CN116415121A - 一种基于不完整多视角聚类的金融缺失数据填补方法 - Google Patents
一种基于不完整多视角聚类的金融缺失数据填补方法 Download PDFInfo
- Publication number
- CN116415121A CN116415121A CN202111601207.0A CN202111601207A CN116415121A CN 116415121 A CN116415121 A CN 116415121A CN 202111601207 A CN202111601207 A CN 202111601207A CN 116415121 A CN116415121 A CN 116415121A
- Authority
- CN
- China
- Prior art keywords
- data
- view
- missing
- missing data
- filling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012217 deletion Methods 0.000 abstract description 3
- 230000037430 deletion Effects 0.000 abstract description 3
- 238000007418 data mining Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2365—Ensuring data consistency and integrity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computer Security & Cryptography (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于不完整多视角聚类的金融缺失数据填补方法，包括通过对缺失多视角数据预处理并区分完整和缺失数据；通过自编码器构建多个视角的自表示；以最大化视角间的互信息和最小化视角内的条件熵，进行对比学习获得多视角的一致表示，以此聚类；通过高斯正态分布来对视角之间进行预测，填补潜在缺失数据，优化自表示结果；依据聚类簇分成多类，对每类样本中完整的各个属性，数值型取平均值、字符型取众数进行缺失填补。本发明所述方法能够实现面对多视角数据缺失情况下数据填补，具备较好的聚类效果和可解释性，能够以满足实用性能要求。
Description
技术领域
本发明涉及缺失数据填补技术领域，特别是一种基于不完整多视角聚类的金融缺失数据填补方法。
背景技术
现实生活中小微型企业在上传企业数据时或因企业意愿、企业隐私、传输失误等原因导致企业数据的大量缺失，大数据公司在面对其严重缺失数据，无法进行有效的数据挖掘。缺失数据的处理是数据挖掘领域进行数据预处理的一个重要问题。在实际数据分析中，经常遇到数据缺失问题，缺失数据的填补对进一步数据挖掘有着重要意义。由于缺失数据分布随机，缺失程度不一，传统的缺失数据填补方法还存在一些不足。①对多视角数据未能够很好地利用视角之间的联系；②与缺失数据相关的有价值的知识往往被忽略了。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有的缺失信息填补方法中存在的问题，提出了本发明。
因此，本发明所要解决的问题在于提供一种基于不完整多视角聚类的金融缺失数据填补方法。
为解决上述技术问题，本发明提供如下技术方案：一种基于不完整多视角聚类的金融缺失数据填补方法，其包括，
通过对缺失多视角数据预处理并区分完整和缺失数据；
通过自编码器构建多个视角的自表示；
以最大化视角间的互信息和最小化视角内的条件熵，进行对比学习获得多视角的一致表示，以此聚类；
通过高斯正态分布来对视角之间进行预测，填补潜在缺失数据，优化自表示结果；
依据聚类簇分成多类，对每类样本中完整的各个属性，数值型取平均值、字符型取众数进行缺失填补。
作为本发明所述基于不完整多视角聚类的金融缺失数据填补方法的一种优选方案，其中：所述缺失多视角数据预处理包括清洗金融企业信息，去除噪声数据，包括inf/inf0/-inf异常数据、无关特征等，保留相对完整数据信息进行缺失填补。
作为本发明所述基于不完整多视角聚类的金融缺失数据填补方法的一种优选方案，其中：所述不完整多视角聚类，经过预处理后，多视角数据集仍不完整，记不完整多视角数据集为
其中，
表示第i个样本的第v个视角。
作为本发明所述基于不完整多视角聚类的金融缺失数据填补方法的一种优选方案，其中：为区分完整数据和缺失数据，引入一个指示矩阵Mask，可记为
如果视角内数据为空，则Mask＝0，否则Mask＝1，对于缺失的数据暂时用0填补，进行多视角聚类。
作为本发明所述基于不完整多视角聚类的金融缺失数据填补方法的一种优选方案，其中：采用所述自编码器，学习多个视角潜在表示，所述视角潜在表示记为
将高维的数据特征用一个低维的特征来表示。
作为本发明所述基于不完整多视角聚类的金融缺失数据填补方法的一种优选方案，其中：利用高斯分布作为一个参数化模型，在一个由神经网络参数化的潜在空间中，视角特定表示将由另一个通过最小化熵H(Zi|Zj))来预测填补。
作为本发明所述基于不完整多视角聚类的金融缺失数据填补方法的一种优选方案，其中：将预测填补得到的完整数据进行一致性学习。
作为本发明所述基于不完整多视角聚类的金融缺失数据填补方法的一种优选方案，其中：互信息I(Z1,Z2)量化了共享的信息的数量，为了学习一致表示，
其中，将I(Z1,Z2)最大化，将H(Z1|Z2)最小化。
作为本发明所述基于不完整多视角聚类的金融缺失数据填补方法的一种优选方案，其中：通过将所有所述视角特定表示连接在一起而获得的公共表示，进一步输入到k-means中，获得聚类标签。
作为本发明所述基于不完整多视角聚类的金融缺失数据填补方法的一种优选方案，其中：基于所述聚类标签，依据类以统计学均值法对缺失数据进行填补。
本发明有益效果为：本发明所述方法能够实现面对多视角数据缺失情况下数据填补，具备较好的聚类效果和可解释性，能够以满足实用性能要求。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为基于不完整多视角聚类的金融缺失数据填补方法的聚类填补框架图。
图2为基于不完整多视角聚类的金融缺失数据填补方法的多视角聚类流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1，为本发明第一个实施例，该实施例提供了一种基于不完整多视角聚类的金融缺失数据填补方法。
通过对缺失多视角数据预处理并区分完整和缺失数据；
通过自编码器构建多个视角的自表示；达到视角内重构的目的；
以最大化视角间的互信息和最小化视角内的条件熵，进行对比学习获得多视角的一致表示，以此聚类；实现视角间对比学习；
通过高斯正态分布来对视角之间进行预测，填补潜在缺失数据，优化自表示结果；达到视角间双预测的目的；
依据聚类簇分成多类，对每类样本中完整的各个属性，数值型取平均值、字符型取众数进行缺失填补。
由于多视角数据之间具有潜在的一致性和互补性，通过不完整多视角聚类，在不借助标签的情况下学习不同视角之间的信息一致表示，并借用视角间的互补性，可以获得更为优异的聚类标签，最终根据聚类标签通过均值法，对确失数据填补，获得完整数据。
基于不完整多视角聚类对缺失数据进行填补可以应用于开展普惠金惠信贷服务的大数据公司用于对小微型企业的缺失数据预测。
现实生活中小微型企业在上传企业数据时或因企业意愿、企业隐私、传输失误等原因导致企业数据的大量缺失，大数据公司在面对其严重缺失数据，无法进行有效的数据挖掘。
与此同时随着数据量的增加，我们可以获取的数据也越来越多，多视角数据由此产生。多视角数据可以理解为对同一物体从不同视角观察获得的数据，对于企业，我们可以从企业的管理能力，还款能力、创新能力等不同视角来对企业缺失视角进行填补。
我们采用的是利用无监督机器学习的聚类方法对数据进行填补，其中最简单的方法采用K最近距离邻法(K-means clustering)，通过K均值的聚类方法将所有样本进行聚类划分，再通过划分的种类的均值对各自类中的缺失值进行填补。本质是通过找相似来填补缺失值。因为类间和类内的特性都可能有很大的差异，且不适用于多视角数据，没有考虑到多视角之间的相关性。
多视角聚类旨在利用不同信息之间的一致性和互补性，展现出更好的聚类效果。相对于现有技术，多视角聚类可更有效地增强不同视角间的缺失数据增益，提高预测性能。
综上所述，在使用时，通过对缺失多视角数据预处理并区分完整和缺失数据后，采用自编码器降维保留重要特征，通过对比学习以最大化视角间信息熵、最小化视角内条件熵来得到一致表示，进一步聚类；最后，基于聚类标签，依据类以统计学均值法对缺失数据进行填补。
实施例2
参照图2，为本发明第二个实施例，该实施例基于第一个实施例。
基于不完整多视角聚类对缺失数据进行填补可以应用于开展普惠金惠信贷服务的大数据公司用于对小微型企业的缺失数据预测。
随着数据量的增加，我们可以获取的数据也越来越多，多视角数据由此产生。多视角数据可以理解为对同一物体从不同视角观察获得的数据，对于企业，我们可以从企业的管理能力，还款能力、创新能力等不同视角来对企业缺失视角进行填补。
对于金融企业数据数据缺失不可避免，同时视角与视角之间有着较强的相关性，因此面对这种实际情况非常适用不完整多视角聚类的相关技术，来实现数据聚类。
针对金融数据，从缺失分布来看可以视为随机缺失，即数据的缺失依赖于其他完全变量，如财务数据缺失情况与企业大小有关。
具体的，所述缺失多视角数据预处理包括清洗金融企业信息，去除噪声数据，包括inf/inf0/-inf异常数据、无关特征等，保留相对完整数据信息进行缺失填补。
进一步的，所述不完整多视角聚类，经过预处理后，多视角数据集仍不完整，记不完整多视角数据集为
其中，
表示第i个样本的第v个视角。
较佳的，为区分完整数据和缺失数据，引入一个指示矩阵Mask，可记为
如果视角内数据为空，则Mask＝0，否则Mask＝1，对于缺失的数据暂时用0填补，进行多视角聚类。
进一步的，采用所述自编码器，学习多个视角潜在表示，达到降维的目的，所述视角潜在表示记为
将高维的数据特征用一个低维的特征来表示；自编码器学习其典型特征。
优选的，利用高斯分布作为一个参数化模型，在一个由神经网络参数化的潜在空间中，视角特定表示将由另一个通过最小化熵H(Zi|Zj))来预测填补，达到预测填补的目的。
较佳的，将预测填补得到的完整数据进行一致性学习。
进一步的，互信息I(Z1,Z2)量化了共享的信息的数量，为了学习一致表示，
将I(Z1,Z2)最大化以获取视角之间关系信息，将H(Z1|Z2)最小化将抛弃不一致的信息。
具体的，通过将所有所述视角特定表示连接在一起而获得的公共表示，进一步输入到k-means中，以获得聚类标签。
进一步的，基于所述聚类标签，依据类以统计学均值法对缺失数据进行填补。
综上所述，在使用时，通过对缺失多视角数据预处理并区分完整和缺失数据后，采用自编码器降维保留重要特征，通过对比学习以最大化视角间信息熵、最小化视角内条件熵来得到一致表示，进一步聚类；最后，基于聚类标签，依据类以统计学均值法对缺失数据进行填补；多视角聚类利用不同信息之间的一致性和互补性，展现出更好的聚类效果。
在不完整多视角聚类方面，相对于基于矩阵分解的IMC、基于谱聚类的IMC和基于核学习的IMC等现有技术，我们的方法采用自动编码器结合生成对抗网络的思想，通过自编码器融合多视角信息，来学习获得多视角的公共表征，它综合了多个视角的一致性和互补性。将解码器作为生成器来生成缺失数据，同时增加鉴别器来鉴别原数据与生成数据，与生成器进行对抗，以此学习到一个良好的生成解码器填补信息，最后在填补完整的数据上进行编码聚类，通过填充和聚类的交替迭代来达到一个好的聚类结果。多视角聚类可更有效地增强不同视角间的缺失数据增益，提高预测性能。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于不完整多视角聚类的金融缺失数据填补方法，其特征在于：包括，
通过对缺失多视角数据预处理并区分完整和缺失数据；
通过自编码器构建多个视角的自表示；
以最大化视角间的互信息和最小化视角内的条件熵，进行对比学习获得多视角的一致表示，以此聚类；
通过高斯正态分布来对视角之间进行预测，填补潜在缺失数据，优化自表示结果；
依据聚类簇分成多类，对每类样本中完整的各个属性，数连续数据取平均值、离散数据取众数进行缺失填补。
2.如权利要求1所述的基于不完整多视角聚类的金融缺失数据填补方法，其特征在于：所述缺失多视角数据预处理包括清洗金融企业信息，去除噪声数据，包括inf/inf0/-inf异常数据、无关特征等，保留相对完整数据信息进行缺失填补。
3.如权利要求1或2所述的基于不完整多视角聚类的金融缺失数据填补方法，其特征在于：所述不完整多视角聚类，经过预处理后，多视角数据集仍不完整，记不完整多视角数据集为
其中，
表示第i个样本的第v个视角。
4.如权利要求3所述的基于不完整多视角聚类的金融缺失数据填补方法，其特征在于：为区分完整数据和缺失数据，引入一个指示矩阵Mask，可记为
如果视角为空，则Mask＝0，否则Mask＝1，对于缺失的数据暂时用0填补，进行多视角聚类。
5.如权利要求1、2或4任一所述的基于不完整多视角聚类的金融缺失数据填补方法，其特征在于：采用所述自编码器，学习多个视角潜在表示，所述视角潜在表示记为
将高维的数据特征用一个低维的特征来表示。
6.如权利要求5所述的基于不完整多视角聚类的金融缺失数据填补方法，其特征在于：利用高斯分布作为一个参数化模型，在一个由神经网络参数化的潜在空间中，视角特定表示将由另一个通过最小化熵H(Zi|Zj))来预测填补。
7.如权利要求6所述的基于不完整多视角聚类的金融缺失数据填补方法，其特征在于：将预测填补得到的完整数据进行一致性学习。
8.如权利要求6或7所述的基于不完整多视角聚类的金融缺失数据填补方法，其特征在于：互信息I(Z1,Z2)量化了共享的信息的数量，为了学习一致表示，
其中，将I(Z1,Z2)最大化，将H(Z1|Z2)最小化。
9.如权利要求8所述的基于不完整多视角聚类的金融缺失数据填补方法，其特征在于：通过将所有所述视角特定表示连接在一起而获得的公共表示，进一步输入到k-means中，获得聚类标签。
10.如权利要求9所述的基于不完整多视角聚类的金融缺失数据填补方法，其特征在于：基于所述聚类标签，依据类以统计学均值法对缺失数据进行填补。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111601207.0A CN116415121B (zh) | 2021-12-24 | 2021-12-24 | 一种基于不完整多视角聚类的金融缺失数据填补方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111601207.0A CN116415121B (zh) | 2021-12-24 | 2021-12-24 | 一种基于不完整多视角聚类的金融缺失数据填补方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116415121A true CN116415121A (zh) | 2023-07-11 |
| CN116415121B CN116415121B (zh) | 2024-04-19 |
Family
ID=87049666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111601207.0A Active CN116415121B (zh) | 2021-12-24 | 2021-12-24 | 一种基于不完整多视角聚类的金融缺失数据填补方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116415121B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117523244A (zh) * | 2023-10-31 | 2024-02-06 | 哈尔滨工业大学（威海） | 一种多视图聚类方法、系统、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180165554A1 (en) * | 2016-12-09 | 2018-06-14 | The Research Foundation For The State University Of New York | Semisupervised autoencoder for sentiment analysis |
| CN110135520A (zh) * | 2019-05-27 | 2019-08-16 | 哈尔滨工业大学（深圳） | 基于图补全和自适应视角权重分配的不完备多视角聚类方法、装置、系统及存储介质 |
| CN111368254A (zh) * | 2020-03-02 | 2020-07-03 | 西安邮电大学 | 多流形正则化非负矩阵分解的多视角数据缺失补全方法 |
| CN113705603A (zh) * | 2021-07-12 | 2021-11-26 | 北京邮电大学 | 不完整多视角数据的聚类方法、电子设备 |
-
2021
- 2021-12-24 CN CN202111601207.0A patent/CN116415121B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180165554A1 (en) * | 2016-12-09 | 2018-06-14 | The Research Foundation For The State University Of New York | Semisupervised autoencoder for sentiment analysis |
| CN110135520A (zh) * | 2019-05-27 | 2019-08-16 | 哈尔滨工业大学（深圳） | 基于图补全和自适应视角权重分配的不完备多视角聚类方法、装置、系统及存储介质 |
| CN111368254A (zh) * | 2020-03-02 | 2020-07-03 | 西安邮电大学 | 多流形正则化非负矩阵分解的多视角数据缺失补全方法 |
| CN113705603A (zh) * | 2021-07-12 | 2021-11-26 | 北京邮电大学 | 不完整多视角数据的聚类方法、电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| JIE WEN EL.: ""Unified Tensor Framework for Incomplete Multi-view Clustering and Missing-view Inferring"", 《AAAI-21 TECHNICAL TRACKS 11 》 * |
| 黄裕;: "基于多视角缺失补全算法的数据挖掘研究", 计算技术与自动化, no. 02 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117523244A (zh) * | 2023-10-31 | 2024-02-06 | 哈尔滨工业大学（威海） | 一种多视图聚类方法、系统、电子设备及存储介质 |
| CN117523244B (zh) * | 2023-10-31 | 2024-05-24 | 哈尔滨工业大学（威海） | 一种多视图聚类方法、系统、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116415121B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230154177A1 (en) | Autoregression Image Abnormity Detection Method of Enhancing Latent Space Based on Memory | |
| CN109639739A (zh) | 一种基于自动编码器网络的异常流量检测方法 | |
| CN107908963A (zh) | 一种自动化检测恶意代码核心特征方法 | |
| CN110517329A (zh) | 一种基于语义分析的深度学习图像压缩方法 | |
| EP1173816B1 (en) | Fast clustering with sparse data | |
| CN116415121B (zh) | 一种基于不完整多视角聚类的金融缺失数据填补方法 | |
| Lu et al. | Image processing and image mining using decision trees. | |
| CN113194094B (zh) | 一种基于神经网络的异常流量检测方法 | |
| An et al. | Deep domain adaptation model for bearing fault diagnosis with domain alignment and discriminative feature learning | |
| CN112199957A (zh) | 基于属性和关系信息联合嵌入的人物实体对齐方法及系统 | |
| CN116680343A (zh) | 基于融合多模态信息的实体和关系表示的链接预测方法 | |
| CN111782804A (zh) | 基于TextCNN同分布文本数据选择方法、系统及存储介质 | |
| CN113656700A (zh) | 基于多相似度一致矩阵分解的哈希检索方法 | |
| Lee | Deep learning-based detection of tax frauds: an application to property acquisition tax | |
| CN112581431B (zh) | 一种基于内容保持与注意力机制的从超声诊断报告生成超声图像的方法 | |
| CN110768864B (zh) | 一种网络流量批量生成图像的方法及装置 | |
| CN115460061B (zh) | 基于智能运维场景的健康度评价方法及装置 | |
| CN115104109A (zh) | 用遗传程序设计创建通用积木块 | |
| He et al. | Salient region segmentation | |
| CN116108127A (zh) | 一种基于异构图交互和掩码多头注意力机制的文档级事件抽取方法 | |
| CN116226658A (zh) | 基于不可学习噪声生成器的深度学习数据集知识产权保护算法 | |
| CN115599917A (zh) | 基于改进蝙蝠算法的文本双聚类方法 | |
| CN115510248A (zh) | 基于深度学习的人员行为特征知识图谱构建与分析方法 | |
| Ruff | Deep one-class learning: a deep learning approach to anomaly detection | |
| CN110109994B (zh) | 包含结构化和非结构化数据的汽车金融风控系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |