基于LDA—加权Word2Vec组合的机器学习情感分类模型研究

为解决社交媒体用户发布评论文本过长,导致情感倾向不明确,情感特征分布离散,传统情感分类模型缺乏上下文语义分析,提取情感特征不准确,分类精准率较低的难题,提出一种主题模型与词向量组合特征（LDA-Word2Vec）的情感分类模型。通过LDA主题模型对长评论文本进行特征提取,构建所有主题下的特征词库;借助特征词库构建长评论的LDA特征表达;利用CBOW训练得到特征表达后文本的词向量表示,使用TF-IDF对词向量进行加权并融合语义特征,再构建机器学习模型对长评论文本进行情感分类的方法,研究了机器学习情感分类模型。实验结果表明：相较于传统的文本特征表示方法,本文提出的LDA-Word2Vec组合特征的方法,在情感分类的准确率与召回率的表现上都更加优秀。可见本文的模型能够进一步挖掘文本的情感特征,具有一定学术意义和现实意义。     

基于自适应图像增强技术的水族文字提取与识别研究

传统的少数民族文字缺乏利用数字图像处理技术进行分析的研究,水族古文字依靠口传、纸张手抄、刺绣、碑刻、木刻和古籍等传承,文字清晰度不足,数字化读取困难,无法满足信息化时代对濒危水族文字抢救提出的新要求.文中提出一种基于自适应图像增强及区域检测的水族文字提取与分割算法,通过对数变换和伽玛变换处理复杂环境下图像的光照影响,利用中值滤波降低噪声,接着采用Sobel算子提取水书灰度图像的文字边缘细节,通过阈值化、膨胀和腐蚀处理提取文字轮廓,最后通过区域检测与文字定位算法实现水族古文字的提取和分割.实验结果表明该算法能有效降低图像噪声并提取水族文字,分离的水族文字信息较完整,在一定程度上减轻了民族研究者和考古专家的工作量.该算法可以应用于水族文字识别、文物修复和保护、水族文化传承等领域,具有一定的应用前景和实用价值.     

基于ARIMA与SVR滚动残差模型组合的股票预测

为提高金融市场股票的预测精确度,提出自回归差分移动平均与支持向量机滚动残差模型组合的预测股票方法。以贵州茅台的股票数据为研究对象,借助ARIMA模型实现对股票数据的线性趋势预测,通过滚动残差的SVR回归模型对ARIMA模型的预测残差进行数据修正,得到ARIMA＿SVR滚动残差模型的预测值。实验结果表明,相较于传统ARIMA模型,ARIMA与滚动残差SVR组合模型的性能和预测精度都得到大幅提升,具有一定的学术价值和应用意义。     

大数据视域下余华文学作品文本挖掘研究

利用大数据和人工智能方法精准识别海量学术成果的主流学术关键,挖掘作品内涵知识及分析文学主题关联尤为重要,本文针对余华文学作品的研究文献开展主题特征、行文脉络研究,在数字人文视域下为把握作者创作倾向和特点提供依据。结合数据挖掘和主题演化的方法对中国知网余华文学作品相关文献进行分析,确认余华文学作品研究核心团体。再对余华文学文献进行文本挖掘,发掘出余华文学研究热点及关联。本文挖掘出了余华作品的核心主题、现实意义和艺术价值,为以其小说为素材的影视改编、艺术创作尽可能还原主题起到积极作用,可提供有效参考和借鉴。     

基于时间序列及K-Means聚类的学生就业形式分析

随着网络的飞速发展,全球数据呈爆发增长,大数据正在慢慢改变着我们的生活方式,对经济发展、社会秩序等都产生着重大影响.如何对海量数据进行分析并得出有效结论,使数据产生价值,已经成为目前信息技术的重点问题.本文就校园招聘信息对大学生就业形势进行数据挖掘,通过WordCloud词云技术、K-Means聚类算法、时间序列和回归...     

企业竞争情报主题挖掘与主题演化研究

研究了我国企业竞争情报的热点主题和主题演化态势,利用主题挖掘与主题演化方法系统梳理了我国企业竞争情报领域的研究成果.通过Python自动提取及预处理文献数据,再利用共词分析、LDA模型和知识图谱挖掘该领域的核心科研群体和热点主题,最后结合主题演化方法梳理企业竞争情报的发展脉络.该研究可为企业竞争情报领域今后的相关探索提...     

大数据时代数据挖掘与分析课程教学改革探究

从理论知识、编程实践、工程实战三个方面对数据挖掘与分析课程进行教学改革.课程采用Python编程语言,围绕贵州省经济文化特色及大数据发展战略,充分运用大数据、数据挖掘、知识图谱等新兴技术来分析贵州省各领域现状,挖掘其内在价值.近三年的教学实践证明了该教学改革的创新性和有效性,培养了学生的大数据思维,为贵州省聚焦大数据战略行动贡献力量.