计算机应用

作者：赵敬涛, 赵泽方, 岳兆娟, 李俊

单位：1.中国科学院 计算机网络信息中心，北京 100083；2.中国科学院大学 计算机科学与技术学院，北京 100049

关键词：企业自律性评价,集成学习范式,残差预测神经网络,显式偏差修正,互联网企业监管

基金：国家重点研发计划项目(2019YFB1405801)

为了应对互联网环境中企业自律性低、违规事件频发、政府监管困难的现状，提出一种针对企业自律性评价的双层集成残差预测神经网络（TenrepNN）模型，并融合Stacking和Bagging集成学习的思想提出一种集成学习的新范式Adjusting。TenrepNN模型具有两层结构：第1层使用3种基学习器初步预测企业评分；第2层采用残差修正的思想，提出残差预测神经网络以预测每个基学习器的输出偏差。最后，将偏差与基学习器评分相加得到最终输出。在企业自律性评价数据集上，相较于传统的神经网络，TenrepNN模型的均方根误差（RMSE）降低了2.7%，企业自律性等级分类准确率达到了94.51%。实验结果表明，TenrepNN模型集成不同的基学习器降低预测方差，并使用残差预测神经网络显式地降低偏差，从而能够准确评价企业自律性以实现差异化的动态监管。

来源：2023年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2023年第10期