金融服务行业各项业务提质增效。度小满深耕金融科技领域,不断加强其在前沿技术领域的布局,并取得了不俗的成绩,多篇论文被国际顶级会议收录。近日,度小满再登国际会议,其AI Lab团队的三篇文章被ACM信息与知识管理国际会议录用。
度小满以先进技术赋能金融行业
据悉,度小满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。
度小满积极探索布局前沿科技
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。
深耕金融科技多年来,度小满既是金融行业革新的见证者,同时也是以金融科技助力传统金融转型升级的实践者。目前,在各种高科技不断涌现的市场环境下,积极把握行业机遇,加强前沿技术在金融领域的应用创新,将推动金融行业迈向新征程。