CN108121772A - 一种基于工具变量法的社交网络用户好友影响力度量方法 - Google Patents
一种基于工具变量法的社交网络用户好友影响力度量方法 Download PDFInfo
- Publication number
- CN108121772A CN108121772A CN201711268840.6A CN201711268840A CN108121772A CN 108121772 A CN108121772 A CN 108121772A CN 201711268840 A CN201711268840 A CN 201711268840A CN 108121772 A CN108121772 A CN 108121772A
- Authority
- CN
- China
- Prior art keywords
- user
- good friend
- mrow
- variable
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000000694 effects Effects 0.000 claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 230000003542 behavioural effect Effects 0.000 claims abstract description 5
- 238000011160 research Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims 1
- 238000000691 measurement method Methods 0.000 claims 1
- 235000005911 diet Nutrition 0.000 description 6
- 230000000378 dietary effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于工具变量法的社交网络用户好友影响力度量方法，包括以下步骤：S1：提取社交网络中用户的好友信息、属性特征和行为特征，并根据具体问题选定合适的工具变量；S2：根据具体问题对用户好友进行分类；S3：利用工具变量进行第一阶段最小二乘回归，对不同类型用户好友的活动量做出估计；S4：利用S3中得到的用户好友活动量估计值，对用户本身的活动量进行第二阶段最小二乘回归，得到的回归系数即可作为影响力大小的度量。本发明利用工具变量法，将影响用户活动的内部因素和外部因素进行解耦，对用户的活动量进行了无偏估计，从而实现了对社交网络中用户影响力较为准确的定量描述，具有现实应用价值。
Description
技术领域
本发明涉及数据挖掘和数据分析技术领域，特别是涉及一种基于工具变量法的社交网络中好友影响力的度量方法。
背景技术
社会经济和互联网技术的快速发展促进了在线社交网络的蓬勃发展，同时伴随其产生的海量用户数据成为了数据挖掘研究和应用的重要资源。用户在社交网络上的不同行为往往会对网络中的其他用户产生影响，具有不同属性的用户产生的影响力也不同。因此，如何在海量的用户数据中探究出用户之间的影响模式、挖掘出具有影响力的用户，对于研究信息的传播方式、商业广告的精准投放等问题都具有重要意义，也具有广泛的社会价值和丰富的商业价值。
目前对于社交网络中用户之间相互影响力的研究主要存在的问题是，多种多样的外部因素与内部因素都会对用户的行为产生的影响，这使得用户之间的相对影响力变得难以确定。针对该问题，本发明提出一种基于工具变量法的社交网络中用户影响力度量方法。利用本发明的方法，可以解决如下两个基本问题：(1)将影响用户行为的外部因素和内部因素进行解耦；(2)对用户之间的影响力进行较为准确的评价。
发明内容
为了弥补现有的社交网络中用户影响力预测方法的不足，本发明提出一种基于工具变量法的社交网络用户好友影响力度量方法，将影响用户行为的内在因素与外在因素进行解耦后，利用两阶段最小二乘回归，能够更加准确地定量描述用户之间的影响力。
本发明解决其技术问题所采用的技术方案如下：
一种基于工具变量法的社交网络用户好友影响力度量方法，包含如下步骤：
S1：数据收集与处理处理，从社交网络中提取用户数据，包括用户好友数据、用户属性特征X和用户行为特征A，确定时间窗口t，将整个数据集的时间段按照t等间隔地分割成N个单位时间；同时根据研究的问题确定外部变量，对应用户好友的外部变量定义为工具变量W，对应用户本身的外部变量记为w；
S2：将每一个用户的好友按照设定的标签进行分类；
S3：在时间窗口t上，结合选定的工具变量、好友属性特征、用户属性特征以及外部变量进行第一阶段最小二乘回归，分别对用户i的不同类别好友在t时间内的活动度量做出估计；
S4：利用S3中得到的两类好友的活动量的估计值，结合用户i本身的属性特征X与外部变量w，进行第二阶段最小二乘回归，即可得到不同类型的好友对用户i本身的影响力度量。
进一步，所述步骤S1中，用户的属性特征X一般包括性别、年龄、地域等较为固定的信息；行为特征A即用户在社交网络上的行为，包括点评、签到等。此外，工具变量W的选取需要考虑两个因素：
1)W能够直接对用户好友的行为产生影响；
2)W不能对用户产生直接影响，其对用户的影响必须通过用户好友来间接产生；
以上的所有数据，包括时间窗口t以及S2中对于用户好友的分类标准，需要根据具体研究问题进行不同的设计。
更进一步，所述步骤S2中，在对用户好友按照特定标准进行划分的同时，需要考虑工具变量W的作用，若该好友与用户本身的活动量会同时受到W的影响，则需将该好友从数据中剔除。
再进一步，所述S3中，本方法不直接使用用户好友的行为特征作为其活动量的度量，而是使用了与好友活动量直接相关的工具变量、好友特征属性、用户特征属性和一些外部变量按照(1)式进行第一阶段最小二乘回归，用回归得到的结果来表示好友在时间窗口t上的活动量。
其中表示用户i的好友(peers)在时间窗口t上的平均活动量，Wit表示工具变量对应用户i的好友在时间窗口t上的平均值，wit表示用户i在时间窗口t上对应的外部变量的值，表示用户i的好友在时间窗口t上的属性特征的平均值，Xit表示用户i在时间窗口t上的属性特征，λ、α′、γ′和θ′为回归系数，ε′为误差量。需要注意的是，在第一阶段回归时，需要对不同类别的好友分别进行计算，得到不同类型的好友在平均活动量。
更进一步，所述S4中，为了得到用户i在时间窗口t上的活动量的预测值，需要使用S3中得到的结合用户及其好友的特征属性和外部变量，根据(2)式进行第二阶段最小二乘回归。
式中Ait表示用户i在时间窗口t上的活动量，β、γ、θ和α为回归系数，εit为误差项，其他变量同上。同时，第二阶段回归也需要进行多次，以比较不同类型的好友对用户i的影响力大小。
本发明的有益效果为：将影响用户行为的内在因素与外在因素进行解耦后，利用两阶段最小二乘回归，能够更加准确地定量描述用户之间的影响力。
附图说明
图1为本发明实施例的基于工具变量法的社交网络用户好友影响力度量方法的流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1，一种基于工具变量法的社交网络用户好友影响力度量方法，本发明使用yelp官方公开的数据集中包含的用户数据，进行影响力分析。原始数据记录了用户的就餐时间、地点、选择的口味以及用户的好友网络。此外，根据yelp数据集记录的用户就餐地点，我们从www.wunderground.com上爬取了用户所在就餐地区的天气情况。
本发明包括以下步骤：
S1：从yelp数据集中提取用户的相关数据，确定时间窗口t，同时确定工具变量W和外部变量w，并收集与W和w相关的数据。本实施例中工具变量W为用户好友就餐当天所在地区的天气，外部变量w为用户本人就餐当天所在地区的天气。
S2：按照研究的问题，根据用户的性别标签，将用户的好友分为男女两类；
S3：综合工具变量W和用户好友的属性特征进行第一阶段最小二乘回归，得到时间窗口t上的用户好友的活动量估计值
S4：利用S3中的得到的用户好友活动量的估计值结合用户自身的属性特征Xit及外部变量w，进行第二阶段最小二乘回归，得到的回归系数β即可作为不同类型的好友对用户的影响力大小度量。
所述S1中，yelp数据集包含了从2010年到2015年6年时间内，2287位用户的就餐点评记录，从中需要提取的数据包括用户ID、性别、用户好友IDs、用户点评的时间、去过餐馆的地理位置和口味标签等。本实施例中，时间窗口t定为3个月，据此将整个6年的时间段分为36个时间单位。
本实施例选择天气作为两阶段回归的工具变量，这需要按照如下两个步骤进行数据的收集与处理：
1.通过www.wunderground.com爬取2010年到2016年，用户点评的餐馆所在地区的天气，包括气温、降水和恶劣天气等。其中，恶劣天气包括雨、雪、雾、冰雹和雷暴等。
2.为了保证天气作为工具变量只对用户的好友产生影响，而不同时对用户的就餐行为产生影响，这需要根据地理位置信息，把与用户在相同地区的好友剔除。
所述S2中，由于本实施例研究的问题为yelp上不同性别的好友对用户的就餐行为的影响力大小，因此将用户i的好友按性别标签分为男女两类即可。
所述S3中，第一阶段最小二乘回归得到用户i好友在时间窗口t上的平均活动量的估计值考虑到用户i本身也会对其好友的行为产生影响，因此在回归方程中考虑了用户好友点评的餐馆所在地区的天气、用户i所在地区的天气、用户i的性别、用户i好友的性别等因素。数据处理步骤如下：
1.用户i好友在时间窗口t上的平均天气指标，即工具变量W，分为两个方面，分别为气温Θft和恶劣天气Rft。
a)计算Θft：对于用户i的某个好友j，先统计出其在6年内各个月份的气温数据的平均值μj和方差σj。假设在k月，时间窗口t上出现了某次气温tx，若即气温变化在合适范围内，则气温指标为0，否则为1。用户i的好友在时间窗口t上的气温指标
b)计算Rft：若好友j在时间窗口t上经历过恶劣天气，则令rjt为1，否则为0。用户i好友在时间窗口t上的恶劣天气指标
用户i本身在时间窗口t上的平均天气指标，即外部变量w，计算方法同上。
2.用户好友性别属性的计算。对于用户i的某个好友j，若其属于男性，则令xjt为0，否则为1。若数据集中不包含其性别标签，则xjt＝0.5。用户i的好友在时间窗口t上的平均性别指标
用户i在时间窗口t上的性别也按照如上原则确定。
计算出各个指标后，按照(1)式进行第一阶段最小二乘回归，分别得到对于用户i的两类好友在时间窗口t上就餐口味数量的平均值代替原始数据中的口味数量平均值，进入第二阶段最小二乘回归。
所述S4中，用户i在时间t上尝试的口味数量与用户i的好友的就餐行为有关，也与用户i本身及其好友的性别、用户i去过餐馆所在地区的天气有关。以上的指标计算与S3中的步骤相同。得到以上指标数据后，结合S3中得到的用户i的两类好友在时间窗口t上的就餐行为的估计值根据(2)式进行第二阶段最小二乘回归，最终得到两种不同类型的好友，即男性好友和女性好友对用户i的就餐行为的影响力大小的定量指标。
根据上述步骤，本实施例在yelp数据集上得到了如下结果。
| 女性朋友 | 男性朋友 | |
| 女性用户 | 0.811 | 0.018 |
| 男性用户 | 0.753 | 0.092 |
表1
如表一所示，女性朋友在整个社交网络中的影响力较大，女性用户的女性好友的每多尝试一种口味会促使其本人多尝试0.811种口味，男性用户的女性好友的每多尝试一种口味会促使其本人多尝试0.753种口味。而从实验结果来看，男性用户的就餐行为对其他用户的就餐行为非常小。
选用天气作为工具变量，采用两阶段的最小二乘回归来衡量不同类型的好友对用户的就餐行为的影响力大小，避免了内生性因素的干扰而导致回归结果出现偏差的问题，为更加准确地定量衡量社交网络中好友的影响力提供了一种方案。本发明不仅仅适用于yelp数据集，还可以在其他类型的社交网络中推广使用。对发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。
Claims (6)
1.一种基于工具变量法的社交网络用户好友影响力度量方法，其特征在于：所述度量方法包括以下步骤：
S1：从社交网络中提取用户数据，包括用户的好友、用户属性特征X和行为特征A；确定时间窗口t，将整个数据集的时间段按照t等间隔地分割成N个单位时间同时根据研究的问题确定外部变量，对应用户的好友的外部变量定义为工具变量W，对应用户本身的外部变量记为w；
S2：根据问题，将每一个用户的好友按照设定的标签进行分类；
S3：在时间窗口t上，结合选定的工具变量、好友属性特征、用户属性特征以及外部变量进行第一阶段最小二乘回归，分别对用户i的不同类别好友在t时间内的活动度量做出估计；
S4：利用S3中得到的两类好友的活动量的估计值，结合用户i本身的属性特征X与外部变量w，进行第二阶段最小二乘回归，即可得到不同类型的好友对用户i本身的影响力度量。
2.如权利要求1所述的一种基于工具变量法的社交网络中用户好友影响力度量方法，其特征在于：所述步骤S1中，用户的属性特征X包括性别、年龄和地域；行为特征A即用户在社交网络上的行为。
3.如权利要求1或2所述的一种基于工具变量法的社交网络中用户好友影响力度量方法，其特征在于：所述步骤S1中，选定工具变量W，用于解耦影响用户活动量的外部因素和内部因素，需要保证对用户好友的活动量直接产生影响，而对用户活动量不发生直接作用。
4.如权利要求1或2所述的一种基于工具变量法的社交网络中用户好友影响力度量方法，其特征在于：所述步骤S2中，在对用户好友按照特定标准进行划分的同时，需要考虑工具变量W的作用，若该好友与用户本身的活动量会同时受到W的影响，则需将该好友从数据中剔除。
5.如权利要求1所述的一种基于工具变量法的社交网络中用户好友影响力度量方法，其特征在于：所述步骤S3中，使用工具变量W及其他变量按照(1)式进行第一阶段线性回归，对用户好友在时间窗口t上的平均活动量做出估计。
<mrow>
<msubsup>
<mover>
<mi>A</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>t</mi>
</mrow>
<mi>p</mi>
</msubsup>
<mo>=</mo>
<msub>
<mi>&lambda;W</mi>
<mrow>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>+</mo>
<msup>
<mi>&alpha;</mi>
<mo>&prime;</mo>
</msup>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>+</mo>
<msup>
<mi>&gamma;</mi>
<mo>&prime;</mo>
</msup>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>t</mi>
</mrow>
<mi>p</mi>
</msubsup>
<mo>+</mo>
<msup>
<mi>&theta;</mi>
<mo>&prime;</mo>
</msup>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>+</mo>
<msup>
<mi>&epsiv;</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中表示用户i的好友在时间窗口t上的平均活动量，Wit表示工具变量对应用户i的好友在时间窗口t上的平均值，wit表示用户i在时间窗口t上对应的外部变量的值，表示用户i的好友在时间窗口t上的属性特征的平均值，Xit表示用户i在时间窗口t上的属性特征，λ、α′、γ′和θ′为回归系数，ε′为误差量；在第一阶段回归时，需要对不同类别的好友分别进行计算，得到不同类型的好友在平均活动量。
6.如权利要求5所述的一种基于工具变量法的社交网络中用户好友影响力度量方法，其特征在于：所述步骤S4中，对用户i好友在时间窗口t上的平均活动量的估计值和其他变量，按照(2)式进行第二阶段最小二乘回归，得到的回归系数β即可作为不同类型好友对用户的影响力大小度量。
<mrow>
<msub>
<mi>A</mi>
<mrow>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>&beta;</mi>
<msubsup>
<mover>
<mi>A</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>t</mi>
</mrow>
<mi>p</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&gamma;X</mi>
<mrow>
<mi>i</mi>
<mi>t</mi>
</mrow>
<mi>p</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>&theta;X</mi>
<mrow>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&alpha;w</mi>
<mrow>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&epsiv;</mi>
<mrow>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式中Ait表示用户i在时间窗口t上的活动量，β、γ、θ和α为回归系数，εit为误差项，比较不同类型的好友对用户i的影响力大小时，第二阶段回归需要根据类型进行回归。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711268840.6A CN108121772B (zh) | 2017-12-05 | 2017-12-05 | 一种基于工具变量法的社交网络用户好友影响力度量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711268840.6A CN108121772B (zh) | 2017-12-05 | 2017-12-05 | 一种基于工具变量法的社交网络用户好友影响力度量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108121772A true CN108121772A (zh) | 2018-06-05 |
| CN108121772B CN108121772B (zh) | 2021-02-26 |
Family
ID=62228923
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711268840.6A Active CN108121772B (zh) | 2017-12-05 | 2017-12-05 | 一种基于工具变量法的社交网络用户好友影响力度量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108121772B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380273A (zh) * | 2020-11-11 | 2021-02-19 | 北京达佳互联信息技术有限公司 | 数据预估方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140089144A1 (en) * | 2010-11-08 | 2014-03-27 | New York University | Apparatus, system, method and computer-accessible medium for performing a product search using user-generated and crowd-sourced content |
| CN104008493A (zh) * | 2014-03-25 | 2014-08-27 | 北京中电普华信息技术有限公司 | 一种数据获取方法及装置 |
| CN106540448A (zh) * | 2016-09-30 | 2017-03-29 | 浙江大学 | 一种游戏玩家之间交流对其消费行为影响的可视分析方法 |
| CN106600432A (zh) * | 2016-11-30 | 2017-04-26 | 网易（杭州）网络有限公司 | 基于社交属性行为数据的行为间影响力评估方法和装置 |
-
2017
- 2017-12-05 CN CN201711268840.6A patent/CN108121772B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140089144A1 (en) * | 2010-11-08 | 2014-03-27 | New York University | Apparatus, system, method and computer-accessible medium for performing a product search using user-generated and crowd-sourced content |
| CN104008493A (zh) * | 2014-03-25 | 2014-08-27 | 北京中电普华信息技术有限公司 | 一种数据获取方法及装置 |
| CN106540448A (zh) * | 2016-09-30 | 2017-03-29 | 浙江大学 | 一种游戏玩家之间交流对其消费行为影响的可视分析方法 |
| CN106600432A (zh) * | 2016-11-30 | 2017-04-26 | 网易（杭州）网络有限公司 | 基于社交属性行为数据的行为间影响力评估方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 何非: "工具变量法及其应用", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380273A (zh) * | 2020-11-11 | 2021-02-19 | 北京达佳互联信息技术有限公司 | 数据预估方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108121772B (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Petersen et al. | Methods to account for citation inflation in research evaluation | |
| Hu et al. | Modified Mann-Kendall trend test for hydrological time series under the scaling hypothesis and its application | |
| Panaretos et al. | Assessing scientific research performance and impact with single indices | |
| Olson | Comparison of weights in TOPSIS models | |
| Waters et al. | Advancing relationship management theory: Mapping the continuum of relationship types | |
| See et al. | Comparing the quality of crowdsourced data contributed by expert and non-experts | |
| Chen et al. | Household welfare impacts of China's accession to the World Trade Organization | |
| Rolfe et al. | Valuing recreation in the Coorong, Australia, with travel cost and contingent behaviour models | |
| Moital et al. | A cross national study of golf tourists' satisfaction | |
| Yan et al. | Institutional interactions: Exploring social, cognitive, and geographic relationships between institutions as demonstrated through citation networks | |
| Sakellariou | The use of quantile regressions in estimating gender wage differentials: a case study of the Philippines | |
| CN104166732B (zh) | 一种基于全局评分信息的项目协同过滤推荐方法 | |
| CN102135999A (zh) | 用户可信度和项目最近邻相结合的互联网推荐方法 | |
| Baek et al. | Distributed lag models: examining associations between the built environment and health | |
| Haddad et al. | Regional flood frequency analysis method for Tasmania, Australia: a case study on the comparison of fixed region and region-of-influence approaches | |
| Doan et al. | Mining business competitiveness from user visitation data | |
| Yu et al. | How socioeconomic and environmental factors impact the migration destination choices of different population groups in China: An eigenfunction-based spatial filtering analysis | |
| Li et al. | Evolution of FDI flows in the global network: 2003–2012 | |
| Nakajima et al. | Capturing changes in asymmetric price transmission: a rolling window tar estimation using bluefin tuna case study | |
| Shahzad et al. | Three-fold utilization of supplementary information for mean estimation under median ranked set sampling scheme | |
| CN108121772A (zh) | 一种基于工具变量法的社交网络用户好友影响力度量方法 | |
| CN104346341B (zh) | 一种实现数据与相关事件关联的方法及装置 | |
| Chotikapanich et al. | Carnarvon Gorge: a comment on the sensitivity of consumer surplus estimation | |
| Li et al. | Analysis for partially accelerated dependent competing risks model with masked data based on copula function | |
| Yan et al. | Number of soil profiles needed to give a reliable overall estimate of soil organic carbon storage using profile carbon density data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |