一类积分微分方程初值问题的正解

本文讨论了初值问题ｘ’＝ｇ（ｔ，ｘ，Ｔｘ），ｘ（０）＝ｘ０的正解的存在性。     

融合跳转关系和用户偏好的新闻热度预测

互联网时代的到来使新闻更新频率加快、传播范围更广,为了迅速控制不良信息、加强互联网信息治理,构建模型预测新闻未来热度具有重要意义.文章聚焦新闻间关系的挖掘,在适度融合用户偏好信息的前提下,提出了一种融合跳转关系和用户偏好的新闻热度预测方法.该方法首先结合新闻内容和历史跳转概率生成新闻跳转关系网络,并使用文章提出的多任务图卷积矩阵补全模型MGCMC (multi-task graph convolutional matrix completion)对分布稀疏且不平衡的跳转概率矩阵进行预测,以获得未来的新闻跳转关系网络特征,当新闻平台推荐给用户一组处于传播状态的新闻时,结合用户个性化偏好预测其点击行为,最终获得新闻热度.基于真实用户-新闻交互数据集Mind的实验结果表明,MGCMC相比现有的矩阵补全和不平衡预测模型表现更佳,能更准确地预测用户-新闻点击行为,并更准确发现热度较高的新闻.     

网络广告点击率预估的特征学习及技术研究进展

大数据时代有效预估网络广告点击率,对企业精准营销和提高投资回报率具有至关重要的作用。对网络广告点击率预估的特征学习及技术研究进行了综述,从原始数据特点及解决方法、点击率预估的特征学习、点击率预估模型构建、评价指标选取等方面,分析了网络广告点击率预估的国内外研究现状。点击率预估可应用于互联网广告投放、推荐系统等多个领域,具有较高的研究价值。     

LSTM的季节性注意力及在文本情感分类中的应用

长短期记忆网络(LSTM)在序列建模中存在梯度消失的情况,其降低了模型在时序预测任务尤其是中长期多步预测中的精度,同时降低了模型对于序列上下文中关键信息的注意力.梯度消失的根本原因在于LSTM的门控记忆机制对在循环层反向传播的梯度失去控制,故考虑对循环层的门控单元结构进行调整,并专门对于含有特定成分(如季节成分)的序列进行训练使改进后LSTM模型在序列预测任务中具备针对季节性成分的注意力.文章研究在LSTM模型的基础上采用将已有的单支路的遗忘门调整为具有双支路的季节门,并引入输入序列的极差作为划分支路的选通器的方法,改进得到季节型LSTM (S-SLTM).经实验,在英文电影评论IMDB的文本二分类情感分析中,单层的S-LSTM较单层LSTM的预测准确率提升了9.8%.     

面向社会关系网络的数字金融欺诈检测研究进展

在金融科技兴起的新时代,数字技术是金融业未来发展的核心驱动力,基于数字技术的欺诈检测成为新的研究热点。金融欺诈检测技术研究由传统的提升专家经验、优化机器学习模型转向探索面向社会关系网络的图机器学习方法。聚焦社会关系网络,基于网络分析的发展历程,从检测异常个人、可疑团伙和不良中介3类主体的视角,对金融欺诈检测的核心工作、典型应用进行了综述;归纳分析了面向社会关系网络不同类别的数字金融欺诈检测技术;并给出了面向社会关系网络的数字金融欺诈检测研究的发展趋势和方向。     

网络广告点击率预估的特征学习及技术研究进展

大数据时代有效预估网络广告点击率,对企业精准营销和提高投资回报率具有至关重要的作用。对网络广告点击率预估的特征学习及技术研究进行了综述,从原始数据特点及解决方法、点击率预估的特征学习、点击率预估模型构建、评价指标选取等方面,分析了网络广告点击率预估的国内外研究现状。点击率预估可应用于互联网广告投放、推荐系统等多个领域,具有较高的研究价值。     

图嵌入算法研究进展

图嵌入算法是将高维网络信息映射至低维后用实数向量表示的一种方法,用于解决推荐系统、社区发现及节点分类等。近年来,随着科技的进步,图数据呈现海量、异构、高维、多模态等特点,机器学习等人工智能算法对高性能的图嵌入算法的需求日益增加,图嵌入已成为国内外人工智能领域的研究热点之一。对图嵌入算法的研究进展、技术原理及基础理论进行了综述,系统概述了已有的主流图嵌入算法,包括基于降维方法的图嵌入、基于矩阵分解的图嵌入、基于网络拓扑结构的图嵌入、基于神经网络的图嵌入、基于生成式对抗网络的图嵌入和基于超图网络的图嵌入,对这些算法进行了分析与比较,并给出了相应的应用场景;归纳总结了常用的测试数据集及其评价标准;最后,展望了图嵌入算法的研究趋势和方向。