赵敬涛，赵泽方，岳兆娟，李俊*

TenrepNN：集成学习的新范式在企业自律性评价中的实践

赵敬涛1，2，赵泽方1，2，岳兆娟1，李俊1，2*

（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）（ ∗ 通信作者电子邮箱lijun@cnic.cn）

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。

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

0 引言

当今人们的生活与互联网的关系越来越密切，截至2022年6月，我国网民规模为10.51亿［1］。部分企业通过申请网络文化经营许可证在网络上经营或宣传。这类公司数量众多、经营自律性低、违规现象频发且调查取证难，这对政府在网络文化市场中监管企业提出了新的挑战［2］。……