在线消费信贷风险的神经学习

（4） 另一种方法是利用多视图机器的概念来捕捉不同动作组的交互（Cao等人，2016）。在这里，我们使用多视图机器层（Cao et al.2017）进行融合。该层显式地建模特征交互，以便在训练中更有效地获得非线性。此外，它还捕获从0到输入向量数量的全序交互。有关多视图机的理论和详细信息，请参阅Cao et al.（2016、2017）。该层的公式为Zi=（UF 1[li；1]） （UF 2【hoi，| Oi |；1】） （UF 3【hsi，| Si | 1】，（5）其中UF 1、UF 2和UF 3是用于融合的三个可训练因子矩阵。它们的形状分别为（dz，dl+1），（dz，dho+1）和（dz，dhs+1）。dhoanddhsar分别是顺序子序列和会话子序列的Tva LSTM中的隐藏单元数。Dzis图4：分层网络的体系结构。融合向量zi的维数。4.4层次网络在这一部分中，前面提到的组件被结合起来，以呈现针对复杂消费者行为提出的层次网络。该体系结构如图4所示。顺序子序列和会话子序列。这避免了将不同的行为组进行对齐的困难，这些行为具有不同的序列依赖性模式和发生频率。对于子序列oi和Si，编码如下所示，hoi，j=Tva LSTMo（hoi，j-1，oi，j），oi，j∈ Oihsi，j=Tva LSTMs（hsi，j-1，si，j），si，j∈ Si，（6）其中Hoi，j∈ Rdhandhsi，j∈ RDH是Tva LSTM单元的隐藏状态，Tva LSTMoandTva LSTMSTENOTE是用于顺序和会话子序列的两个Tva LSTM单元。最后一个隐藏状态shoi、| Oi |和hsi、| Si |以子序列soi和sia总结信息，因此被视为它们的最终表示。lihoi，| Oi | hsi，| Si |（5）。