本文提出一种名为 SeqFM 的新型基于因子分解机的模型，可以完全考虑动态特征之间的因果依赖关系，通过多视角自注意力模型分别建模静态特征、动态特征和静态动态特征的交互作用，完成时序预测分析任务。在六个大规模数据集上的实验结果表明，SeqFM 在排名、分类和回归任务方面都具有优异的效能和效率。

Nov, 2019

通过自主学习的潜在事件编码，我们模拟了层次预测的发展，并提出了一种采用递归神经网络的分层体系结构，能够生成能够压缩感知动作序列的稀疏变化潜在状态。高层网络能预测潜在状态发生变化的情况。我们在仿真机器人操纵器上进行了实验，结果显示这个系统学习到了准确的数据事件结构，能够生成类似于婴儿眼追踪研究中发现的目标预期行为，并且为自主学习压缩层次编码和利用这些编码来生成自适应行为提供了新的方式。

Jun, 2022

本文提出了一种用于稀疏数据预测的新型模型 Neural Factorization Machine（NFM），将因子分解机（Factorization Machines，FM）中二阶特征交互的线性性与神经网络中高阶特征交互的非线性相结合，实验证明 NFM 在深度学习方法 Wide&Deep 和 DeepCross 的基础上，使用更浅的结构却提供更好的性能，在实际中更易于训练和调节。

Aug, 2017

提出了一种新方法，即检测特征交互来构建分层解释，从而可视化不同层级中单词和短语的组合方式，帮助用户理解黑匣子模型的决策过程，并在 LSTMs、CNNs 和 BERTs 三个神经文本分类器的两个基准数据集上进行了评估，通过自动和人工评估实验证明此方法提供的解释既忠实于模型，又易于解释。

Apr, 2020

该研究提出了一种神经网络模型，用于准确预测电子商务中的购物意愿，并通过可训练的向量空间模型协助解决了传统方法中需要大量特征工程所需的资源和时间消耗的问题，同时，多层循环神经网络也能够捕捉长期和短期事件依赖关系和关联，取得了 98％与先进技术相当、甚至超过先进技术的分类准确率，无需进行特定领域或数据集相关的特征工程。

Jul, 2018

本论文提出了一种基于深度神经网络的模型，名为 “有向超节点时间点过程 (Directed HyperNode Temporal Point Process)”，用于预测高阶有向交互作用，具有很高的效率并经过了大量实证研究。

Jan, 2023

本研究提出了一种新颖的、具有层级结构的半监督事件建模框架，结合序列潜变量模型和本体知识，通过一系列的结构化潜变量层对语义知识进行制导，成功提高事件建模的表现，并在两个数据集上的四种不同评估指标上均优于先前现有的最佳方法。

Dec, 2022

本文提出一种分解的分层变分自动编码器，能够在无监督的情况下从序列数据中学习分离和可解释的表征。该模型基于多尺度信息的分层结构，实现了针对不同潜变量集合的序列依赖先验和序列无关先验。通过在两个语音语料库上的实验，表明该模型能够通过操纵不同的潜变量集合来转换说话人或语言内容，并在说话人验证和自动语音识别任务中优于基线模型。

Sep, 2017

本文提出了基于神经张量分解的动态关系数据预测模型，该模型利用长短时记忆网络来刻画关系数据中的多维时间交互作用，并结合多层感知器结构学习不同潜在因素之间的非线性关系，实验证明该模型在评级预测和链接预测方面性能显著优于神经网络因子分解模型和其他传统方法。

Feb, 2018

利用机器学习等技术，将人类生活事件序列嵌入到一个单一的向量空间中，以预测包括早亡和人格特质在内的多种结果，从而为个性化干预提供了潜在机制。

Jun, 2023