阿里巴巴的知识产权侵权涉诉研究——基于219份司法判决书的实证分析
这是一篇关于阿里巴巴,知识产权,实证分析,侵权的论文, 主要内容为国内近年来,以互联网为代表的新兴媒介历经了翻天覆地的超高速发展,在网络内容生产日益爆炸的同时,新型版权侵权问题也接踵而来。网络交易平台也成为知识产权侵权高发地之一。作为BAT三巨头的阿里巴巴集团,旗下占据绝对优势的业务有电子商务和金融。电商当中的阿里巴巴网站现为阿里集团的旗舰业务,是中国领先的小企业国内贸易电子商务平台。论文通过对阿里巴巴219份知识产权司法裁判书样本的实证研究,根据“模型建立——编码表确立——编码——数据分析——问题发现与原因探讨”这一研究思路,探析中国互联网巨头企业与知识产权司法保护的实际状态;影响企业知识产权侵权诉讼胜负的主要因素;企业利用避风港原则规避侵权责任的情况;细分知识产权侵权涉诉占比情况等,并为发现的问题,提出可行性建议,希望助益于国内互联网,特别是电商平台知识产权保护。
快递包装物回收逆向物流网络选址研究——以KM市主城区为例
这是一篇关于快递包装物,逆向物流,回收网络,选址,实证分析的论文, 主要内容为近些年来,我国电子商务稳定发展,电商行业越来越成熟,随之带动了我国快递业的飞速发展。从2007年到现如今,我国快递业由小不断发展壮大,快递市场在区域结构、业务结构、供给结构等方面持续优化。自从2017年5月份以来,全国快递企业日均快递业务量达到了一亿件以上。然而在快递业务量不断增长的同时,海量的快递包装得不到有效的处理,而成为快递垃圾,这成为了环境一个巨大的痛点,同时也导致资源的严重浪费。因此如何妥善的处理这些快递包装,合理地实现快递包装回收再利用,有效提高资源再利用率,以减少环境污染与资源浪费,从而解决这一由快递业衍生出的难题,最终实现可持续发展,是目前我国亟需解决的问题。由此可知,为了更好的解决包装废弃物回收问题,对快递包装物回收逆向物流网络的研究具有十分重要的意义。本文首先介绍了论文的研究背景、研究的目的和意义、文中所用到的研究方法、并对对国内外文献进行较为详细的综述,接着介绍了相关的理论方法,为后续的研究打下理论基础。其次根据我国快递包装物的使用情况的相关研究以及运用问卷调查所了解的KM市快递包装物实际回收利用情况,分析了我国快递包装物在使用中存在的问题以及回收过程中存在的问题。再次本文运用混合整数线性规划的方法,构建了以成本最小化为目标的快递包装物回收逆向物流系统网络模型,该模型包括消费区、回收点、回收中心以及处理中心这些节点。最后根据所构建的模型,对KM市主城区快递包装物回收网络选址进行实证分析,结合相关研究数据,运用LINGO进行求解得出回收中心和处理中心的选址以及各节点的流量分配。
快时尚品牌线上视觉营销对消费者购买意愿的影响研究
这是一篇关于快时尚品牌,视觉营销,购买意愿,实证分析的论文, 主要内容为快时尚服装更新速度快,紧跟时尚潮流,搭配品类丰富并且价格相对适中,在年轻消费群体中十分受欢迎。近年来快时尚服装行业在国内发展迅,预计到2020年国内快时尚服装市场国模有望达到3220亿元。随着国内消费者的视野日趋国际化,消费需求逐步升级,国外很多快时尚品牌瞄准中国市场,顺势进驻中国,并从一二线城市逐渐向三四线城市下沉,以此把握更广阔市场空间。国外的快时尚服装品牌模式也被国内学习借鉴,本土的快时尚服装品牌应运而生,使消费者有了更多的选择。这其中尤其是年轻消费者,追求差异化、个性化以及性价比的消费特点与快时尚品牌相吻合。我国网络购物发展蓬勃,以淘宝、天猫、京东为首的电商平台为线上购物提供了优质平台和技术支持。网络购物日益成为主流的消费方式之一,可以摆脱时间地点的限制,具有品类丰富,操作便捷,价格亲民等优势。2019年天猫双十一,优衣库天猫官方旗舰店销售额突破10亿,可见其市场潜力巨大。电商平台已经成为快时尚服装品牌的重要销售渠道之一,在诸多传统服装品牌以及网店的竞争下,如何能够吸引消费者变得尤其重要。线上店铺的视觉营销便是重要的营销策略之一。作者将以视觉营销作为切入点,对快时尚品牌线上视觉营销进行了分析与研究。通过阅览相关文献以及大量资料讯息,再将它们进行分析整理,将视觉营销构成要素,消费者购买意愿等视角进行整合探究。结合快时尚服装品牌线上营销现状,对快时尚品牌线上视觉营销提出合理的建议。
开源软件开发者邮件列表中的决策分析与自动识别
这是一篇关于邮件列表中的决策,实证分析,自动识别,机器学习,深度学习的论文, 主要内容为软件开发过程中,涉众会针对架构设计、编码、测试和项目管理等做出各种决策,每个决策都会对软件系统产生积极或消极的影响。识别和记录这些决策对于项目开发和维护有着至关重要的作用。一方面可以帮助涉众组织开发中的各类知识、有助于减少知识蒸发。另一方面,有助于涉众对之前做出的决策进行回顾、分析、改进和重用,从而帮助他们在类似的情境下做出更加合适的决策。然而,由于有限的人力、时间和预算,项目中的决策往往没有被很好地记录在文档中。这些决策可能隐式地存在于各种交流平台中,例如问题跟踪系统和开发者邮件列表。此外,随着机器学习和深度学习的不断发展和完善,使用自动化技术从大量的文本中提取有用的信息成为软件工程领域的重要趋势。基于上述研究背景,本文对开发者邮件列表中的决策进行了探索性研究。为了帮助涉众深入地了解软件开发中所制定的各类决策、全面地认识决策过程以及使用自动化方法识别决策,在本文中,我们首先根据纳入和排除标准对Hibernate开发者邮件列表中的9006封邮件进行人工标记,然后从决策表达、决策类别、决策原理、决策方法、相关制品和开发中的决策趋势六个方面对抽取的决策进行分析。最后,我们进行了自动化实验,将文本中的句子分为决策句子和非决策句子两个类别。在本实验中,我们使用了三种数据预处理方法、四种特征提取技术和七种分类算法,共计形成了112种分类器配置。我们评估和比较了所有分类器配置的性能。人工标记和分析决策的研究结果表明:(1)涉众使用三种语言模式表达决策,信息提供、解决方案提供和特征请求;(2)开发者邮件列表中包含了五种决策,设计决策、需求决策、管理决策、实施决策和测试决策;(3)涉众做出决策的主要原因是非功能性需求、功能性需求和管理需求;(4)涉众在制定决策时使用了七种方法,问题构建、约束分析、风险分析、选择分析、归纳推理、演绎推理和折中分析;(5)决策制定过程中涉及了六种软件制品,设计文档、需求文档、贡献者指南、配置文档、发行说明文档和许可证文档;(6)决策贯穿软件开发和维护的整个生命周期。自动实验结果表明,在从文本中识别决策时:(1)在数据预处理阶段,不应进行词干化和词形还原操作,也不应过滤过短的句子;(2)在使用机器学习识别决策时,Bo W技术比TF-IDF技术的整体性能更好;(3)在使用机器学习识别决策时,LR算法的整体性能最好;(4)在使用深度学习识别决策时,Word2Vec技术比Fast Text技术的整体性能更好;(5)在使用深度学习识别决策时,RCNN模型比Text CNN模型的整体性能更好;(6)包含停用词、无词干化和词形还原、不过滤数据集、Fast Text和RCNN组合的性能表现最好(精确率为0.682,召回率为0.926,F1-score为0.785)。
股票推荐系统的算法
这是一篇关于股票推荐系统,择股,择时,GARP策略,支持向量机算法,实证分析的论文, 主要内容为随着我国资本市场的不断扩容,越来越多的公司在市场上公开发行股票,募集资金。同样,伴随着国民经济的不断发展,居民收入水平不断提高,越来越多的居民将购买股票作为一种重要的投资理财方式。而我国的股票投资市场仍以散户为主,从众多股票里进行股票挑选,并推荐给个人投资者,尤其是缺少投资经验和相应专业知识的投资者,为其提供决策支持,具有很大的实践价值。本文对股票的推荐方法进行了分类,明确提出了个性化推荐方法和非个性化推荐方法。个性化推荐方法是借鉴商品领域的个性化推荐算法,将其移植到股票个性化推荐领域,面向某个投资者。而个性化推荐存在个人的交易持仓等隐私数据难以获得和根据个人投资的历史数据及个人风险偏好特征得出的推荐股票,未必能取得良好的市场表现等问题,因而本文推荐算法关注的重点在于非个性化推荐领域,面向所有投资者。本文重点针对非个性化推荐领域的传统方法进行了梳理,并将其分为传统非个性化推荐方法和量化非个性化推荐方法两类。在非个性化推荐领域,择股与择时,始终都是股票投资过程中绕不开的重要问题。在构建股票择股推荐方法的过程,本文采用了GARP策略的基本思想,选取中证800指数这一具有代表性的基准组合,并从众多指标中筛选出了有效的单因子,然后构建了一个多因子组合,并对该组合的择股推荐效果进行了敏感性分析,进一步优化了投资组合的选取过程。在对数据挖掘分类算法进行了梳理,并对支持向量机算法的原理进行了详细分析之后,本文提出了基于支持向量机算法的择时模型。具体是选取中证800指数的日频数据,并进行处理,设置了自变量,对中证800指数的涨跌情况的因变量进行分类预测处理。经过实证检验,证明这种择股加择时的推荐算法模型在股票非个性化推荐领域具有良好的效果。
开源软件开发者邮件列表中的决策分析与自动识别
这是一篇关于邮件列表中的决策,实证分析,自动识别,机器学习,深度学习的论文, 主要内容为软件开发过程中,涉众会针对架构设计、编码、测试和项目管理等做出各种决策,每个决策都会对软件系统产生积极或消极的影响。识别和记录这些决策对于项目开发和维护有着至关重要的作用。一方面可以帮助涉众组织开发中的各类知识、有助于减少知识蒸发。另一方面,有助于涉众对之前做出的决策进行回顾、分析、改进和重用,从而帮助他们在类似的情境下做出更加合适的决策。然而,由于有限的人力、时间和预算,项目中的决策往往没有被很好地记录在文档中。这些决策可能隐式地存在于各种交流平台中,例如问题跟踪系统和开发者邮件列表。此外,随着机器学习和深度学习的不断发展和完善,使用自动化技术从大量的文本中提取有用的信息成为软件工程领域的重要趋势。基于上述研究背景,本文对开发者邮件列表中的决策进行了探索性研究。为了帮助涉众深入地了解软件开发中所制定的各类决策、全面地认识决策过程以及使用自动化方法识别决策,在本文中,我们首先根据纳入和排除标准对Hibernate开发者邮件列表中的9006封邮件进行人工标记,然后从决策表达、决策类别、决策原理、决策方法、相关制品和开发中的决策趋势六个方面对抽取的决策进行分析。最后,我们进行了自动化实验,将文本中的句子分为决策句子和非决策句子两个类别。在本实验中,我们使用了三种数据预处理方法、四种特征提取技术和七种分类算法,共计形成了112种分类器配置。我们评估和比较了所有分类器配置的性能。人工标记和分析决策的研究结果表明:(1)涉众使用三种语言模式表达决策,信息提供、解决方案提供和特征请求;(2)开发者邮件列表中包含了五种决策,设计决策、需求决策、管理决策、实施决策和测试决策;(3)涉众做出决策的主要原因是非功能性需求、功能性需求和管理需求;(4)涉众在制定决策时使用了七种方法,问题构建、约束分析、风险分析、选择分析、归纳推理、演绎推理和折中分析;(5)决策制定过程中涉及了六种软件制品,设计文档、需求文档、贡献者指南、配置文档、发行说明文档和许可证文档;(6)决策贯穿软件开发和维护的整个生命周期。自动实验结果表明,在从文本中识别决策时:(1)在数据预处理阶段,不应进行词干化和词形还原操作,也不应过滤过短的句子;(2)在使用机器学习识别决策时,Bo W技术比TF-IDF技术的整体性能更好;(3)在使用机器学习识别决策时,LR算法的整体性能最好;(4)在使用深度学习识别决策时,Word2Vec技术比Fast Text技术的整体性能更好;(5)在使用深度学习识别决策时,RCNN模型比Text CNN模型的整体性能更好;(6)包含停用词、无词干化和词形还原、不过滤数据集、Fast Text和RCNN组合的性能表现最好(精确率为0.682,召回率为0.926,F1-score为0.785)。
电商平台经营者违反安全保障义务的责任承担
这是一篇关于电商平台,安全保障义务,相应责任,实证分析的论文, 主要内容为随着5G和信息技术的发展,电商平台经营者已然成为市场经济中的基础性要素,参与社会生活的方方面面。新冠疫情爆发后,互联网平台更是因其足不出户的优势成为“在线经济”的重要保障,根据大数据分析而设计的“健康码”是人们出行的重要凭证,平台在很大程度地影响着人们的日常生活,并且成为社会治理的重要工具。然而,电子商务蓬勃发展之下,各类侵犯消费者权益的事件频出不穷。为了便利受害人救济、合理配置相关风险,我国于2019年颁布施行了《电子商务法》,该法是电子商务领域走向规范化的重要一步。一直以来,安全保障义务只存在在实体场所,是否引入到虚拟空间一直存在争议。在该法的第38条第2款中明文规定电商平台经营者应当承担安全保障义务。该条款将安全保障义务从实体空间引入电子商务平台,实乃一大进步。然而,该条款在实践由于缺乏明确的认定标准,与相关规范之间的关系尚不清晰而常常被束之高阁。针对这些问题,本文从如下方面进行研究。第一章是对电子商务法38条第2款在实践中的适用情况作了实证分析。其中第一部分是将案件进行类型化划分,不同的平台类型对于认定安全保障义务存在不同的标准,考量的因素是什么,法官又是如何确定责任形态的。由于该条款中的安全保障义务缺乏明确的认定标准,也缺乏责任的具体承担方式,实践中法院在处理相关案件时的审判思路往往是首先考察是否有阻碍该条款适用的情况出现,如若出现了,就不会选择该条款作为裁判的说理依据。这些阻碍条款适用的情况包括主体不适格、法律条文发生竞合、标的错误。第二部分主要分析为何电子商务平台适用安全保障义务困难重重,制约因素是什么。第二章为电商平台安全保障义务规范基础的证成。正当性问题是平台承担责任的前提,只有充分论证平台承担安全保障义务是正当合理的,才有将义务的内容全面展开分析的必要,分而析规范内容有助于统一裁判尺度,提高审判质效。第三章主要介绍该条款诞生之前数易其稿,其中“相应的责任”的表述几经转变,由“相应的连带责任”转变为“相应的补充责任”,最后因舆论压力又转变为“相应的责任”这样的模糊表达,这样的模糊表达也为该条款在实践中的运用带来了问题。最后一章主要明晰“相应的责任”的各个标准。“相应的责任”不应理解为按份责任,在通常情况下理解为补充责任,只有在《电子商务法》第38条第2款与其他设置连带责任的具有相同规制的条文形成法条竞合时,由于这些条文的规范要素更为完备,因此优先适用,连带机制才得以适用在本领域。其次,归责原则和举证方式应当分别适用过错责任原则和举证责任倒置的方式,以便更好地保护消费者权益。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码助手 ，原文地址：https://m.bishedaima.com/lunwen/47220.html
