中国股指期货的价格发现功能和波动外溢效应

运用EC-EGARCH-GED模型,分析了中国股指期货的价格发现功能和波动外溢效应.研究结果表明股指期货增大了股指的波动性.从长期看,股指期货的价格影响股票指数的价格;而短期内股指期货价格对股指价格的影响比长期均衡的影响大.最后还考察了中国新上市的股指期货对沪深300指数的影响,认为股指期货的上市给股指带来了一定的冲击力.     

周期分类和Single-Pass聚类相结合的话题识别与跟踪方法

针对增量式聚类初始时话题模型不够充分和准确,随处理报道数量增加,误检与漏检的累积效应被放大的问题,提出了周期分类和Single-Pass聚类相结合的话题识别与跟踪方法.首先采用增量式聚类算法进行话题识别与跟踪,当新闻文本每积累到一定程度之后,对已经聚类的报道进行周期分类,使话题簇精度提高,从而提高后续话题识别与跟踪精度.实验表明这种方法是有效的,能够降低漏检率与错检率,减少归一化错误识别代价.     

基于概念语义相关性和LDA的文本标记算法

为了提高文本标记和分类的效率,提出了基于概念语义相关性和LDA的文本自动标记算法(Text Mark Label,TML),用以代替人工标记的文本分类标记. 该算法在概念语义相关性计算的基础上,使用LDA(Latent Dirichlet Allocation)提取文本的主题表示,通过计算文本主题从属于各分类目录的期望从而实现文本自动标记. 为验证TML算法的效果,在标准文本分类数据集上使用文本分类器进行有监督文本分类实验. 为对比数据集和分类器对分类效果的影响,在3个数据集（WebKB、Reuters-21578、20-NewsGroup）上分别使用3种不同的分类器（Rocchio、KNN、SVM）进行实验. 实验结果表明：TML算法有效地提高了文本分类效率及文本标记效率.     

基于主题和预防模型的微博谣言检测

针对微博短文本存在的特征提取困难及微博谣言传播浪费网络资源的问题,提出了基于主题和预防模型的微博谣言检测.对微博进行主题提取,按主题分类后提取基于用户、传播结构、内容三方面的统计特征.将样本与官方谣言子集中的微博进行相似度计算,将其值与传统特征进行特征融合之后作为统计特征进入有监督的机器学习.实验结果表明,相对于传统的有监督机器学习,该方法将微博谣言检测的性能提升了3%左右,同时实现了谣言预防.     

我国反洗钱研究文献的科学计量分析

运用统计方法和CiteSpaceⅡ可视化软件计量分析1989~2013年中国知网(CNKI)收录的1176篇反洗钱研究中文核心期刊论文。研究发现:我国反洗钱研究论文发文量经历了渐增、快速增长、递减三个阶段,金融类核心期刊始终是主流媒介;27位高产作者主要来自于高等院校、人民银行及其分(支)行,但无论作者还是机构之间都合作甚少;反洗钱、洗钱犯罪、金融机构、洗钱、洗钱罪、反洗钱工作一直是我国反洗钱研究的六犬热点领域;反洗钱、身份识别、洗钱风险、反洗钱监管、风险文本是2009年以来我国反洗钱研究的五大前沿主题。     

基于知识点本体的语义扩展研究

传统的基于关键字的信息检索不能很好地检索到相关的资源.通过分析教学领域知识点本体的语义相关性特点,提出了一种基于知识点本体的语义扩展算法.该算法通过将概念间关系进行分离,利用概念层次结构和关联关系并考虑多种影响因素分别计算语义相似度和相关度,进而综合量化成语义关联度进行语义扩展检索.实验表明,本文所提出的语义扩展算法能够有效地提高查全率、查准率,取得较好的检索效果.     

基于AToT模型的中国科技部官方微信主题量化分析

 中国科学技术部已将微信等社交媒体应用于科技管理，“锐科技”是科技部官方微信公众号。与传统科技类报刊、期刊的编辑手段不同，“锐科技”微信公众号在选稿和推送上有自身特点。采用后验概率主题模型对“锐科技”和其子公众号“锐动源”的稿件内容进行量化分析和挖掘，揭示了科技部官方微信选稿内容随时间变化的规律；通过研究科技工作者阅读偏好，展示了文章主题与读者浏览量之间的关系，有助于提高科技类新媒体的编辑和水平，增强科技宣传效果，更好地理解中国科技管理的思路。     

基于LDA主题模型的文献特征项多重共现可视化方法

文献计量学是运用数学和统计学方法对文献知识单元进行定量分析、揭示文献内部知识内容的一门科学。共现网络分析是文献计量研究中分析文献特征项数据关系的一种可视化方法，根据被分析特征项的数量分为单重共现网络分析和多重共现网络分析。与单重共现网络分析相比，多重共现网络分析增加了特征项的维度，对文献知识的呈现更加深入。但是，由于被分析特征项维度的增加，导致共现网络中的节点数量增多，节点间连线重合度和交叉频率过大，降低了文献计量可视化的效果。因此，目前文献计量共现网络分析主要以单重共现为主，多重共现网络分析可视化效果尚有待提升。为解决多重共现网络中节点过多、连线密度过大、不利于发现数据价值以及可视化效果较低等问题，引入LDA主题模型，采用空间划分的方法，将特征项全域可视化的问题转化为子空间可视化问题。首先，使用SATI文献题录信息分析软件抽取文献关键词，进行TF-IDF计算，以计算结果作为实验数据；其次，使用Python构建主题模型，对目标文献集合进行主题聚类分析；最后，使用Ucinet软件对不同主题子空间文献进行多重共现分析，并将子空间分析结果叠加和重构，完成多重共现可视化系统的结构化表达。结果表明：与原多重共现可视化方法相比，在内容呈现等价的前提下，基于LDA主题模型的多重共现可视化改进方法由于缩小了多重共现网络分析系统的规模，即子空间文献数量与特征词数目，因而降低了共现网络中的节点数量和节点间连线密度，使得多重共现可视化系统的结构更为清晰，增加了数据的可读性，突出了数据价值，有效提升了多重共现可视化效果。因此，多重共现可视化改进方法在一定程度上可以推进文献构成元素在多重组合知识挖掘方面的深入研究，提高不同领域文献计量的实证研究质量。     

基于密度Canopy的评论文本主题识别方法

融合Sentence-BERT和LDA的评论文本主题识别（SBERT-LDA）方法，将LDA的主题数作为K-means算法中的k值，导致算法可解释性较差、主题一致性较低。为了解决上述问题，提出基于密度Canopy的SBERT-LDA优化方法（SBERT-LDA-DC），利用密度Canopy改进K-means算法。实验结果表明，提出的方法在一致性指标上要优于使用K-means以及K-means++对特征向量聚类的同类方法；与SBERT-LDA方法相比，在1 852条戏剧评论数据集上，一致性指标值提高了22.9%。因此，所提出的SBERT-LDA-DC方法是有效的，对产品或服务提供者更好地了解用户意见、完善自身产品或提升服务水平提供了新方法，具有较强的实际应用价值。     

基于3次握手改进机制和SVM的无人机网络协作邻居发现协议

无人机在军事和民用领域都得到了广泛的应用,无人机的组网也成为研究热点之一.邻居发现作为组网完成的前提步骤,发挥着至关重要的作用.首先提出了基于3次握手改进机制的非协作邻居发现(3-handshake non-cooperation neighbor discovery,3-NCND)协议;然后融入支持向量机(support vector machine,SVM)算法,提出了基于3次握手改进机制和SVM的协作邻居发现(3-handshake and SVM cooperative neighbor discovery,3-SVMCND)协议,SVM作为分类器加入到邻居协议中,智能地将自身邻居节点信息发送给目标节点,减少了邻居节点推荐的数量,提高了邻居发现的速度.通过仿真实验比较了邻居发现时隙数、邻居发现率和能量消耗这3个性能指标.研究结果表明,相较于3-NCND协议,SVM-CND协议具有更快的发现速度和更高的邻居发现率.