發(fā)布時(shí)間：2024-06-29 03:23

　　跨域多模態(tài)數(shù)據(jù)集在許多領(lǐng)域發(fā)揮重要作用,本文主要研究征信背景下的多字段分類數(shù)據(jù)和多元時(shí)間序列數(shù)據(jù)之間的數(shù)據(jù)融合問題。現(xiàn)有跨域多模態(tài)數(shù)據(jù)融合的研究主要集中在文本與圖像間融合以及視頻與音頻間的融合,鮮有人研究多字段分類數(shù)據(jù)與多元時(shí)間序列數(shù)據(jù)之間的融合,且這兩種數(shù)據(jù)間存在較大的結(jié)構(gòu)和語義上的差異,如何設(shè)計(jì)模型使其既能夠最大可能地挖掘每種模態(tài)數(shù)據(jù)所蘊(yùn)含的信息,又能彌補(bǔ)兩種數(shù)據(jù)結(jié)構(gòu)和語義上的差異使其很好地融合,成為本文的一大難點(diǎn)。本文主要包括如下三部分研究內(nèi)容。首先,本文提出分類多字段數(shù)據(jù)的特征表示模型CFM模型。該模型通過在FM模型的基礎(chǔ)上引入Cat2vec模型的交叉層+K-Max池化層(Interaction Layer+K-Max Pooling Layer)結(jié)構(gòu),解決了傳統(tǒng)模型無法挖掘特征間存在的高階潛在模式且精度不足等問題。其次,本文提出了多元時(shí)間序列數(shù)據(jù)特征表示模型IA-RNN模型。該模型通過在基于基本LSTM單元的模型上引入Input-Attention,使得模型可以捕捉不同維度的輸入數(shù)據(jù)在每個(gè)時(shí)間點(diǎn)擁有的不同程度的作用,從而可以更好地挖掘多元時(shí)間序列數(shù)據(jù)中蘊(yùn)含的潛在信息。最后,本...

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-3新模型準(zhǔn)確率及損失曲線

圖2-3新模型準(zhǔn)確率及損失曲線模型在測試集的ROC曲線結(jié)果如下圖2-4所示，通過計(jì)算可知模型的AUC值達(dá)到0.8729。CFM模型與FM模型和Cat2vec模型的對(duì)比實(shí)驗(yàn)結(jié)果如下圖2-5所示，可知在AUC評(píng)價(jià)指標(biāo)下，F(xiàn)M模型AUC值為0.....

圖2-4新模型ROC曲線

圖2-3新模型準(zhǔn)確率及損失曲線模型在測試集的ROC曲線結(jié)果如下圖2-4所示，通過計(jì)算可知模型的AUC值達(dá)到0.8729。CFM模型與FM模型和Cat2vec模型的對(duì)比實(shí)驗(yàn)結(jié)果如下圖2-5所示，可知在AUC評(píng)價(jià)指標(biāo)下，F(xiàn)M模型AUC值為0.....

圖2-5實(shí)驗(yàn)效果對(duì)比圖

圖2-3新模型準(zhǔn)確率及損失曲線模型在測試集的ROC曲線結(jié)果如下圖2-4所示，通過計(jì)算可知模型的AUC值達(dá)到0.8729。CFM模型與FM模型和Cat2vec模型的對(duì)比實(shí)驗(yàn)結(jié)果如下圖2-5所示，可知在AUC評(píng)價(jià)指標(biāo)下，F(xiàn)M模型AUC值為0.....

圖2-6Dropout對(duì)比實(shí)驗(yàn)

提升了2個(gè)百分點(diǎn)，可見新模型提升效果顯著。我們還測試了不同超參數(shù)設(shè)置對(duì)模型效果的影響。首先，我們測試了不同dropout值對(duì)模型效果的影響，由圖2-6可知，模型效果隨dropout值先提升后降低，當(dāng)dropout值小于0.3時(shí)模型過于復(fù)雜，存在過擬合現(xiàn)象，....

本文編號(hào)：3997092