随着各种创新技术的不断涌现，消费者对金融需求愈加多元化。同时，作为依赖数据决策的特殊行业，金融行业对新技术也有着诸多要求。作为一家创新驱动型的金融科技企业，度小满积极布局预训练模型等前沿技术领域，以创新技术助推金融行业发展。近期，CIKM公布录用结果，度小满三篇文章入选，展现了其在创新技术领域的雄厚实力。
度小满深耕前沿技术，围绕先进技术撰写文章被CIKM录用
近日，第31届ACM信息与知识管理国际会议(The 31th ACM International Conference on Information and Knowledge Management，CIKM 2022)公布录用结果，度小满AI Lab的三篇文章被录用。这次被录用的三篇论文，分别在预训练模型、用户表示、序列建模等NLP任务相关算法上取得突破性进展。
其中，用于专家发现任务的ExpertBert模型，弥合了预训练目标与下游建模任务的差距，能够精准识别潜在的信贷需求;ENEF模型，基于非采样策略进行专家发现，增强了问题和用户表示的鲁棒性和稳定性，成为CQA领域兼具性能与效率的最优方法;DeepVT模型，全面有效地捕捉和融合视图和时序模式，使小微客群的行为预测更精准。
度小满聚焦金融行业，三篇论文为行业发展提供新思路
以下是三篇论文内容速览：
ExpertBert：用户粒度预训练框架，快速匹配高质量回答
论文题目：ExpertBert: Pretraining Expert Finding
度小满团队提出的专家发现预训练语言模型ExpertBert，在预训练阶段有效地在统一了文本表示、用户建模和下游任务，能够使预训练目标更接近下游任务，在CQA用户表示方面做出了开创性贡献。
据悉，ExpertBert是第一个在CQA领域探索专家发现预训练语言模型的方法，且在真实数据集上证明了模型的有效性和性能的优越性。目前，该方法已在度小满信贷获客场景中开展使用，其头部用信人数的召回相对提升了超10%。
ENEF：高性能、低计算复杂度的「非采样」专家发现模型
论文题目：Efficient Non-sampling Expert Finding
ENEF可以从所有数据样本中更新模型参数，增强问题和专家表示的稳健性和准确性。值得注意的是，与大多数复杂神经网络方法相比，ENEF使用基础框架和少量参数，达到了更高的训练效率。经对比实验验证，是当前CQA非抽样专家发现模型中，性能最好且训练效率更高的最优方法。
DeepVT：视图与时序模式交互，全面、精准预测用户画像
论文题目：Deep View-Temporal Interaction Network for News Recommendation
DeepVT模型主要关注于用户建模的视图级信息，有效解决了用户画像建模中仅关单一的视图交互或时序信息的问题。该模型构建了2D半因果卷积神经网络(SC-CNN)和多算子注意力(MoA)两个模块。其中，前者可以同时高效地合成视图级别的交互信息和项目级别的时间信息;而后者在自注意力函数中综合不同的相似算子，可以避免注意力偏差，增强鲁棒性。
度小满不断加强创新技术研究，在多个前沿技术领域持续取得新突破。本次三篇论文入围CIKM，不仅展现了度小满的技术实力，也为今后加快创新技术研究提供了有利基础。未来，度小满等企业将继续瞄准数字金融服务新蓝海，以创新科技引领金融行业升级。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
