13、深度学习与自然语言处理在智能银行领域的应用与发展

深度学习与自然语言处理在智能银行领域的应用与发展

深度学习流行算法及其特性

深度学习领域存在多种流行算法，每种算法都有其独特的类型、输入数据类型和主要特性，具体如下表所示：
| 算法 | 类型 | 输入数据类型 | 主要特性 |
| — | — | — | — |
| 自动编码器 (AE) | 无监督 | 各种类型 | 降维、特征提取 |
| 卷积神经网络 (CNN) | 有监督 | 二维数据（如图像、音频等） | 降维、计算和视觉任务 |
| 循环神经网络 (RNN) | 有监督 | 序列、时间序列数据 | 适用于处理与时间相关数据的物联网应用 |
| 受限玻尔兹曼机 (RBM) | 有监督和无监督 | 各种类型 | 降维、特征提取和分类 |
| 深度信念网络 (DBN) | 有监督和无监督 | 各种类型 | 最适合层次特征发现，逐层贪婪训练网络 |
| 长短期记忆网络 (LSTM) | 有监督 | 序列、时间序列、长期依赖数据 | 处理长时间滞后数据表现良好 |
| 变分自动编码器 (VAE) | 半监督 | 各种类型 | 适用于标记数据稀缺的情况 |
| 生成对抗网络 (GAN) | 半监督 | 各种类型 | 由生成器和判别器组成，可处理噪声数据 |
| 梯式网络 | 半监督 | 各种类型 | 由两个编码器和一个解码器组成，可处理噪声数据 |

对于深度神经网络（DNN），目前对于其确切定义尚无明确共识。一般来说，具有多个隐藏层的网络被认为是深度网络，而层数众多的网络则被视为非常深度的网络。

深度自然语言处理（Deep - NLP）：一场革命