基于网络搜索的票房预测模型——来自中国电影市场的证据

建立了一个将网络搜索与电影票房联系起来的模型, 考察了影片上映前后消费者网络搜索的动态变化及其在电影票房预测中的作用. 文章就中国电影产业对该模型进行了实证检验. 结果显示, 影片网络搜索量以及增长趋势都能预测该影片的首映周票房. 对于后续周票房, 动态联立方程模型的估计结果表明, 网络搜索既是电影票房的先行信号, 也是电影票房的后向结果. 样本外分析表明, 整合了网络搜索的模型能够提高预测的准确性.     

协同过滤推荐算法研究: 考虑在线评论情感倾向

协同过滤推荐算法通常是基于兴趣相似的用户行为来实现个性化推荐, 其核心义用户之间的兴趣相似度. 本文在传统的协同过滤推荐算法基础上, 考虑在线评论对用似度识别的影响. 在混合商品推荐中, 粗粒度识别评论情感极性; 而在同类商品推荐中, 细粒别每个商品特征的情感极性. 如果用户对产品的某个特征评价次数大于平均次数, 表明用户对征较关注; 如果对产品的某个特征评价低于平均评价, 表明用户对该特征较挑剔. 进而根据用户评论来建立用户偏好模型, 用户在评论中反映出来的相似度越高, 表明用户之间的偏好越. 实验表明, 同传统的协同过滤算法相比, 基于在线评论情感分析的用户协同过滤算法在率和召回率指标上有显著提升.     

支持向量机控制与在线学习方法研究的进展

支持向量机以其模型结构简单、较好的推广能力和全局最优解等特点已经被用来进行智能控制的研究,主要包括采用支持向量机回归的非线性时间序列的建模与预测、系统辨识等建模方面的研究以及优化控制、学习控制和预测控制等方面的研究以及采用支持向量机的故障诊断的研究。由于现有SVMR基于二次规划的优化方法不适合控制过程的在线训练,因此出现了对SVMR在线训练算法的研究。分析了国内外这些研究内容的最新研究进展,旨在探讨归纳支持向量机在控制领域研究的主要成果和存在的问题,以便为进一步的研究提供一定的支持与帮助。     

一种磁悬浮系统的降阶方法

针对电压控制的磁悬浮系统设计了时间最优控制算法以获得电流最速响应,并推导了控制系统硬件对电流响应速度的约束关系;根据跟踪误差改变控制器参数以精确地跟踪设定电流;根据在线辨识得到的线圈参数计算最终控制电压以维持理想电流。这种算法能够使电压控制取得与电流控制同样的效果,简化了控制系统分析与设计并提高了对线圈参数时变的鲁棒性。磁悬浮小球电流响应实验与悬浮实验验证了算法的有效性,该算法还可扩展到其他电压控制电流的场合。     

网上购物感知风险的实证研究

感知风险对消费者购买行为的解释作用越来越重要。探讨了感知风险与其前因变量及结果变量的关系,提出并验证了网站影响因素—感知风险—网上购买意愿的结构方程模型。实证研究结果表明:网站影响因素中,网站便捷性对服务风险有显著影响,呈负相关关系;网站真实性对功能风险有显著影响,呈负相关关系;网站安全性对隐私风险有显著影响,呈负相关关系;服务风险、功能风险和隐私风险对消费者的网上购买意愿有显著影响,呈负相关关系。     

网络课程在高校篮球教学中的应用研究

从提高高校篮球课堂教学效果出发,对高校篮球网络课程实践教学的情况进行了研究,认为网络课程作为篮球实践课教学的辅助手段,对提高篮球课堂教学效果具有重要意义和实践应用价值,值得借鉴与推广.     

基于最优样本子集的在线模糊LSSVM混沌时间序列预测

提出一种基于最优样本子集的在线模糊最小二乘支持向量机(least squares support vector machine,LSSVM) 混沌时间序列预测方法. 算法选择与预测样本时间上以及欧氏距离最近的样本点构成最优样本子集,并采用" 不敏感函数对其进行模糊化处理,通过模糊LSSVM 训练获得预测模型. 随着时间窗口的滑动,最优样本子
集和预测模型实时更新,模型更新采用分块矩阵方法降低运算复杂度. 实验中对时变Ikeda 序列进行预测,表明所提出的方法与离线和在线LSSVM 相比,训练速度更快,预测精度更高.     

一对多交互式在线客户服务排队模型

以聊天工具为基础的在线客服大量取代了电话形式的传统客服.与电话客服不同,一个在线客服人员能同时为多个顾客提供交互式的服务,而传统的排队公式都是以一对一服务为基础推导的,无法直接用来计算在线客服的排队指标.分析了一对多交互模式下的排队特点,提出了该模式下的服务水平指标,构建了包含顾客层和消息层的双层排队模型,推导了系统平...     

“翻转课堂”概念探析

随着信息技术的发展和普及,很多学校出现了新的教学模式和学习方法,“翻转课堂”作为教学模式的重要变革引起了社会各界的广泛关注,但仍有很多教师对“翻转课堂”存在误解。文章旨在探求该教学模式的概念产生过程及其本质,同时对其功能进行分析和反思,从而为现阶段我国的教育信息化进程提供助益。     

Dynamic Latent Class Model Averaging for Online Prediction

We consider the problem of online prediction when it is uncertain what the best prediction model to use is. We develop a method called dynamic latent class model averaging, which combines a state‐space model for the parameters of each of the candidate models of the system with a Markov chain model for the best model. We propose a polychotomous regression model for the transition weights to assume that the probability of a change in time depends on the past through the values of the most recent time periods and spatial correlation among the regions. The evolution of the parameters in each submodel is defined by exponential forgetting. This structure allows the ‘correct’ model to vary over both time and regions. In contrast to existing methods, the proposed model naturally incorporates clustering and prediction analysis in a single unified framework. We develop an efficient Gibbs algorithm for computation, and we demonstrate the value of our framework on simulated experiments and on a real‐world problem: forecasting IBM's corporate revenue. Copyright © 2014 John Wiley & Sons, Ltd.