基于异构信息处理的债券违约预测
这是一篇关于违约预测,知识图谱,知识表示学习,DeepFM的论文, 主要内容为随着债券市场信用风险爆发,近年来债券违约事件频频发生。以客观数据为基础,采用计算机相关技术进行违约预测,对于债券投资者以及从业人员有着重要的意义。在债券违约问题中使用较多的传统金融模型主要针对发债主体为上市公司的债券进行分析预测,对大量非上市公司的债券缺乏预警能力。同时,在债券数据中存在众多的关系数据以及类别数据,如何合理利用这些数据对债券违约进行预测具有重要意义。因此,本课题利用债券及发行人公开的多源信息以及宏观经济数据,使用知识图谱及深度学习技术进行债券违约预测。在构建债券知识图谱的基础上,使用知识表示学习技术对知识图谱中的知识进行向量化表示,并将这些提取到的向量作为一部分特征输入到深度学习模型中,对债券进行违约预测。本文主要研究内容包括以下方面:债券信息的获取及预处理。债券违约的影响因素众多,本文主要利用债券及发行人的公开信息以及宏观经济数据进行违约预测。通过数据供应商的API接口以及网络爬虫,获取到债券的相关信息。对债券进行筛选,并对数据进行清洗及预处理,为后续构建债券知识图谱和违约预测提供准确的数据保障。债券知识图谱的构建以及基于知识表示学习的知识向量化表示。针对债券信息包含多种关系的特点,构建债券知识图谱,债券知识图谱可以将债券市场中纷繁复杂的关系清晰地展示出来。利用知识表示学习模型学习知识图谱的语义信息、结构信息,作为债券违约的先验知识补充。使用TransE、TransH、TransR这三种知识表示学习技术将实体、关系映射到向量空间中,将债券用低维稠密的向量进行表示。基于深度学习模型的债券违约预测问题研究。通过对已违约债券进行归因分析,抽取债券违约问题的相关特征。针对债券数据多类别特征的特点,提出了DeepFM-KG模型。模型将债券知识图谱的向量化表示作为先验知识输入到深度学习模型中,设置相应的实验,评测DeepFM-KG模型在债券违约问题上的表现。在评测结果对比中,本文提出的DeepFM-KG取得了相对较好的预测效果。
基于异构信息处理的债券违约预测
这是一篇关于违约预测,知识图谱,知识表示学习,DeepFM的论文, 主要内容为随着债券市场信用风险爆发,近年来债券违约事件频频发生。以客观数据为基础,采用计算机相关技术进行违约预测,对于债券投资者以及从业人员有着重要的意义。在债券违约问题中使用较多的传统金融模型主要针对发债主体为上市公司的债券进行分析预测,对大量非上市公司的债券缺乏预警能力。同时,在债券数据中存在众多的关系数据以及类别数据,如何合理利用这些数据对债券违约进行预测具有重要意义。因此,本课题利用债券及发行人公开的多源信息以及宏观经济数据,使用知识图谱及深度学习技术进行债券违约预测。在构建债券知识图谱的基础上,使用知识表示学习技术对知识图谱中的知识进行向量化表示,并将这些提取到的向量作为一部分特征输入到深度学习模型中,对债券进行违约预测。本文主要研究内容包括以下方面:债券信息的获取及预处理。债券违约的影响因素众多,本文主要利用债券及发行人的公开信息以及宏观经济数据进行违约预测。通过数据供应商的API接口以及网络爬虫,获取到债券的相关信息。对债券进行筛选,并对数据进行清洗及预处理,为后续构建债券知识图谱和违约预测提供准确的数据保障。债券知识图谱的构建以及基于知识表示学习的知识向量化表示。针对债券信息包含多种关系的特点,构建债券知识图谱,债券知识图谱可以将债券市场中纷繁复杂的关系清晰地展示出来。利用知识表示学习模型学习知识图谱的语义信息、结构信息,作为债券违约的先验知识补充。使用TransE、TransH、TransR这三种知识表示学习技术将实体、关系映射到向量空间中,将债券用低维稠密的向量进行表示。基于深度学习模型的债券违约预测问题研究。通过对已违约债券进行归因分析,抽取债券违约问题的相关特征。针对债券数据多类别特征的特点,提出了DeepFM-KG模型。模型将债券知识图谱的向量化表示作为先验知识输入到深度学习模型中,设置相应的实验,评测DeepFM-KG模型在债券违约问题上的表现。在评测结果对比中,本文提出的DeepFM-KG取得了相对较好的预测效果。
面向患者的中成药推荐系统
这是一篇关于推荐系统,面向患者,中成药,DPCNN,DeepFM的论文, 主要内容为随着互联网电商和智能医学辅助诊断技术的发展,越来越多患者通过电商平台购买符合自己病症的药品。人们在网上购买药品时,往往面临盲目挑选、无专业人士指导的问题。根据2017年19省医疗机构用药错误大数据分析来看,其中用药错误有60.95%来自医生,34.57%来自药师。在实际诊疗过程中,若因用药错误导致治疗时机的延误或身体不可逆的伤害,会对个人和整个家庭造成巨大的损失。现阶段药品推荐系统主要面向医生,可辅助医生进行快速决策,进而提高医生的工作效率。但面向互联网、电商平台,以及医疗资源较为紧张的地区,则需要面向患者的中成药推荐系统,从而提高诊断准确率和治疗效果。针对常见药品推荐算法中预测准确率不高、需构建大量用户药品评分向量的问题,为了实现面向患者的中成药推荐、提升推荐用药的准确率,充分调研了深度学习文本分类模型、推荐系统排序模型,特别是相关模型在中医诊断学中的应用,并在此基础上分别开展了中医证型召回分类与中医证型排序算法的研究。本文主要研究工作及创新点如下:(1)提出了基于文本卷积神经网络的中医证型召回模型。模型的主体设计思想参考深度金字塔文本卷积结构,为了提高模型的召回准确率,构建了嵌入式融合患者特征的深度金字塔文本卷积神经网络。模型采用嵌入层融合患者的症状特征和基本信息特征,利用多尺度的卷积核实现文本区域基本特征的提取,随后采用连续的等长卷积块完成文本信息的长距离关联,通过重复下采样操作以及近路连接提取出复杂的上下文信息特征,提升了中医证型候选集合召回结果的准确率。(2)提出了基于深度学习的中医证型推荐排序模型。为了加强对患者交叉特征信息的利用,模型以DeepFM为基础结构,结合患者的当前特征与召回后的候选证型进行排序预测。由因子分解层和隐含层对低高阶特征分别处理,并将两者的输出进行拼接处理,完成低阶特征和高阶特征的融合。通过残差连接加深网络深度,加速模型的训练。最后依据预测的中医证型找出相应药品,完成中成药推荐系统的排序推荐。(3)分析面向患者的中成药推荐系统的功能及性能需求,采用高独立性、低耦合等设计理念,设计并实现了面向患者的中成药推荐系统,可辅助患者在海量的信息中找到最对症的药品。通过对系统计算效率、平台性能和可视化框架的综合分析,确定了以Flask为后端框架,JavaScript为前端语言,Echarts为可视化组件,MySQL为数据库的主要技术路线。通过PyTorch完成了中医证型分类模型和排序模型的构造工作,在此基础上搭建出面向患者的中成药推荐系统。并对实际案例进行测试,结果表明了面向患者的中成药推荐模型的性能符合推荐的预期效果。
基于异构信息处理的债券违约预测
这是一篇关于违约预测,知识图谱,知识表示学习,DeepFM的论文, 主要内容为随着债券市场信用风险爆发,近年来债券违约事件频频发生。以客观数据为基础,采用计算机相关技术进行违约预测,对于债券投资者以及从业人员有着重要的意义。在债券违约问题中使用较多的传统金融模型主要针对发债主体为上市公司的债券进行分析预测,对大量非上市公司的债券缺乏预警能力。同时,在债券数据中存在众多的关系数据以及类别数据,如何合理利用这些数据对债券违约进行预测具有重要意义。因此,本课题利用债券及发行人公开的多源信息以及宏观经济数据,使用知识图谱及深度学习技术进行债券违约预测。在构建债券知识图谱的基础上,使用知识表示学习技术对知识图谱中的知识进行向量化表示,并将这些提取到的向量作为一部分特征输入到深度学习模型中,对债券进行违约预测。本文主要研究内容包括以下方面:债券信息的获取及预处理。债券违约的影响因素众多,本文主要利用债券及发行人的公开信息以及宏观经济数据进行违约预测。通过数据供应商的API接口以及网络爬虫,获取到债券的相关信息。对债券进行筛选,并对数据进行清洗及预处理,为后续构建债券知识图谱和违约预测提供准确的数据保障。债券知识图谱的构建以及基于知识表示学习的知识向量化表示。针对债券信息包含多种关系的特点,构建债券知识图谱,债券知识图谱可以将债券市场中纷繁复杂的关系清晰地展示出来。利用知识表示学习模型学习知识图谱的语义信息、结构信息,作为债券违约的先验知识补充。使用TransE、TransH、TransR这三种知识表示学习技术将实体、关系映射到向量空间中,将债券用低维稠密的向量进行表示。基于深度学习模型的债券违约预测问题研究。通过对已违约债券进行归因分析,抽取债券违约问题的相关特征。针对债券数据多类别特征的特点,提出了DeepFM-KG模型。模型将债券知识图谱的向量化表示作为先验知识输入到深度学习模型中,设置相应的实验,评测DeepFM-KG模型在债券违约问题上的表现。在评测结果对比中,本文提出的DeepFM-KG取得了相对较好的预测效果。
高校学生工作管理平台的设计与实现
这是一篇关于B/S,管理平台,Django,DeepFM的论文, 主要内容为随着我国政策的不断开放,社会经济的不断提高,教育信息化已经成为支撑国内高校教学研究、科研建设和管理工作的关键节点。高等院校作为前沿技术落地的最佳载体之一,纷纷开始探索信息化技术在校园各业务领域中的实际应用。其中学生管理工作作为高校管理工作中的一项中心任务,设计和实现简单易用、流程清晰化、功能多样化的学生工作管理平台的任务尤为重要,项目的实现将会提高学生管理业务准确性,节约管理工作成本,完善学校信息化体系结构。本人对北京交通大学学生工作管理工作所存在的问题进行了认真的分析和需求的调研,设计并实现了满足学校工作需求的学生工作管理平台,本人主要完成该平台中的通知公告模块、学生管理模块、资助管理模块、精准资助模块和系统管理模块,其中精准资助模块选用Deep FM算法建模实现困难生推荐,并进行了详细的对比实验。项目选用前后端分离的开发模式并使用Python语言实现,前端开发选用Vue框架,后端选用适合快速开发企业级网站的Django的Web框架。并通过Django的对象关系映射,即ORM技术与My SQL数据库实现读写的交互,最后选用Nginx完成项目部署,并实现负载均衡。笔者在本文的撰写过程中严格遵循软件开发流程,首先根据学生工作处的业务需求,通过构建系统模块图和用例图进行详细的需求分析,划分平台参与角色并设计和说明该平台各模块的具体功能点。然后围绕系统流程图、活动图、类图及时序图等图表的描述对系统各模块的详细设计进行了详细的介绍并展示该平台的运行效果。最后设计覆盖系统使用全场景的测试用例,对系统进行严格的功能性和非功能性测试,以保证系统的正常运行。总体来说,该平台各项测试结果均符合预期,项目上线后服务全体师生,且使用反馈良好。
面向患者的中成药推荐系统
这是一篇关于推荐系统,面向患者,中成药,DPCNN,DeepFM的论文, 主要内容为随着互联网电商和智能医学辅助诊断技术的发展,越来越多患者通过电商平台购买符合自己病症的药品。人们在网上购买药品时,往往面临盲目挑选、无专业人士指导的问题。根据2017年19省医疗机构用药错误大数据分析来看,其中用药错误有60.95%来自医生,34.57%来自药师。在实际诊疗过程中,若因用药错误导致治疗时机的延误或身体不可逆的伤害,会对个人和整个家庭造成巨大的损失。现阶段药品推荐系统主要面向医生,可辅助医生进行快速决策,进而提高医生的工作效率。但面向互联网、电商平台,以及医疗资源较为紧张的地区,则需要面向患者的中成药推荐系统,从而提高诊断准确率和治疗效果。针对常见药品推荐算法中预测准确率不高、需构建大量用户药品评分向量的问题,为了实现面向患者的中成药推荐、提升推荐用药的准确率,充分调研了深度学习文本分类模型、推荐系统排序模型,特别是相关模型在中医诊断学中的应用,并在此基础上分别开展了中医证型召回分类与中医证型排序算法的研究。本文主要研究工作及创新点如下:(1)提出了基于文本卷积神经网络的中医证型召回模型。模型的主体设计思想参考深度金字塔文本卷积结构,为了提高模型的召回准确率,构建了嵌入式融合患者特征的深度金字塔文本卷积神经网络。模型采用嵌入层融合患者的症状特征和基本信息特征,利用多尺度的卷积核实现文本区域基本特征的提取,随后采用连续的等长卷积块完成文本信息的长距离关联,通过重复下采样操作以及近路连接提取出复杂的上下文信息特征,提升了中医证型候选集合召回结果的准确率。(2)提出了基于深度学习的中医证型推荐排序模型。为了加强对患者交叉特征信息的利用,模型以DeepFM为基础结构,结合患者的当前特征与召回后的候选证型进行排序预测。由因子分解层和隐含层对低高阶特征分别处理,并将两者的输出进行拼接处理,完成低阶特征和高阶特征的融合。通过残差连接加深网络深度,加速模型的训练。最后依据预测的中医证型找出相应药品,完成中成药推荐系统的排序推荐。(3)分析面向患者的中成药推荐系统的功能及性能需求,采用高独立性、低耦合等设计理念,设计并实现了面向患者的中成药推荐系统,可辅助患者在海量的信息中找到最对症的药品。通过对系统计算效率、平台性能和可视化框架的综合分析,确定了以Flask为后端框架,JavaScript为前端语言,Echarts为可视化组件,MySQL为数据库的主要技术路线。通过PyTorch完成了中医证型分类模型和排序模型的构造工作,在此基础上搭建出面向患者的中成药推荐系统。并对实际案例进行测试,结果表明了面向患者的中成药推荐模型的性能符合推荐的预期效果。
基于深度学习的电影推荐系统研究与实现
这是一篇关于注意力机制,Embedding,推荐系统,DeepFM,LSTM的论文, 主要内容为随着互联网的飞速发展,数据信息呈指数级的增长,用户很容易迷失在海量数据中,这就是“信息过载”。尤其在电影领域,此类问题更加突出。作为缓解信息过载的有效手段,推荐系统被广泛研究。同时推荐系统能增加用户对互联网平台的黏性,为企业带来巨大利润,几乎成为互联网企业的“标配”。由此可见推荐系统具有巨大的研究价值。本文以电影推荐为背景展开研究,针对推荐场景中几个普遍存在的实际问题,提出了一些思想与算法。具体内容如下:(1)在推荐的召回阶段,通常使用深度结构语义模型(Deep Structured Semantic Model,DSSM)为每个用户和物品生成一个嵌入向量(Embedding),再使用近邻向量搜索算法进行向量召回,该模型也被称为DSSM双塔召回模型。然而这种双塔模型在生成用户嵌入向量时,将用户基本属性特征和用户行为特征混合输入,导致行为特征可能覆盖用户基本属性特征,使得用户嵌入向量难以表达基本属性特征;此外双塔召回模型直接将用户行为序列当作用户兴趣输入模型,将所有行为序列同等对待,没有区分行为的重要程度,使得用户嵌入向量的表达用户兴趣的能力不足。本文提出一种改进DSSM双塔召回模型,使用两个神经网络替代原始双塔模型中的用户塔,分别处理属性特征和行为特征,避免用户强行为特征覆盖属性特征。同时在处理行为特征的神经网络中,增加用户兴趣标签,使用注意力机制将用户行为和用户兴趣标签结合,对用户兴趣建模,增强嵌入向量的表达用户兴趣的能力。为了验证效果,本文在Movie Lens-1M和Netflix两个公开数据集上进行实验,与其他常用召回模型对比分析,实验表明,本文提出的召回模型具有更好的性能。(2)在推荐排序阶段,本文针对经典推荐模型深度因子分解机(Deep Factorization Machine,Deep FM)模型的不足,提出了一种新的模型Deep AFM-LSTM。Deep FM模型在进行特征组合时,没有区分特征的重要程度,可能引入无用噪声,使得模型收敛慢,影响模型性能;同时Deep FM将用户行为孤立对待,忽略了用户行为前后的关联信息。本文提出的模型在Deep FM基础上引入了注意力机制,自适应学习二阶特征组合的输出权重,避免无效特征对模型带来的噪声影响,加快模型收敛;此外在模型中加入长短期记忆网络(Long Short Term Memory,LSTM),学习用户行为序列中的隐含信息,充分挖掘数据特征。实验表明,该模型具有良好的推荐性能。最后,结合本文提出的推荐召回模型和推荐排序模型,实现了一个功能完善,交互良好的电影推荐系统。图36幅,表9个,参考文献60篇。
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：源码项目助手 ，原文地址：https://m.bishedaima.com/lunwen/52696.html
