发轫于上世纪的神经网络方法,在长期的发展过程中,经过了大量的调整、改进和优化,终于在近几年取得了引人注目的成果,并逐渐为不同领域的学者所青睐,大范围流行了起来。针对不同领域的数据各自的特点,形态结构各异的神经网络模型被大量提出,并在各自的领域中取得了显著的效果提升。同时,神经网络的拟合能力也随着神经网络的加深而不断增加,许多通用的深度神经网络架构被提出,并作为骨架广泛应用于各种不同的任务中。在复杂的人类理解认知任务上,深度神经网络的发展日新月异,俨然已经成为默认的标准研究方向。但于此同时,作为生活中极为常见的一类预测任务——对列表数据的分类、回归预测任务,却似乎被深度学习方法所抛弃,仍然属于传统机器学习方法的自有领域。深度学习没有被应用于列表数据的原因可以大致归纳为两点:一方面来说,列表数据通常具有较小的数据量和特征维度。对于具有强大拟合能力甚至过拟合倾向的神经网络来说,小数据规模不利于深度神经网络模型的训练;另一方面,列表数据单个样本的特征通常由定长的特征向量构成,其特征值来源于从不同角度对样本进行观察和测量,因此不具有显著的时空局部相关性。这使得神经网络很难对列表数据进行针对性的结构设计,从而无法取得有效的预测效果。但与此同时,传统机器学习方法也并非这一领域的万能利器。传统机器学习方法通常对数据特征有较高的要求,需要专业的特征工程作为模型训练的前置步骤,并且单一方法一般仅针对某一类数据集有较好的效果。因此,应用传统方法不仅对研究人员有较高的要求,还增添了许多额外的开销。而神经网络的通用性和扩展性则为解决这一问题提供了潜在的可能性。基于以上内容,本文主要研究探索了如何将神经网络方法应用在列表数据上。首先,本文对具有重要的借鉴和对比意义的传统机器学习方法进行了讨论,同时详细考察了神经网络在发展过程中提出的不同技术手段,并综合分析了不同方法和技术应用于列表数据分析预测的可行性;其次,作者基于现有的理论方法,提出了适合于列表数据的卷积神经网络模型,并设计了多种用于实验对比的全连接神经网络;再次,作者考虑到列表数据集在数据规模和特征长度上变化较大的特点,改造了遗传算法,并将其应用于列表数据导向的神经网络方法结构参数的适应性搜索中;最后,作者在多种数据集上测试了传统机器学习方法以及不同类型神经网络在列表数据上的应用效果,并通过广泛的对比试验验证了本文提出的卷积神经网络方法的有效性。