BiLSTM
双向长短期记忆网络，能同时利用过去和未来的上下文信息捕捉时间序列前后依赖，常与Transformer结合用于金融预测等序列建模任务。
时间轴 (近 90 天)
量子推荐器与BiLSTM基线在同一数据集和同一目标函数下进行了基准测试，两个模型在相似度学习任务上达到可比性能，但量子模型仅需47k参数，BiLSTM需要17.8M参数，前者约为后者的1/379。
当BiLSTM被限制到与量子模型匹配的参数预算时，性能大幅下降，平均精度均值（MAP）下滑了3.63个百分点。
开发者构建的短期BTC/USDT价格方向预测系统采用Transformer架构结合BiLSTM和交叉注意力机制，训练样本约150万条，模型方向准确率约60%，相比约52%的基线有明显提升。
双向LSTM同时从左到右和从右到左扫描文本，将两个方向的隐藏状态拼接后送入分类头
该模型使用堆叠的多核卷积将句子级嵌入组合成句间表示，用双向LSTM建模跨度较长的依赖关系
2019年前后的NLP模型（如CRF、BiLSTM）参数量通常在千到万级别，主要用于序列标注、意图识别等特定任务
全部知识事实 (6)
量子推荐器与BiLSTM基线在同一数据集和同一目标函数下进行了基准测试，两个模型在相似度学习任务上达到可比性能，但量子模型仅需47k参数，BiLSTM需要17.8M参数，前者约为后者的1/379。
50%待验证当BiLSTM被限制到与量子模型匹配的参数预算时，性能大幅下降，平均精度均值（MAP）下滑了3.63个百分点。
50%待验证开发者构建的短期BTC/USDT价格方向预测系统采用Transformer架构结合BiLSTM和交叉注意力机制，训练样本约150万条，模型方向准确率约60%，相比约52%的基线有明显提升。
50%待验证双向LSTM同时从左到右和从右到左扫描文本，将两个方向的隐藏状态拼接后送入分类头
50%待验证该模型使用堆叠的多核卷积将句子级嵌入组合成句间表示，用双向LSTM建模跨度较长的依赖关系
50%待验证2019年前后的NLP模型（如CRF、BiLSTM）参数量通常在千到万级别，主要用于序列标注、意图识别等特定任务
50%