تركز طرق تعلم الجهاز لتحليل المستندات المالية بشكل رئيسي على الجزء النصي.ومع ذلك، فإن الأجزاء العددية من هذه المستندات غنية أيضا بمحتوى المعلومات.من أجل تحسين تحليل النص المالي، يجب علينا أن نحقق المعلومات الرقمية في العمق.في ضوء ذلك، فإن الغرض من هذ
ا البحث هو تحديد الارتباط بين CASCTAG المستهدف والأرقام المستهدفة في التغريدات المالية، التي تعد أكثر تحديا من تحليل الأخبار والوثائق الرسمية.في هذا البحث، قمنا بتطوير نهج خلط متعدد النماذج يدمج تمثيلات تشفير ثنائية الاتجاه من المحولات (بيرت) والشبكة العصبية التنافعية (CNN).نحن أيضا ترميز معلومات التبعية خلف النص إلى النموذج لاستخلاص الميزات الكامنة الدلالية.تظهر النتائج التجريبية أن نموذجنا يمكنه تحقيق أداء رائع ومقارنات تفوق.
تم استخدام الشبكات العصبية السيامية على نطاق واسع لأداء تصنيف التشابه في إعدادات متعددة الطبقات.يمكن استخدام بنيةهم لجماعة التجارب السريرية التي تنتمي إلى نفس مسار تنمية المخدرات على طول المراحل المحاكمة السريرية العديدة.هنا نقدم نهجا للحاجة غير المل
باة لإعادة إعمار مسار تنمية المخدرات، استنادا إلى شبكة عميقة محسنة في العمل العصبي الهجين (Ensidnet).يوضح النموذج المقترح تحسنا كبيرا فوق خط الأساس في إعداد تقييم طلقة واحدة وفي إعداد التشابه الكلاسيكي.يمكن أن تكون Ensidnet أداة أساسية في بيئة تعليمية شبه إشراف: من خلال تحديد التجارب السريرية من المرجح أن تنتمي إلى نفس مسار تنمية المخدرات، من الممكن تسريع عملية وضع العلامات للخبراء البشريين، مما يسمح بفحص حجم متسقالبيانات، تستخدم كذلك في مجموعة بيانات التدريب.
