城市用水量短时预测的支持向量机方法

文章提出了基于支持向量机的短时用水量预测模型,对城市用水量本身固有的非线性、复杂性和不确定性进行综合考虑。结合实例数据,对基于支持向量机的预测模型和基于BP神经网络的预测模型进行比较。结果表明,基于支持向量机的预测模型在精度、收敛时间、泛化能力、最优性等方面均优于基于BP神经网络的预测模型。     

基于支持向量机的大学生网络信息偶遇影响因素研究

[目的/意义] 研究网络环境下大学生群体的信息偶遇敏感影响因素,以指导大学生群体提高信息偶遇能力,继而提升大学生信息素养。[方法/过程] 使用信息增益分析各影响因素与信息偶遇发生频次之间的相关性,构建敏感影响因素模型,并进一步利用支持向量机（SVM）建立信息偶遇频次预测模型。[结果/结论] 与发生信息偶遇最相关的10个影响因素分布于信息用户、偶遇信息、网络环境、情境因素4个维度;模型分类预测精度达82.96%,说明SVM对预测信息偶遇频次有良好效果。     

井壁状态智能预测技术的研究与思考

井壁状态预测作为海洋钻井工程的重要研究内容,正由基于机理模型的传统方法向机理模型与数据模型融合的智能预测方法转变.国外采用数据模型进行井壁状态预测的研究起步较早,且已取得一定成果,主要包括BP神经网络算法、支持向量机(SVM)、功能网络(FN)、自适应神经模糊推理系统等方法,但其误差较高,通用性不强,实用性有限.国内主...     

基于Altmetrics视角的学术论文被引频次影响因素分析和预测

本文创新性构建学术论文被引影响因素特征空间,以我校SCI&SSCI学术论文为例,验证机器学习模型在预测学术论文被引频次研究中的有效性和准确性,本文的分析结论可以为高校图书馆开展决策支持服务提供参考。本文梳理学术论文被引频次影响因素及预测方法的相关研究,结合传统文献计量和Altmetrics指标构建学术论文影响因素的特征空间,并通过实验比较线性回归、神经网络、支持向量机三种机器学习模型在预测学术论文被引频次研究中的有效性和准确性。本文的分析结论证明基于Altmetrics视角构建的特征空间的预测准确率大幅度提高,并且支持向量机模型在对学术论文影响力预测的实证研究中表现出优异的性能。     

基于潜在语义索引的SVM文本分类模型

本文将潜在语义索引理论与支持向量机方法相结合,对文本向量各维与文本的语义联系进行特征抽取,建立了完整的基于潜在语义索引的支持向量机文本分类模型,分析了该方法与分词的维数以及SVM惩罚因子选择之间的关系.并在NN-SVM分类算法的基础上,通过计算样本点与其最近邻点类别的异同以及该点与其k个同类近邻点在核空间的平均距离来修剪混淆点,提出了一种改进的NN-SVM算法:KCNN-SVM算法.利用该算法对降维后的训练集进行修剪.实验表明,用新的模型进行文本分类,与单纯支持向量机相比,受到文本分词维数以及支持向量机惩罚因子的影响更小,其分类正确率更高.     

个性化服务中基于支持向量机的用户兴趣挖掘分析

用户兴趣的准确获取是保证个性化服务质量的关键;分析用户所浏览的网页集,捕获用户兴趣、建立用户兴趣挖掘模型是目前个性化服务研究的一个重要方向.本文首先比较支持向量机与其他分类算法的性能,分析了基于支持向量机进行用户兴趣挖掘的可行性;然后在介绍支持向量机分类原理和分析分类预测理论模型的基础上构建了用户兴趣挖掘模型;最后选取中文网页分类训练集和特定用户的网页浏览记录,主要从支持向量机分类器的构造和用户兴趣预测两个方面进行了模型的实现研究.     

种基于改进的支持向量机的两类文本分类方法的研究*

提出了一种基于预抽取支持向量机及模糊循环迭代算法的改进的支持向量机(Support Vector Machines,SVM)的两类文本分类方法, 与传统的SVM相比, 该方法具有高得多的计算效率。文中给出了具体算法并将其用于文本分类中，实验表明了本算法用于文本分类的有效性及其高效率。     

基于支持向量机的商业银行信用风险评估和控制研究

本文的研究目的在于介绍一种新兴的从统计学习理论发展而来的方法——支持向量机（SVM）,并将其用于银行信用风险分析。支持向量机是一种基于统计学习理论的分类方法。可将其用于分析财务比率和非财务比率,并且用于违约概率的估计的一种方法。本文将通过实证分析来证明支持向量机能够从财务数据中提取或挖掘出有用信息。     

基于Contourlet变换与SVM的人脸识别方法研究

利用Contourlet变换的方向性和各向异性,提出了一种基于contourlet变换和支持向量机（SVM）的人脸识别方法。首先对人脸图像进行Contourlet变换,将得到的低频分量系数作为人脸图像的识别特征,然后利用SVM多类剐分类器进行分类。实验结果表明该方法具有较好的识别性能。     

垃圾商品评论信息的识别研究

从信息有用性的角度对垃圾商品评论信息进行分析,选择数码领域的相机评论作为研究对象,构建数据集,从评论、评论者和被评论的商品三个方面选择11个特征,使用支持向量机模型中4种常用的核函数进行垃圾商品评论的识别,对识别效果较好的RBF核函数中的参数C和γ进行优化,使得商品评论中的垃圾评论识别的准确率提高到78.16%,召回率提高到72.18%,并选取4种不同特征组合进行对比,证明评论、评论者和被评论的商品三大特征组合的效果最好,最后通过与Logistic回归模型的对比,验证SVM对垃圾评论的识别效果明显优于其他算法。     

支持向量机在文本自动分类中的应用研究

针对数据挖掘中的文本自动分类问题,提出了一种基于支持向量机的分类方法。构造了可用于多个模式类识别的多层级连式SVM模型,该模型可完成对多个模式的分类识别。根据训练样本的分类体系完成对模型的构造之后,即可应用于实际文档的自动分类。文中给出了该模型的构造及应用的方法,用两种核函数作为内积回旋方案,以中国期刊网全文数据库部分文档数据为例验证了该方法的有效性。     

学术社交网络问答质量智能评价与服务优化研究

[目的/意义]学术社交网络所提供的问答服务已成为学者们快速获取学术信息、解决学术问题的重要途径,实现基于机器学习的问答质量智能评价和服务优化对学术社交网络中优质内容传播具有重要意义。[方法/过程]以ResearchGate问答服务为研究对象,从结构化特征、内容特征、其他特征以及回答者特征4个维度构建答案质量评价体系,利用机器学习方法和数据增强技术进行答案质量分类预测。[结果/结论]SMOTE算法在处理不平衡样本时具备有效性;支持向量机在单一模型预测中,取得出色的分类效果;组合模型使预测精度得到进一步提升,基于随机森林、支持向量机、BP神经网络构建的组合模型分类性能最佳,以此为基础可通过搭建问答质量智能评价系统实现学术社交网络问答服务优化。     

基于机器学习在股票预测中的应用

随着我国金融行业不断发展,股票市场预测已经成为该行业一个重点的实际问题,越来越多的学者投入股票预测的研究中,金融市场股票预测精度不断提升。归纳目前基于机器学习的股票预测研究现状,分别从单一模型、改进模型和组合模型分类介绍研究情况,总结不同类别下预测模型的优缺点。介绍各种用于股票预测的预测模型,以及不同模型的实际应用和研究现状,并总结这些模型的应用特点。最后使用ARIMA模型对科大讯飞股票预测开盘价走势,使用VAR模型预测先进数通的股票开盘价、收盘价、最高价和最低价。     

网络信息抽取技术及其在TBT预警中的应用*

研究了一种能够实现对数据型网页中信息实施实时采集的信息技术。该技术能够智能识别表格结构，自动分离数据项，在对数据项的分析判断过程中，采用从单词上分类（By Words）和从表格排列方式（By Structure）划分相结合的方法，以Ontology思想为支撑，融合支持向量机算法（SVM）和隐马尔可夫模型（HMM）等一系列成熟模型。最后通过测试并将该技术应用于TBT预警信息动态采集子系统中，收到良好效果。     

多标记用户分类系统构建方法研究

针对一示例同属多类的问题,提出多标记支持向量机并在此基础上构建基于访问页面的多标记用户分类系统。该系统首先对Web页面进行预处理并利用流形判别分析进行文本特征提取,然后利用多标记支持向量机对文本进行分类,最后对分类结果进行评价。真实数据集上的实验表明所建系统的有效性。     

群体智能算法在投资组合中的应用

群体智能算法作为一系列优化问题求解的算法，已被广泛应用到投资组合问题求解的过程当中。就群体智能算法在投资组合中的应用进行了详细梳理，且选取了遗传算法和粒子群算法这两种典型算法，基于股票收益率真实数据，建立投资组合模型并对其求解。实验结果表明，与等权重投资组合方式相比，构建投资组合模型所得到的实际收益率更高，且在投资组合优化模型中，较粒子群算法，遗传算法最优解优于前者，且运行时间较短。     

基于BERT模型的中华典籍问句分类方法研究

随着大数据时代的到来,问答系统成为人们获取信息的有效手段之一。作为问答系统关键一环的问句分类直接影响系统的性能。目前,问句分类研究主要集中在现代汉语领域,对中华典籍的问句分类研究还不多见。本文从问句分类概念出发,在生成中华典籍问句分类语料集的基础上,设计了面向中华典籍的问句分类体系,并对支持向量机、循环神经网络、长短时记忆神经网络、双向长短时记忆神经网络、BERT等模型的问句分类性能进行了比较研究。实验结果表明,与支持向量机和传统深度学习模型相比,BERT模型具有更优的问句分类能力,在本文提出的问句分类体系上,F1值达到95.55%,BERT模型在中华典籍问句分类任务中具有一定优势,具有一定的推广和应用价值。     

基于机器学习的自动文本分类模型研究

基于机器学习的方法是自动文本分类中非常重要的一大类方法。本文先给出了形式化的定义，提出了自动文本分类的流程模型，然后选取了支持向量机（Support Vector Machine，SVM）算法作为一个典型例子进行分析，最后作者通过一个中文文本分类实验评价了该算法的效果。     

效用视角下核心引文识别方法初探北大核心

基于引用频次开展的引文分析忽略了引文对施引文献的效用差异,依此展开资源评估、学术影响力判断难免受到“无效”引用干扰。为排除“无效”引文,提升测度及评价数据质量,文章从引文效用的角度,选择引文属性、功能、对象、情感等典型特征,建立引文标注框架。测试逻辑回归与支持向量机等方式对引文自动分类的效果,择优构建“效用视角下核心引文识别模型”。其中,为探索自动化分类方式,在数据标注阶段,除人工标引,还使用大规模预训练语言模型的对话系统ChatGPT进行自动分类标注,并进行建模效果测试,以期为引文自动分类方法及应用实践提供新思路。     

效用视角下核心引文识别方法初探

基于引用频次开展的引文分析忽略了引文对施引文献的效用差异,依此展开资源评估、学术影响力判断难免受到“无效”引用干扰。为排除“无效”引文,提升测度及评价数据质量,文章从引文效用的角度,选择引文属性、功能、对象、情感等典型特征,建立引文标注框架。测试逻辑回归与支持向量机等方式对引文自动分类的效果,择优构建“效用视角下核心引文识别模型”。其中,为探索自动化分类方式,在数据标注阶段,除人工标引,还使用大规模预训练语言模型的对话系统ChatGPT进行自动分类标注,并进行建模效果测试,以期为引文自动分类方法及应用实践提供新思路。