CN110570048A - 基于改进在线深度学习的用户需求预测方法 - Google Patents
基于改进在线深度学习的用户需求预测方法 Download PDFInfo
- Publication number
- CN110570048A CN110570048A CN201910884280.XA CN201910884280A CN110570048A CN 110570048 A CN110570048 A CN 110570048A CN 201910884280 A CN201910884280 A CN 201910884280A CN 110570048 A CN110570048 A CN 110570048A
- Authority
- CN
- China
- Prior art keywords
- data
- deep learning
- model
- weight
- online
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013135 deep learning Methods 0.000 title claims abstract description 34
- 230000006870 function Effects 0.000 claims abstract description 51
- 230000004913 activation Effects 0.000 claims abstract description 50
- 238000013136 deep learning model Methods 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims abstract description 9
- 230000003213 activating effect Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 3
- 230000016273 neuron death Effects 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 description 11
- 230000001186 cumulative effect Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000034994 death Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明涉及一种基于改进在线深度学习的用户需求预测方法，其特征在于，包括以下步骤：1)对神经元输入数据进行正负判断，2)若数据为正值，则原样输出；若数据为负值，则通过sigmoid函数计算得到其激活概率，3)通过数据特性驱动的激活函数DReLu对数据激活输出，4)通过HBP在线深度学习模型实现对用户需求的精确动态预测，该基于改进在线深度学习的用户需求预测方法，采用在线深度学习模型能够更好的处理流式数据，同时，从数据流中更能捕捉用户的实时需求；其次，利用改进的DReLu激活函数能够提高数据的利用率，缓解深度学习中神经元“死亡”现象，从而能够弥补在线深度学习算法对用户需求预测能力的不足。
Description
技术领域
本发明特别涉及一种基于改进在线深度学习的用户需求预测方法。
背景技术
用户服务需求预测对于准确地感知用户的服务需求，提高主动服务推荐的 准确性具有重要意义。近年来，在线深度学习方法逐渐成为一种主要的在线预 测方法，在多个领域取得了成功的应用。在线深度学习中，激活函数是提高深 度学习预测性能的关键，传统ReLu激活函数对输入为负的数据梯度为零，造成 神经元节点“死亡”，严重影响了模型预测的准确率。
发明内容
本发明要解决的技术问题是：为了克服现有技术的不足，提供一种基于改 进在线深度学习的用户需求预测方法。
1、本发明解决其技术问题所采用的技术方案是：该方法包括以下步骤：
1)对神经元输入数据进行正负判断；
2)若数据为正值，则原样输出；若数据为负值，则通过sigmoid函数计算 得到其激活概率；
3)通过数据特性驱动的激活函数DReLu对数据激活输出；
4)通过HBP在线深度学习模型实现对用户需求的精确动态预测；
其中，激活函数DReLu的表达公式为：该激活函 数的计算过程可以描述为：对于数据流实例特征xt，经过具有n个神经元节点的 神经网络隐含层的线性运算，得到一个n维的向量当该向量的 第i个节点的取值为正的时候，采取ReLu函数的激活方式，当该向量的第i 个节点的取值为负数的时候，首先利用sigmoid函数计算该值的激活概率并且 是由该数据本身特性决定的激活可能性。
作为优选，HBP在线深度学习模型表达公式：其中， f(l)＝softmax(h(l)θ(l)),h(l)＝σ(W(l)h(l-1)),h(0)＝x，在上述公式中，θ(l)和α是新引入的两组参数，θ(l)表示每个隐含层与对应分类器的权重，每个 分类器f由其进行参数化，而α表示模型输出中每个分类器所占的比重。L+1个 分类器的加权组合构成模型总的输出，所以模型总的损失函数表示如以下公式 所示：在在线学习的过程中，我们需要不断学习 参数α(l),θ(l),W(l)，在模型的第一次反向更新参数时，预设所有权重α是均匀 分布的，即
作为优选，权重α的更新方式如以下公式所示：其中 β∈(0,1)，是权重更新的折扣率参数，为了保证所有α之和为1，所以在每个数 据流实例训练结束时对α进行标准化处理。为了解决浅层HBP模型初始性能较差 问题，设置平滑参数s∈(0,1)，用于为每个分类器设置最小权重,在每次迭代中对 分类器进行权重更新之后，权重设置为：保持了每个深度的分 类器的最小权重。
作为优选，所有分类器的参数θ(l)更新和传统DNN输出层权重更新类似，表 达公式如下：
作为优选，对于参数W(l),由于误差是从模型的输出层反向传播的，其更新 表达公式如下：其中是通过来自误 差导数f(j)来计算的。
本发明的有益效果是，该基于改进在线深度学习的用户需求预测方法，采 用在线深度学习模型能够更好的处理流式数据，通过接收顺序到达的数据流能 够不断反馈和提高模型学习能力；同时，从数据流中更能捕捉用户的实时需求； 其次，利用改进的DReLu激活函数(即：由数据自身特征驱动的激活函数)能 够提高数据的利用率，通过挖掘数据自身的特性，缓解深度学习中神经元“死 亡”现象，从而能够弥补在线深度学习算法对用户需求预测能力的不足。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的累积误差表。
图2是本发明的用户需求预测累积误差对比图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图， 仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
实施例1
该方法包括以下步骤：
1)对神经元输入数据进行正负判断；
2)若数据为正值，则原样输出；若数据为负值，则通过sigmoid函数计算 得到其激活概率；
3)通过数据特性驱动的激活函数DReLu对数据激活输出；
4)通过HBP在线深度学习模型实现对用户需求的精确动态预测；
其中，激活函数DReLu的表达公式为：该激活函 数的计算过程可以描述为：对于数据流实例特征xt，经过具有n个神经元节点的 神经网络隐含层的线性运算，得到一个n维的向量当该向量的 第i个节点的取值为正的时候，采取ReLu函数的激活方式，当该向量的第i 个节点的取值为负数的时候，首先利用sigmoid函数计算该值的激活概率并且 是由该数据本身特性决定的激活可能性。
作为优选，HBP(即：对冲反向传播算法)在线深度学习模型表达公式：其中，f(l)＝softmax(h(l)θ(l)),h(l)＝σ(W(l)h(l-1)),h(0)＝x，在上述公式中，θ(l)和α是新引入的两组参数，θ(l)表示每个隐含层与对 应分类器的权重，每个分类器f由其进行参数化，而α表示模型输出中每个分类 器所占的比重。L+1个分类器的加权组合构成模型总的输出，所以模型总的损失 函数表示如以下公式所示：在在线学习的过程中， 我们需要不断学习参数α(l),θ(l),W(l)，在模型的第一次反向更新参数时，预设 所有权重α是均匀分布的，即
作为优选，权重α的更新方式如以下公式所示：其中 β∈(0,1)，是权重更新的折扣率参数，为了保证所有α之和为1，所以在每个数 据流实例训练结束时对α进行标准化处理。为了解决浅层HBP模型初始性能较差 问题，设置平滑参数s∈(0,1)，用于为每个分类器设置最小权重,在每次迭代中对 分类器进行权重更新之后，权重设置为：保持了每个深度的分 类器的最小权重。
作为优选，所有分类器的参数θ(l)更新和传统DNN(即：深度神经网络算法) 输出层权重更新类似，表达公式如下：
作为优选，对于参数W(l),由于误差是从模型的输出层反向传播的，其更新 表达公式如下：其中是通过来自误 差导数f(j)来计算的。
本申请中，(1)基于数据自身决定的激活函数建立了模型输入与输出之间 的非线性关系映射，有助于充分利用和挖掘数据中的有效消息，缓解了ReLu激 活函数神经元“死亡”现象，提高了模型的预测性能，从侧面初步体现了模型 的“智能”。
(2)提出了一种基于改进的在线深度学习算法的用户需求预测方法，为主 动精确地感知用户需求提供了有效的途径。
HBP在线深度学习模型的在线学习目标是基于一系列顺序到达的数据流 D＝{(x1,y1)，...，(xT,yT)}学习函数F:Rd→RC，其中xt∈Rd是一个d维的实例表示 特征，而yt∈{0,1}C是实例xt对应的类别标签，其中C是类别的数量。在用户需求 预测问题中，x表示用户使用服务时所处的情景信息，即表明用户是在该情境下 提出了服务需求y，y表示用户所提出的服务需求的类型。
在在线学习中，用户需求的预测值通常用表示，学习函数的性能评估指 标通常采用累积误差来评价，累计误差为其中J为指示函数， 当条件为真时，表示用户需求的预测值与实际值不符，J的取值为1；否 则为J的取值为0。为了最小化数据流序列上的分类误差，通常选择损失函数用 于最小化，如交叉熵、均方误差等。当模型观察到一个数据流实例时，根据预 测值和真实值yt的损失函数选择合适的优化器(例如：在线梯度下降法)对模 型进行更新。
定义模型的训练数据集为D，D＝{(x1,y1)，…，(xi,yi)，…,(xT,yT)}，其中xi表示D中 的第i个训练数据，yi表示第i个训练数据对应的标签，在本文中表示用户的需求， 并且1≤i≤T。本文将改进的激活函数DReLu纳入冲反向传播计算模型形成了改 进的在线深度学习算法(Improved Online Deep Learning,IODL)；之后，提出 了基于IODL的用户服务需求在线预测算法，该算法包括训练阶段与预测阶段， 在训练阶段，基于用户历史服务需求时间序列对所提出的模型进行训练；之后， 使用训练好的模型实现用户服务需求的在线预测。
具体算法如下：
为了验证基于DReLu的在线深度学习的有效性，采用当前研究公用的标准 测试数据进行实验，并与最新的研究成果进行比较。
实验分为两部分，第一部分主要为DReLu激活函数在不同数据流上与未改 进的ReLu激活函数的对比，并验证DReLu在多种方法上的适应能力，从而验证 基于改进DRelu的在线深度学习方法的有效性。第二部分实验的目的是在用户 需求数据集上验证基于改进DRelu深度学习的用户需求预测的有效性。具体实 验过程与结果如下所述：
一、DReLu函数有效性验证
1、实验环境与数据集
实验环境为个人笔记本电脑，具体配置如下：操作系统：Windows 10专业 版64位，CPU：Intel酷睿i5 4210M；RAM：8G。该实验应用Python3版本编程 语言，开源深度学习框架theano 0.8.2和keras 1.2.1，在Pycharm专业版编 程软件上独立环境完成试验。
实验数据采用实验数据集Higgs、Susy、Syn8、CD1和CD2，其中Higgs、 Susy和Syn8数据集是标准的(静止的)数据流数据集，CD1和CD2是概念漂移的 数据流数据集。数据详细信息如下表所示：
2、实验结果展示与分析
首先选取稳定的数据流场景和概念漂移的数据流场景对DReLu激活函数进 行实验，并与ReLu激活函数进行对比，实验参数部分采用0.01的学习率和在 线梯度下降优化器(OGD)，网络层数为4，每个隐含层包含100个节点，不同数 据上的最终累积误差实验结果如下表所示：
从上表的实验结果中可以看出，在Higgs、Susy和Syn8三个稳定的数据流 场景下，DReLu激活函数较之于ReLu激活函数对深度学习的性能均具有稳定的 性能提升；在CD1和CD2两个概念漂移的数据流场景下，DReLu激活函数并不会 因为由数据的特性决定激活使概念漂移的特性增强而导致性能下降，仍然具有 良好的性能提升。
此外，把改进的激活函数DReLu应用于OGD、Momentum、Nesterov和Highway 四个在线深度学习方法中。在实验参数部分，均采用4层网络结构，每个隐含 层包含100个节点；OGD与Highway在线学习方法中采用0.01的学习率，采用 动量技术的在线学习方法Momentum和Nesterov中设置0.001的学习率和0.3 的动量。不同方法上的最终累积误差实验结果如下表和图1所示：
从上表的实验结果中可以看出，DReLu激活函数不仅在传统在线深度学习 (OGD)和Highwa网络结构中表现出一定的性能提升，其同样适用于具有动量 学习技术的OMomentum和Nesterov在线深度学习方法。在图1(a)中可以看到， 在数据量较少的时候，基于DReLu激活函数的在线深度学习的累积误差并不一 定是最小的，这并不意外，因为少量的数据会增大错误分类的概率。从图1(b) 和图1(c)中可以看出，随着数据量的增大，DReLu激活函数由数据决定的特性 的优势逐渐体现，其累积误差逐渐低于ReLu激活函数所带来的分类误差；
其中，图1中的(a)图为0.5％数据中的累积误差；
图1中的(b)图为10-15％数据中的累积误差；
图1中的(c)图为60-80％数据中的累积误差；
同样可以看到的是，在Momentum和Nesterov动量学习技术中，DReLu带来 的优势并不明显，因为动量学习技术是对之前梯度指数级衰减的移动平均的累 积，因此在一定程度上削弱了DReLu激活个数由个体特性决定的优势，故效果 提升不明显。
以上两部分实验结果证明了所提出基于DReLu的在线深度学习在不同数据 流场景下的有效性，同时DReLu函数能够适用于多种在线深度学习方法，因此， 本申请的在线深度学习方法是有效的
二、用户需求预测有效性验证
1、数据集介绍
由于当前没有任何研究机构提供关于用户服务需求的公用数据集，为了验 证本文提出的基于改进的在线深度学习方法的用户需求预测方法的有效性，本 文作者查阅了大量的用于验证机器学习算法性能的工作数据集，发现UCI数据 库提供的关于行为预测的分类数据集，可以用于测试本文提出的用户服务需求 预测算法的有效性。
此外还收集了阿里云天池数据竞赛网站提供的真实淘宝购物数据IJCAI-15 和kaggle机器学习竞赛网站中用于产品分类的数据otto，由于IJCAI-15原数 据过大，本文从中随机100万条数据记录用于实验。数据详细信息如下表所示：
事实上，用户的服务应用数据包括服务需求特征与所使用的具体服务特征， 用户的服务需求特征可以对应于上述数据的活动特征和产品特征，用户所使用 的服务特征对应于上述数据集的活动类别标签和产品类别标签。因此，本实验 所选择的数据集与用户的服务应用数据具有很好的对应关系，采用上述数据集 来验证本文提出的服务需求预测方法的有效性是可行的。
2、用户需求预测对比
使用本文所改进激活函数的在线学习模型HBP对用户需求进行预测，对比 试验分别使用OGD、Momentum、Nesterov和Highway四个在线深度学习方法对 用户需求进行预测。在实验参数部分，均采用10层网络结构，每个隐含层包含 100个节点；OGD与Highway在线学习方法中采用0.01的学习率，采用动量技 术的在线学习方法Momentum和Nesterov中设置0.001的学习率和0.3的动量， 四个对比均方法采用ReLu激活函数。用户需求预测的最终累积误差实验结果如 下表和图2所示：
从上表中可以看出，激活函数的在线深度学习方法(HBP)在不同数据上对用 户需求预测的效果均优于其它四种前沿的在线深度学习方法，同时从图2中可 以看出HBP方法对需用需求预测的误差明显优于其它四种前沿的在线深度学习 方法，在数据流实例总数很少的时候预测误差也是最小的，随着数据流实例总 数的增多，HBP方法的优势愈加明显，从而证实了本申请的激活函数的在线学习 模型对用户需求预测的有效性。
图2中，纵坐标表示累计误差，横坐标表示某一数据集中数据集的数量。
其中，图2中的(a)图为五种不同方法在数据集HOP上累计误差；
图2中的(b)图为五种不同方法在数据集PUC-Rio上累计误差；
图2中的(c)图为五种不同方法在数据集otto上累计误差；
图2中的(d)图为五种不同方法在数据集IJCAI-15上累计误差。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作 人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。 本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围 来确定其技术性范围。
Claims (5)
1.一种基于改进在线深度学习的用户需求预测方法，其特征在于，包括以下步骤：
1)对神经元输入数据进行正负判断；
2)若数据为正值，则原样输出；若数据为负值，则通过sigmoid函数计算得到其激活概率；
3)通过数据特性驱动的激活函数DReLu对数据激活输出；
4)通过HBP在线深度学习模型实现对用户需求的精确动态预测；
其中，激活函数DReLu的表达公式为：该激活函数的计算过程可以描述为：对于数据流实例特征xt，经过具有n个神经元节点的神经网络隐含层的线性运算，得到一个n维的向量当该向量的第i个节点的取值为正的时候，采取ReLu函数的激活方式，当该向量的第i个节点的取值为负数的时候，首先利用sigmoid函数计算该值的激活概率并且 是由该数据本身特性决定的激活可能性。
2.如权利要求1所述的基于改进在线深度学习的用户需求预测方法，其特征在于，HBP在线深度学习模型表达公式：其中，h(0)＝x，在上述公式中，θ(l)和α是新引入的两组参数，θ(l)表示每个隐含层与对应分类器的权重，每个分类器f由其进行参数化，而α表示模型输出中每个分类器所占的比重。L+1个分类器的加权组合构成模型总的输出，所以模型总的损失函数表示如以下公式所示：在在线学习的过程中，我们需要不断学习参数α(l),θ(l),W(l)，在模型的第一次反向更新参数时，预设所有权重α是均匀分布的，即
3.如权利要求2所述的基于改进在线深度学习的用户需求预测方法，其特征在于，权重α的更新方式如以下公式所示：其中β∈(0,1)，是权重更新的折扣率参数，为了保证所有α之和为1，所以在每个数据流实例训练结束时对α进行标准化处理。为了解决浅层HBP模型初始性能较差问题，设置平滑参数s∈(0,1)，用于为每个分类器设置最小权重,在每次迭代中对分类器进行权重更新之后，权重设置为：保持了每个深度的分类器的最小权重。
4.如权利要求2所述的基于改进在线深度学习的用户需求预测方法，其特征在于，所有分类器的参数θ(l)更新和传统DNN输出层权重更新类似，表达公式如下：
5.如权利要求2所述的基于改进在线深度学习的用户需求预测方法，其特征在于，对于参数W(l),由于误差是从模型的输出层反向传播的，其更新表达公式如下：其中是通过来自误差导数f(j)来计算的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910884280.XA CN110570048A (zh) | 2019-09-19 | 2019-09-19 | 基于改进在线深度学习的用户需求预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910884280.XA CN110570048A (zh) | 2019-09-19 | 2019-09-19 | 基于改进在线深度学习的用户需求预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110570048A true CN110570048A (zh) | 2019-12-13 |
Family
ID=68780961
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910884280.XA Pending CN110570048A (zh) | 2019-09-19 | 2019-09-19 | 基于改进在线深度学习的用户需求预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110570048A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150254554A1 (en) * | 2014-03-04 | 2015-09-10 | Nec Corporation | Information processing device and learning method |
| CN108898213A (zh) * | 2018-06-19 | 2018-11-27 | 浙江工业大学 | 一种面向深度神经网络的自适应激活函数参数调节方法 |
| CN108921893A (zh) * | 2018-04-24 | 2018-11-30 | 华南理工大学 | 一种基于在线深度学习slam的图像云计算方法及系统 |
| CN109685240A (zh) * | 2018-10-24 | 2019-04-26 | 国网浙江省电力有限公司 | 一种基于lstm深度学习的95598话务工单预测与异动预警方法 |
-
2019
- 2019-09-19 CN CN201910884280.XA patent/CN110570048A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150254554A1 (en) * | 2014-03-04 | 2015-09-10 | Nec Corporation | Information processing device and learning method |
| CN108921893A (zh) * | 2018-04-24 | 2018-11-30 | 华南理工大学 | 一种基于在线深度学习slam的图像云计算方法及系统 |
| CN108898213A (zh) * | 2018-06-19 | 2018-11-27 | 浙江工业大学 | 一种面向深度神经网络的自适应激活函数参数调节方法 |
| CN109685240A (zh) * | 2018-10-24 | 2019-04-26 | 国网浙江省电力有限公司 | 一种基于lstm深度学习的95598话务工单预测与异动预警方法 |
Non-Patent Citations (2)
| Title |
|---|
| DAWEI CHEN: "Prediction of Cloud Resources Demand Based on Fuzzy Deep Neural Network", 《2018 IEEE GLOBAL COMMUNICATIONS CONFERENCE》 * |
| 吴亚婕: "影响学习者在线深度学习的因素及其测量研究", 《电化教育研究》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109255506B (zh) | 一种基于大数据的互联网金融用户贷款逾期预测方法 | |
| CN109165664B (zh) | 一种基于生成对抗网络的属性缺失数据集补全与预测方法 | |
| WO2021155706A1 (zh) | 利用不平衡正负样本对业务预测模型训练的方法及装置 | |
| CN108564129B (zh) | 一种基于生成对抗网络的轨迹数据分类方法 | |
| CN108875916B (zh) | 一种基于gru神经网络的广告点击率预测方法 | |
| WO2021143396A1 (zh) | 利用文本分类模型进行分类预测的方法及装置 | |
| CN111191791A (zh) | 机器学习模型的应用方法、训练方法、装置、设备及介质 | |
| CN114048331A (zh) | 一种基于改进型kgat模型的知识图谱推荐方法及系统 | |
| CN109766557B (zh) | 一种情感分析方法、装置、存储介质及终端设备 | |
| CN107507028A (zh) | 用户偏好确定方法、装置、设备及存储介质 | |
| CN110619540A (zh) | 一种神经网络的点击流预估方法 | |
| CN113255366B (zh) | 一种基于异构图神经网络的方面级文本情感分析方法 | |
| CN115578248B (zh) | 一种基于风格引导的泛化增强图像分类算法 | |
| CN112527966A (zh) | 基于Bi-GRU神经网络和自注意力机制的网络文本情感分析方法 | |
| Yan et al. | Trustworthiness evaluation and retrieval-based revision method for case-based reasoning classifiers | |
| Chen et al. | A new approach for mobile advertising click-through rate estimation based on deep belief nets | |
| CN114036298B (zh) | 一种基于图卷积神经网络与词向量的节点分类方法 | |
| CN113962160A (zh) | 基于用户画像的互联网卡用户流失预测方法及系统 | |
| CN111539444A (zh) | 一种修正式模式识别及统计建模的高斯混合模型方法 | |
| CN115796635A (zh) | 基于大数据和机器学习的银行数字化转型成熟度评价系统 | |
| CN110570048A (zh) | 基于改进在线深度学习的用户需求预测方法 | |
| CN112529637B (zh) | 基于情景感知的服务需求动态预测方法及系统 | |
| CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和系统 | |
| Sheng et al. | Weakly supervised coarse-to-fine learning for human action segmentation in HCI videos | |
| CN113656707A (zh) | 一种理财产品推荐方法、系统、存储介质及设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191213 |
|
| RJ01 | Rejection of invention patent application after publication |