sentiment-analysis-platform 基于LSTM的电商评论情感分析平台 技术要点： Java前端：Bootstrap4、jQuery Java后台：SpringBoot Python服务: Python3、Flask 数据库：MySQL、MongoDB 模型框架：Keras+TensorFlow 爬虫：selenium

解释一致性框架 该存储库包含在Explantion Consistency Framework（ECF）的开发中使用的整个代码库。 ECF是在我的整个硕士论文中进行研究和开发的，可以评估和比较LIME和SHAP等不同解释方法之间的解释质量。 此外，笔记本还包含对使用的数据集的描述性和视觉分析，以及包括XGB和LSTM在内的一系列预测模型的实现，以及两种解释方法LIME和SHAP的应用。

最近，推荐系统（RS）的递归神经网络（RNN）解决方案变得越来越流行。 洞察力在于，用户动作序列中存在一些固有的模式，并且事实证明，当对顺序数据进行建模时，RNN的表现非常出色。 在诸如语言建模之类的传统任务中，RNN解决方案通常仅考虑对象的顺序顺序，而没有间隔的概念。 但是，在RS中，用户动作之间的时间间隔对于捕获用户动作与传统RNN体系结构之间的关系非常重要，不利于对它们进行建模。 在本文中，我们提出了一个新的LSTM变体，即Time-LSTM，以对用户的顺序动作进行建模。 Time-LSTM为LSTM配备时间门，以对时间间隔进行建模。 这些时间门经过专门设计，因此与传统的RNN解决方案相比，Time-LSTM可以更好地捕捉用户的短期和长期利益，从而提高推荐性能。 对两个真实数据集的实验结果表明，使用Time-.LSTM推荐方法优于传统方法。

LSTM模型缓解长期依赖问题的数学证明（符号计算程序）

利用LSTM循环神经网络对多维数据进行预测，先对数据进行归一化处理，划分为训练集、测试集，用4个参数预测一个参数值

Long short-term memory (LSTM) is a recurrent neural network (RNN) architecture that remembers values over arbitrary intervals. Stored values are not modified as learning proceeds. RNNs allow forward and backward connections between neurons. An LSTM is well-suited to classify, process and predict time series given time lags of unknown size and duration between important events. Relative insensitivity to gap length gives an advantage to LSTM over alternative RNNs, hidden Markov models and other sequence learning methods in numerous applications.

针对风电功率预测问题，在现有预测方法和概率性区间预测的基础上，提出基于深度学习分位数回归的风电功率概率预测方法。该方法采用Adam随机梯度下降法在不同分位数条件下对长短期记忆神经网络(LSTM)的输入、遗忘、记忆、输出参数进行估计，得出未来200 h内各个时刻风电功率的概率密度函数。根据美国PJM网上的风电功率实际数据的仿真结果表明，所提方法不仅能得出较为精确的点预测结果，而且能够获得风电功率完整的概率密度函数预测结果。与神经网络分位数回归相比，其精度更高，且在同等置信度下的预测区间范围更小。

股票预测 LSTM模型预测股票价格

使用带有LSTM的DRL进行库存预测 该项目专注于股票预测，我们的目标是使用带有DSTM的DRL来实现一个交易框架。

自用，稳定可用