联合对比学习与生成学习用于事件序列模型
机器学习
2024-12-24 v3
摘要
高质量的交易序列表示对于现代银行应用至关重要，包括风险管理、客户流失预测和个性化客户推荐。不同任务需要不同的表示特性：局部任务受益于捕捉客户当前状态，而全局任务依赖于通用行为模式。先前的研究表明，各种自监督方法能够产生更好地捕捉全局或局部特性的表示。本研究探讨了两种自监督学习技术的整合——实例级对比学习和基于在潜在空间中恢复被遮蔽事件的生成方法。组合方法创建了平衡局部和全局交易数据特性的表示。在多个公开数据集上进行的实验，聚焦于序列分类和下一事件类型预测，表明整合方法相较于单独方法取得了更优的性能，并展现了协同效应。这些发现表明，所提出的方法为推进金融领域的事件序列表示学习提供了一个稳健的框架。
引用
@article{arxiv.2408.09995,
title = {Uniting contrastive and generative learning for event sequences models},
author = {Aleksandr Yugay and Alexey Zaytsev},
journal= {arXiv preprint arXiv:2408.09995},
year = {2024}
}