Apr, 2024

金融交易数据的通用表示：涵盖本地、全球和外部环境

PDF
TL;DR银行数据分析中，有效处理金融交易对于银行业务至关重要。本文提出了一种表示学习框架，用于解决多样化的业务挑战，同时提出了考虑数据特定性的新型生成模型，并提供了一种整合客户表示和外部信息的方法，从其他客户的行为中获取洞察力。最后，我们提供了一个基准，全面描述了整个交易历史的表示质量、反映客户当前状态的本地表示质量以及捕捉表示随时间演变的动态表示质量。我们的生成方法在本地任务中表现出优越的性能，对于下一步的 MCC 预测任务，ROC-AUC 增加了 14％，对于现有对比基线的下游任务，增加了 46％。整合外部信息可以额外提高 20％的分数。
发现论文，激发创造
  • DeepTrax: 金融交易图嵌入

    本文使用图形嵌入方法将信用卡交易的账户和商家实体嵌入到欧氏向量空间中，并展示了这些嵌入可以用于欺诈检测等机器学习业务应用。

    Jul, 2019

  • 为迁移学习学习更通用的表示

    本文提出两种方法，并基于多元化训练问题提出了一种统一框架来改善普适性，同时提出了新的评估普适性的指标，并运用转移学习方案，在 10 个问题上验证了其效果与价值。

    Dec, 2017

  • 关于学习结构化表示的泛化

    本文旨在研究用结构性表示学习的方法，具体分为解缠结表示与面向对象表示两个方向，以实现从非结构化数据中提取潜在结构信息的目的，同时还探讨了该方法对预训练表示和下游任务泛化能力的提升以及其对于大规模数据的高效表征学习的应用。

    Apr, 2023

  • 通用用户表示的迁移学习

    我们提出了一个新颖的框架，用于大规模推荐系统中用户的表示，旨在以一种广义的方式有效地表示多样化的用户喜好。我们的方法采用了一种两阶段的方法，结合表示学习和迁移学习。表示学习模型使用自编码器将各种用户特征压缩成表示空间。在第二阶段，特定于任务的下游模型通过迁移学习利用用户表示，而不是单独地整理用户特征。我们进一步改进了这种方法的输入特征，以增加灵活性并实现对用户事件（包括新用户体验）的近实时反应。此外，我们提出了一种新的解决方案，以管理此框架在生产模型中的部署，允许下游模型独立工作。我们通过大规模系统中的严格离线和在线实验验证了我们框架的性能，展示了其在多个评估任务中的显着功效。最后，我们展示了所提出的框架如何显著降低基础设施成本，相比于其他方法。

    Mar, 2024

  • 走向基础采购模型：事务序列上的预训练生成自回归

    通过生成预训练方法，获得金融交易的上下文嵌入表示，以提高卡片欺诈检测问题的价值检测率，并在不同领域中得到很好的迁移效果。

    Jan, 2024

  • 表示形式作为语言：一个信息论解释的框架

    通过一种新颖的可解释性方法，该论文使用信息论度量量化了神经模型对输入的表示的结构化程度，从而预测模型的泛化能力，并发现模型的代表性和噪声强度有关。此外，研究还研究了模型大小对表示空间结构的影响。

    Jun, 2024

  • 通向神经隐式表征的泛化

    通过多任务学习，训练神经隐式表示以在重建、分类和语义分割任务上实现功能丰富的编码。

    Jan, 2021

  • 基于自编码器的通用目标表示学习方法用于客户嵌入

    利用自动编码器构建通用嵌入框架，针对复杂的表格数据进行表征学习，提出改进的重构误差计算方法，得到更好的重构质量。

    Feb, 2024

  • 电子商务推荐系统的 One4all 用户表示

    本研究通过构建模型 ShopperBERT 对九个预训练任务训练得出的预训练嵌入进行广泛的下游任务如用户画像、定向和推荐等方面的有效应用，并与从零开始的学习策略进行了比较，结果表明前者的优势明显，尤其针对冷启动问题。

    May, 2021

  • 从多种电商任务中学习通用用户表示，深入了解你的用户

    该论文提出了一种名为 Deep User Perception Network（DUPN）的方法，通过采用 LSTM 和注意力机制来建模用户行为序列，学习不同任务通用的用户表示，以达到更加有效的个性化推荐，离线和在线实验结果表明 DUPN 在五个不同的任务上都表现出 better results，Taobao 上的大规模操作任务也得到了部署。

    May, 2018