随着现代科技的飞速发展，大数据、云计算、区块链等信息技术逐渐应用于金融产业链，通过金融业务与信息技术深度融合，实现了金融服务模式的优化和金融职能边界的拓展。度小满一直注重技术创新，在预训练模型、用户表示、序列建模等创新技术领域皆有布局。近日，度小满关于创新技术研究的三篇文章被CIKM录用，持续以前沿技术助推金融产业创新变革。

度小满深耕创新技术，三篇文章入选CIKM

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。

度小满加强技术布局，推动金融产业创新发展

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。

度小满三篇论文被CIKM录用，展现了度小满在前沿技术领域的雄厚实力。未来，随着各项创新技术不断成熟，创新技术也将为金融产业发展注入活力，打造全新的金融发展格局，为用户带来全新的金融服务体验。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。

责任编辑：kj005