电影分类器
MOV 01 E/11/145 —Harshani SKE E/11/343 — Rodrigo ARSP E/11/368 — Selvaluxmiy S.
介绍
背景介绍
电影分类是学术界和工业界都感兴趣的话题。 大多数分类都集中在用户对选择未来电影的偏好上。 但是，针对电影未来流行程度的分类方案使制片人、金融家、学者甚至观众能够了解导致电影成功的因素。 这是因为太多不同程度的参数是相关的，找到一种合适的方式在单个实例中表示与电影相关的所有信息是一项繁琐的任务。 即使找到了一种表示电影的方法，生成模型的分类器的最终选择也需要大量研究。 同样，在发行后的电影的情况下，兴趣点集中在财务回报上。 在这种情况下也存在数据表示和分类的问题。 因此，需要设计一个易于挖掘的数据集以及适当的分类器，可用于生成模型来预测上映前和上映后电影的流行度分类。
动机
创建自动电影分类软件的动机是纯粹
2021-07-06 12:05:09
3.27MB
1
使用问卷为：大学生手机消费偏好~
对问卷进行发放及回收
对问卷结果整理后
使用spss对数据进行分析并得出结论
2021-06-05 14:18:03
254KB
1
20210516-国泰君安-汽车行业：风险偏好提升驱动下的板块行情.pdf
2021-05-17 10:03:46
1.43MB
在查看文本挖掘方法的文献之后，我们（本文作者）发现很少有研究人员研究文本挖掘方法在大规模在线评论中的效用。 我们从电子商务平台吸引了超过40万条评论，并计算了情感价值和特征词的出现频率。 然后，我们研究了销售量和情感价值的时间维度和地理分布，以及特征关键字的地理分布。 通过这样做，我们提取了有价值的信息并讨论了在线用户的消费者概况，得出的结论是销量不一定与情感强度和情感水平相对应。
2021-05-06 09:02:08
592KB
将知识图谱作为辅助信息引入到推荐系统中，可以有效地增强推荐系统的学习能力，提高推荐系统的精准度和用户满意度。针对知识图谱上的偏好传播问题，提出一种基于知识图谱用户偏好传播的实体推荐模型，目的是在传播偏好的同时兼顾传播强度，提高推荐效果。通过提取不同特定属性的基本特征控制用户偏好在知识图谱上的传播强度，然后根据每个用户的历史偏好传播强度在知识图谱上迭代计算，得到用户—项目对的偏好传播模型，最终通过排序学习进行top N推荐。最后，在三个不同类型数据集上的对比实验验证该模型算法的有效性。实验证明，在偏好传播的同时控制传播强度可以很好地提升推荐系统的准确率、召回率以及F1值，同时具有很强的灵活性和可解释性。
2021-04-30 17:02:58
1.59MB
1
20210425-华创证券-中资美元债周报：风险偏好回升，二级市场大涨.pdf
2021-04-26 19:03:23
1.36MB
20210421-财通证券-基金重仓股研究系列：百亿基金经理都偏好哪些股票.pdf
2021-04-25 09:02:37
568KB