CN111191902A - 合作效果的分析与预测方法 - Google Patents
合作效果的分析与预测方法 Download PDFInfo
- Publication number
- CN111191902A CN111191902A CN201911345916.XA CN201911345916A CN111191902A CN 111191902 A CN111191902 A CN 111191902A CN 201911345916 A CN201911345916 A CN 201911345916A CN 111191902 A CN111191902 A CN 111191902A
- Authority
- CN
- China
- Prior art keywords
- proposal
- partner
- collaborators
- historical
- team
- 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
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种合作效果的分析与预测方法,通过引入个人能力和团队合作两个层面的多种复杂因素对提案成功率影响的建模,可以更为真实地反映个人与团队因素对提案预测的影响程度,提升对于提案成功率的预测效果,同时通过使用包括注意力机制在内的多种方法,能够对多种复杂因素进行完备的可解释性分析,从而提高了预测结果的准确度与可靠性。
Description
技术领域
本发明涉及数据挖掘中的团队合作分析领域,尤其涉及一种合作效果的分析与预测方法。
背景技术
社会的快速发展促使当今的各种生产、生活任务日趋庞大和复杂,使得人们往往选择以团队的形式来应对这些任务。这一现象在面临投票的提案问题上尤为明显。当一个提案人在选择合作者时,往往需要考虑多方面的因素来最大化团队的合作效果,进而完成任务目标。从个人层面看,一个合作者在不同主题下的专业水平,以及其是否能够带来更多潜在支持者都非常重要;从团队层面看,合作者之间是否能够实现技能的互补,同时其所代表的各方利益是否能够平衡亦十分重要。由于提案需求复杂且多变,如何评估提案团队合作的效果,并分析影响提案成功的各种因素,以指导未来更多的提案工作,已成为提案分析所急需解决的重要任务。
目前,围绕团队合作效果分析的预测方法,已有少许相关的技术方案与研究成果,部分代表性的公开技术包括,
CN201811063121.5,一种科研团队合作网络的科研影响力分析方法,基于复杂网络理论,主要将团队抽象为节点进行影响力扩散建模并分析团队影响力。
CN201910448467.5,一种团队评估方法及系统,基于客观因素,通过获取待评估团队的任务数据,对任务数据进行分析建模、输出评估结果。
然而,现有的技术存在两个严重缺陷。一方面,从个人层面看,无论是基于团队合作者个人偏好还是基于团队合作者个人影响力进行建模,其都忽略了团队中合作者之间存在的交互行为和互补信息。另一方面,从团队层面看,尽管现有的模型依靠技能的互补性和合作的强度来衡量团队的合作效果,但他们仍然存在两个问题,一是这类方法无法识别团队合作者的贡献大小,二是这类方法没有考虑到每一位合作者所代表的潜在支持者的态度,以及不同合作渠道的不同贡献,而这两点在提案面临投票的背景中尤为重要。
目前,对于这样两个层面因素的建模及其衍生出的“提案成功与否”问题的预测,虽然目前在团队有效性、社团推荐等研究问题上有着一定的成果,但其将团队问题假设为约束优化问题,并且采用事先定义策略的方式评估团队合作效果,这无疑是低效的。显然,在现实世界中,一个团队的成功与否往往与个人自身因素和团队合作效果两个层面的多种复杂因素息息相关,单纯通过人为设定策略是不合理的。
综上,现有技术的方案忽略了合作者之间的相关信息,使得后续数据处理所涉及的数据不够全面,数据处理过程中考虑的因素较为片面,使得预测结果不够准确;此外,数据处理层面也不够合理,忽略了很多能够影响预测准确度的因素,难以保证预测结果的可靠性。
发明内容
本发明的目的是提供一种合作效果的分析与预测方法,更加真实、全面地还原团队合作中不同因素在提案过程中的影响,并提升对于提案成功率的预测结果。
本发明的目的是通过以下技术方案实现的:
一种合作效果的分析与预测方法,包括:
收集历史提案数据以及合作者之间的历史合作信息;
建立预测模型:预测模型从个人层面与团队合作层面进行建模,其中,个人层面上,根据历史提案数据,计算每一位合作者基于合作者基于自身技能水平面对提案时的态度,以及根据合作者之间的历史合作信息,计算每一位合作者来自不同渠道的支持者的合作效用;团队合作层面,利用个人层面计算到的结果结合注意力机制与损失函数,还原不同合作者的贡献程度和互补效应;
对预测模型进行训练与参数估计后,利用估计到的参数对新的提案进行预测。
由上述本发明提供的技术方案可以看出,通过引入个人能力和团队合作两个层面的多种复杂因素对提案成功率影响的建模,可以更为真实地反映个人与团队因素对提案预测的影响程度,提升对于提案成功率的预测效果,同时通过使用包括注意力机制在内的多种方法,能够对多种复杂因素进行完备的可解释性分析,从而提高了预测结果的准确度与可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种合作效果的分析与预测方法的流程图;
图2为本发明实施例提供的一种合作效果的分析与预测方法的模型图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明实施例提供一种合作效果的分析与预测方法,如图1所示,其主要包括如下步骤:
步骤1、收集历史提案数据以及合作者之间的历史合作信息;
步骤2、建立预测模型:预测模型从个人层面与团队合作层面进行建模,其中,个人层面上,根据历史提案数据,计算每一位合作者基于合作者基于自身技能水平面对提案时的态度,以及根据合作者之间的历史合作信息,计算每一位合作者来自不同渠道的支持者的合作效用;团队合作层面,利用个人层面计算到的结果结合注意力机制与损失函数,还原不同合作者的贡献程度和互补效应;
步骤3、对预测模型进行训练与参数估计后,利用估计到的参数对新的提案进行预测。
本发明实施例上述方案,通过引入个人能力和团队合作两个层面的多种复杂因素对提案成功率影响的建模,可以更为真实地反映个人与团队因素对提案预测的影响程度,提升对于提案成功率的预测效果,同时通过使用包括注意力机制在内的多种方法,能够对多种复杂因素进行完备的可解释性分析,从而提高了预测结果的准确度与可靠性。
为了便于理解,下面结合图2所示的模型对对本发明实施例上述方案做详细的介绍。
一、基本数据的收集、筛选及预处理。
1、基本数据收集。
如图2是a)部分所示,基本数据至少包括:历史的提案信息、以及合作者之间的历史合作信息。
其中,历史的提案信息包括:提案所属的多个主题、提案的文本描述、提案的提出时间、提案的成功与否状态、提案的合作者名单等;除此之外,还包括合作者的相关属性,尤其是合作者所面临不同的合作渠道(如不同的单位、社团)等信息。
合作者之间的历史合作信息以邻接图形式呈现,包括任意两个合作者之间的历史合作次数、历史合作提案信息。
2、数据筛选。
数据筛选主要分为如下三个部分:A)筛选并去除没有提案人与合作者,或者提案人为党派的提案记录;B)筛选并去除数据中缺失提案所属主题的记录;C)通常提案需要经过多轮的修改才能通过,因此仅保留第一次提出时的提案数据进行处理学习。
3、数据预处理。
无论是历史提案信息还是合作者之间的历史合作信息,都包含丰富的文本信息。从历史提案数据以及合作者之间的历史合作信息中提取出文本信息后,首先去除文本信息中停用词,以免对文本信息向量化处理造成干扰。进而,对相应的文本信息进行向量化处理,以便于进行后续分析。本步骤可以采用主流的文本表征模型(如本发明实施例中采用的Doc2Vec模型),并基于公开的停用词表筛去部分停用词。
二、预测模型的建立、训练与参数估计。
本发明实施例中,预测模型从个人层面与团队合作层面进行建模。
1、针对个人层面,对合作者的专业水平与合作渠道进行建模。
在本环节中,将从个人层面出发,对合作者的专业水平与合作渠道进行建模。首先,由于每一位合作者在不同的技能上具有不同的专业水平,因此不同合作者对待同一份提案的态度也不尽相同。例如,对具有更高专业度和专业更为对口的提案,合作者更能充分发挥其能力。为此,在本发明实施例中,首先,定义合作者在不同技能上的专业程度为向量其中为所有技能的集合,z代表合作者,向量的每一维则表示合作者z在相应维度所代表技能上的专业程度;每一位合作者在不同技能(主题)上的专业程度,通过学习每一位合作者历史参与的提案所属的主题以及历史提案的通过情况(即上一步骤得到的信息)得到。通过将每一位合作者的专业程度抽象为向量并进行标准化处理,可以得到每一位合作者在不同技能上专业程度的相对大小,即分值越高即可以反映当前合作者在该主题上越专业。
基于以上合作者的专业程度向量以及提案主题的独热向量,本发明定义合作者面对提案的态度为其代表其专业程度的向量,按元素乘以提案主题的独热向量,如下:
由于合作者在个人层面对于一个提案的态度主要来自于当前提案的主题是否与其自身的专业、偏好主题所契合,因此,通过上述公式可以计算出表示合作者对于一个提案所属主题的态度的向量,分值越高代表合作者在相应主题上越专业越熟悉,倾向性在依然越高。与此同时,我们注意到在个人层面,影响一个提案能否成功的因素不仅有合作者基于自己能力的态度,还包括不同合作渠道所带来的潜在支持者及其影响。由此,本发明定义每一位合作者的支持者集合为该支持者集合由合作者根据预处理后的合作者之间的历史合作信息来获得,其中Φ={φj}代表着来自不同渠道的支持者,φj表示渠道j,每一渠道包含若干支持者,渠道的数量和含义由不同的任务场景所决定。
本发明进一步针对不同渠道的合作效用进行建模,引入图神经网络与注意力机制来衡量合作者和其支持者之间的强度关系。具体实施情况如下,本发明根据下式首先计算不同渠道中任一支持者的支持强度:
其中,σ(·)表示为激活函数(activation function),||表示向量的连接操作,Wo表示权重矩阵,T为矩阵转置符号;表示在第i个提案中,合作者z受到的来自其支持者的支持效用大小,即计算各渠道不同支持者对于合作者的合作效用。随后,本发明使用softmax函数对进行归一化,得到每一个支持者合作效用的相对大小,如下式所示:
由此,完成了对于每一位合作者的专业水平和合作渠道所产生影响的建模。在此基础之上,考虑到不同合作渠道的重要性不尽相同,因此定义对于每一位合作者来说,不同渠道的重要性为并对其进行归一化处理,得到不同合作渠道的重要性利用该重要性、初步的合作效用以及不同渠道的偏置计算最终的合作者来自各渠道的合作效用:
2、针对团队层面,利用个人层面计算到的结果结合注意力机制与损失函数,还原不同合作者的贡献程度和互补效应。
以往的研究往往着眼于使用唱票数据集来还原提案的通过过程,而极大的忽略了提案团队的合作效应。事实上,合作效应已经成为衡量一个团队能否完成既定目标的关键因素。在本发明中,对于团队效应的描述分为两个部分,一是衡量一个提案中不同合作者的贡献程度,二是衡量提案团队的互补效应。因此,在本环节,使用注意力机制来衡量每一位合作者的贡献大小,并最终得到整个提案团队的整体表征。首先,通过使用注意力机制,考量每一位合作者自身的专业水平向量、其对提案的态度,以及其不同合作渠道的效用,计算每一位合作者的贡献程度大小,如下式所示:
其中,W为权重矩阵。
针对每一位合作者的属性特点(即上述三种因素拼接所得的向量)学习得到其在团队内部的贡献大小。考虑到团队内每一位合作者的贡献是相对的,因此本发明仍然采用softmax函数进行归一化处理,得到经归一化后的贡献大小,如下式所示:
最终,我们利用每一位合作者的贡献程度的大小乘以其自身专业程度向量并求和,从而得到了整个提案团队的表征,而这一表征也将进一步用来衡量团队的互补性以及进行训练与预测。本发明通过使用多层前馈神经网络来对这一团队表征进行学习,最终得到第i个提案的预测值。
通过计算每一位合作者的专业水平和合作渠道效用,本发明得以获得每一位合作者的贡献大小,并进一步计算得到提案团队层面的表征。为进一步衡量团队合作效应中的互补性,在设计损失函数时,假设经过团队的合作与博弈以后,所提出的提案内容应与提案团队本身的技能与利益更为契合。相应的,提案团队的表征应该与提案本身的表征具有更高的相似性。基于此,首先定义第一部分损失函数为:
其次,考虑到提案的成功与否预测问题可以转化一个经典的二分类问题,因此,设计的第二部分损失函数为交叉函数,用于衡量预测结果与真实结果的差距,如下式所示:
其中,yi为真实结果,y′i表示预测模型的预测结果。
最终得到用于训练的损失函数为如下形式:
L=Lhd+Lbi+λLreg
其中,为了避免过拟合现象,本发明使用L2正则来对参数进行惩罚,即Lreg,λ为惩罚超参数。
三、模型应用于预测任务。
在完成模型训练与参数估计步骤以后,基于已训练的参数,在个人层面,可以衡量每一位合作者自身在不同技能上的专业水平,并且衡量合作者与其不同合作渠道的潜在支持者之间的合作效用;在团队层面上,可以衡量团队合作中的每一位合作者的贡献大小以及团队合作的互补关系。同时,基于个人层面和团队层面的两重因素,可以实现对提案成功与否的预测,具体步骤如下:
首先,进行参数初始化:对新的提案进行预测时,将新的提案的文本信息进行向量化,新的提案的团队中所有合作者采用估计到的参数与然后,基于训练得到的模型以及参数初始化得到的输入,进行前向传播过程,获得新的提案对应团队的表征再通过多层前馈神经网络,得到新的提案是否能够顺利通过的预测结果。
本发明实施例中,多层前馈神经网络可以通过常规技术来实现,多层前馈神经网络输出出来两个值,第一个值大于第二个值表示通过,第一个值小于第二个值表示失败。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (7)
1.一种合作效果的分析与预测方法,其特征在于,包括:
收集历史提案数据以及合作者之间的历史合作信息;
建立预测模型:预测模型从个人层面与团队合作层面进行建模,其中,个人层面上,根据历史提案数据,计算每一位合作者基于合作者基于自身技能水平面对提案时的态度,以及根据合作者之间的历史合作信息,计算每一位合作者来自不同渠道的支持者的合作效用;团队合作层面,利用个人层面计算到的结果结合注意力机制与损失函数,还原不同合作者的贡献程度和互补效应;
对预测模型进行训练与参数估计后,利用估计到的参数对新的提案进行预测。
2.根据权利要求1所述的一种合作效果的分析与预测方法,其特征在于,
所述历史提案数据包括:提案所属的多个主题、提案的文本描述、提案的提出时间、提案的成功与否状态、提案的合作者名单、以及合作者的相关属性;
所述合作者之间的历史合作信息以邻接图形式呈现,包括任意两个合作者之间的历史合作次数、及历史合作提案信息。
3.根据权利要求1或2所述的一种合作效果的分析与预测方法,其特征在于,所述收集历史提案数据以及合作者之间的历史合作信息之后还包括数据的预处理,步骤包括:
从历史提案数据以及合作者之间的历史合作信息中提取出文本信息,去除文本信息中的停用词,再进行向量化处理。
5.根据权利要求1所述的一种合作效果的分析与预测方法,其特征在于,所述根据合作者之间的历史合作信息,计算每一位合作者来自不同渠道的支持者的合作效用包括:
首先,计算不同渠道中任一支持者的支持强度:
6.根据权利要求1所述的一种合作效果的分析与预测方法,其特征在于,团队合作层面,利用个人层面计算到的结果结合注意力机制与损失函数,还原不同合作者的贡献程度和互补效应包括:
其中,W为权重矩阵;
对合作者z的贡献程度进行归一化处理:
之后,计算每一合作者的贡献大小,从而获得第i个提案团队的表征:
通过损失函数来还原合作者的互补效应,损失函数分为分为两部分,第一部分为:
第二部分用于衡量预测结果与真实结果的差距,表示为:
其中,yi为真实结果,y′i表示预测模型的预测结果;
结合上述两部分损失函数以及L2正则项Lreg,得到最终的损失函数为:
L=Lhd+Lbi+λLreg
其中,λ为惩罚超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911345916.XA CN111191902A (zh) | 2019-12-24 | 2019-12-24 | 合作效果的分析与预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911345916.XA CN111191902A (zh) | 2019-12-24 | 2019-12-24 | 合作效果的分析与预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111191902A true CN111191902A (zh) | 2020-05-22 |
Family
ID=70709355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911345916.XA Pending CN111191902A (zh) | 2019-12-24 | 2019-12-24 | 合作效果的分析与预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191902A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667158A (zh) * | 2020-05-26 | 2020-09-15 | 南开大学 | 一种基于多图神经网络联合学习的工作技能预测方法 |
CN113706109A (zh) * | 2021-08-27 | 2021-11-26 | 上海哔哩哔哩科技有限公司 | 任务处理方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160321599A1 (en) * | 2015-04-30 | 2016-11-03 | International Business Machines Corporation | Predicting outcomes from measures of group cooperation with applications in traffic alert and control |
CN106778894A (zh) * | 2016-12-29 | 2017-05-31 | 大连理工大学 | 一种学术异构信息网络中作者合作关系预测的方法 |
CN106886571A (zh) * | 2017-01-18 | 2017-06-23 | 大连理工大学 | 一种基于社会网络分析的学术合作可持续性的预测方法 |
CN109145087A (zh) * | 2018-07-30 | 2019-01-04 | 大连理工大学 | 一种基于表示学习和竞争理论的学者推荐及合作预测方法 |
US20190286990A1 (en) * | 2018-03-19 | 2019-09-19 | AI Certain, Inc. | Deep Learning Apparatus and Method for Predictive Analysis, Classification, and Feature Detection |
CN110413844A (zh) * | 2019-05-24 | 2019-11-05 | 浙江工业大学 | 基于时空注意力深度模型的动态链路预测方法 |
-
2019
- 2019-12-24 CN CN201911345916.XA patent/CN111191902A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160321599A1 (en) * | 2015-04-30 | 2016-11-03 | International Business Machines Corporation | Predicting outcomes from measures of group cooperation with applications in traffic alert and control |
CN106778894A (zh) * | 2016-12-29 | 2017-05-31 | 大连理工大学 | 一种学术异构信息网络中作者合作关系预测的方法 |
CN106886571A (zh) * | 2017-01-18 | 2017-06-23 | 大连理工大学 | 一种基于社会网络分析的学术合作可持续性的预测方法 |
US20190286990A1 (en) * | 2018-03-19 | 2019-09-19 | AI Certain, Inc. | Deep Learning Apparatus and Method for Predictive Analysis, Classification, and Feature Detection |
CN109145087A (zh) * | 2018-07-30 | 2019-01-04 | 大连理工大学 | 一种基于表示学习和竞争理论的学者推荐及合作预测方法 |
CN110413844A (zh) * | 2019-05-24 | 2019-11-05 | 浙江工业大学 | 基于时空注意力深度模型的动态链路预测方法 |
Non-Patent Citations (2)
Title |
---|
余传明;林奥琛;钟韵辞;安璐;: "基于网络表示学习的科研合作推荐研究" * |
吕伟民;王小梅;韩涛;: "结合链路预测和ET机器学习的科研合作推荐方法研究" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667158A (zh) * | 2020-05-26 | 2020-09-15 | 南开大学 | 一种基于多图神经网络联合学习的工作技能预测方法 |
CN111667158B (zh) * | 2020-05-26 | 2022-06-10 | 南开大学 | 一种基于多图神经网络联合学习的工作技能预测方法 |
CN113706109A (zh) * | 2021-08-27 | 2021-11-26 | 上海哔哩哔哩科技有限公司 | 任务处理方法及装置 |
CN113706109B (zh) * | 2021-08-27 | 2024-05-14 | 上海哔哩哔哩科技有限公司 | 任务处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648049B (zh) | 一种基于用户行为区别建模的序列推荐方法 | |
CN110503531B (zh) | 时序感知的动态社交场景推荐方法 | |
Liao et al. | Two new approaches based on ELECTRE II to solve the multiple criteria decision making problems with hesitant fuzzy linguistic term sets | |
US11257041B2 (en) | Detecting disability and ensuring fairness in automated scoring of video interviews | |
Cruz-Benito et al. | Enabling adaptability in web forms based on user characteristics detection through A/B testing and machine learning | |
Tang et al. | An exploratory analysis of the latent structure of process data via action sequence autoencoders | |
Dantas et al. | Effort estimation in agile software development: An updated review | |
Azzouz et al. | Steady state IBEA assisted by MLP neural networks for expensive multi-objective optimization problems | |
CN111695965A (zh) | 基于图神经网络的产品筛选方法、系统及设备 | |
CN112925911B (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
Phadke et al. | Pathways through conspiracy: the evolution of conspiracy radicalization through engagement in online conspiracy discussions | |
CN113610552A (zh) | 一种用户流失预测方法及装置 | |
Wu et al. | A study of incorporation of deep learning into software reliability modeling and assessment | |
CN111523738B (zh) | 基于用户在线学习行为模式预测学习效果的系统及预测方法 | |
CN111191902A (zh) | 合作效果的分析与预测方法 | |
Atoum | Measurement of key performance indicators of user experience based on software requirements | |
Xiao et al. | A state response measurement model for problem-solving process data | |
Santos et al. | Perceived key determinants of payment instrument usage: A fuzzy cognitive mapping-based approach | |
CN114491255A (zh) | 推荐方法、系统、电子设备和介质 | |
Canagareddy et al. | A machine learning model to predict the performance of university students | |
Jiang et al. | Augmenting personalized question recommendation with hierarchical information for online test platform | |
Agarwal et al. | Usability estimation of component-based software system using adaptive neuro fuzzy approach | |
CN112559905A (zh) | 一种基于双模式注意力机制和社交相似度的会话推荐方法 | |
Nurhidayat et al. | Analysis and Classification of Customer Churn Using Machine Learning Models | |
Zhong et al. | Predicting Collaborative Task Performance Using Graph Interlocutor Acoustic Network in Small Group Interaction. |
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 |