基于序列卷积网络的Twitter情感分类

为解决传统用于文本分类等时序性问题的循环神经网络无法留住长远记忆及模型框架复杂的问题,提出一种基于序列卷积神经网络的分类模型。利用卷积的思想处理时序性问题,将因果卷积和扩张卷积结合作为卷积层来保证网络具有足够大的感受野,应用残差模块和批处理加深神经网络并消除层数增加误差增大和模型难训练的问题,用卷积层代替全连接层以改善网络特征选取的局限性。实验结果表明,序列卷积分类模型用于Twitter情感分类任务中可获得更优的分类效果,验证了卷积网络的思想可以处理时序性问题。

基于淘宝广告数据的点击概率预估模型研究

提出一种将压缩交互网络、因子分解机模型和神经网络3种模型相结合构成的因子交互全连接网络预估模型预测淘宝广告数据中用户对广告的点击概率.利用TensorFlow搭建整个算法模型,并使用淘宝广告展示数据集进行训练.最终训练出的模型可以得到数据中用户对任意一条广告的点击概率.采用曲线下面积(AUC)与对数损失函数(Logloss)值作为模型的评价指标,得到的结果与LR、FM、DeepFM等点击概率预估模型进行对比,AUC值提高了0.05,Logloss值降低了0.04,效果得到明显提升.