基于图深度学习的金融文本多标签分类算法

金融文本多标签分类算法可以根据用户需求在海量金融资讯中实现信息检索。为进一步提升金融文本标签识别能力,建模金融文本多标签分类中标签之间的相关性,提出基于图深度学习的金融文本多标签分类算法。图深度学习通过深度网络学习局部和全局的图结构特征,可以刻画节点之间的复杂关系。通过建模标签关联实现标签之间的知识迁移,是构造具有强泛化能力算法的关键。所提算法结合标签之间的关联信息,采用基于双向门控循环网络和标签注意力机制得到的新闻文本对应不同标签的特征表示,通过图神经网络学习标签之间的复杂依赖关系。在真实数据集上的实验结果表明,显式建模标签之间的相关性能够极大地增强模型的泛化能力,在尾部标签上的性能提升尤其显著,相比CAML、BIGRU-LWAN和ZACNN算法,该算法在所有标签和尾部标签的宏观F1值上最高提升3.1%和6.9%。     

一种求解混合整数非线性规划问题的混合优化方法

提出了一种适用于求解混合整数非线性规划(MINLP)方法(GA-SQP),针对确定型算法在NLP子问题复杂的情况下难以在有限时间内收敛的问题,将MINLP问题分解为一系列简单的NLP子问题,外层用遗传算法搜索最优的整数变量集,内层执行SQP算法解决NLP问题,相比传统的确定性算法,它能减少模型本身的非凸性,从而消除双线性项的求解困难,而相对于智能算法,它充分利用梯度信息,在求解NLP问题上具有明显的效率优势。在改进求解效率上,进一步引入存储机制,减少NLP重复求解从而加速收敛。最后以3个常用的测试函数和水处理网络问题为例,数值计算表明本文提出的方法搜索精度明显优秀于传统的确定型算法和启发式算法。