检索结果

Select

1. 基于标签分层延深建模的企业画像构建方法

丁行硕, 李翔, 谢乾

《计算机应用》唯一官方网站 2022, 42 (4): 1170-1177. DOI: 10.11772/j.issn.1001-9081.2021071248

摘要（303）

HTML （10）

PDF （1076KB）（214）

标签建模是标签体系建设和画像构建的基本任务。而传统标签建模方法存在模糊标签处理难、标签提取不合理，以及无法有效融合多模实体和多维关系等问题。针对以上问题提出了一种基于标签分层延深建模的企业画像构建方法EPLLD。首先，通过多源信息融合获取多特征信息，并对企业模糊标签（如批发、零售等行业中的不能完整概括企业特点的标签）进行统计和筛选；然后，建立专业领域词库进行特征拓展，并结合BERT语言模型进行多特征提取；其次，利用双向长短期记忆（BiLSTM）网络获取模糊标签延深结果；最后，通过TF-IDF、TextRank、隐含狄利克雷分布（LDA）模型提取关键词，从而实现标签的分层延深建模。在同一企业数据集上进行实验分析，结果表明在模糊标签延深任务中EPLLD的精确率达到91.11%，高于BiLSTM+Attention、BERT+Deep CNN等8种标签处理方法。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于伪标签一致度的不平衡数据特征选择算法

李懿恒, 杜晨曦, 杨燕燕, 李翔宇

《计算机应用》唯一官方网站 2022, 42 (2): 475-484. DOI: 10.11772/j.issn.1001-9081.2021050957

摘要（396）

HTML （22）

PDF （921KB）（115）

针对大多数粒计算特征选择算法未考虑数据的类别不平衡性的问题，提出一种融合伪标签策略的类别不平衡数据特征选择算法。首先，为了便于研究类别不平衡数据特征选择算法，重新定义样本和数据集一致度的概念，并设计了相应特征选择的贪婪前向搜索算法；其次，引入伪标签策略以平衡数据的类别分布，并将所学样本的伪标签融入一致性测度中，以构造伪标签一致度来估计类别不平衡数据集的特征；最后，通过保持类别不平衡数据集的伪标签一致度不变，设计一种面向类别不平衡数据的基于伪标签一致性的特征选择算法（PLCFS）。实验结果表明，所提PLCFS的性能仅次于最大相关最小冗余（mRMR）算法，而优于Relief算法和基于一致性的特征选择算法（CFS）。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

3. 融合重叠社区正则化及隐式反馈的协同过滤方法

李翔锟, 贾彩燕

计算机应用 2021, 41 (1): 53-59. DOI: 10.11772/j.issn.1001-9081.2020060995

摘要（327）

PDF （956KB）（400）

针对目前推荐系统存在的数据稀疏和冷启动等问题，提出了一种融合重叠社区正则化及隐式反馈的协同过滤方法（OCRIF），该方法不仅考虑了用户在社交网络中的社区结构，而且将用户评分信息与社交信息的隐式反馈融入推荐模型之中。此外，由于网络表示学习可以有效学习节点在社交网络的全局结构上的近邻信息，提出了一种网络表示学习增强的OCRIF（OCRIF+），该方法结合社交网络中用户在网络中的低维表示与用户-商品特征，能更有效地刻画用户之间的相似度及用户对兴趣社区的归属度。多个真实数据集上的实验结果显示：所提出的方法的推荐效果优于同类方法，与TrustSVD方法相比，在FilmTrust、DouBan以及Ciao数据集上，该方法的均方根误差（RMSE）分别下降了2.74%、2.55%以及1.83%，平均绝对误差（MAE）分别下降了3.47%、2.97%以及2.40%。

参考文献 | 相关文章 | 多维度评价

Select

4. 基于Adaboost算法和BP神经网络的税收预测

李翔朱全银

计算机应用 2012, 32 (12): 3558-3560. DOI: 10.3724/SP.J.1087.2012.03558

摘要（901）

PDF （570KB）（569）

针对传统税收预测模型精度较低的问题，提出一种将Adaboost算法和BP神经网络相结合进行税收预测的方法。该方法首先对历年税收数据进行预处理并初始化测试数据分布权值；然后初始化BP神经网络权值和阈值，并将BP神经网络作为弱预测器对税收数据进行反复训练和调整权值；最后使用Adaboost算法将得到的多个BP神经网络弱预测器组成新的强预测器并进行预测。通过对我国1990—2010年税收数据进行仿真实验，结果表明该方法相比传统BP网络预测，平均误差相对值从0.50%减少到0.18%，有效地降低了单个BP陷入局部极小的影响，提高了网络预测精度。