检索结果-内蒙古大学图书馆

新疆财经大学学报 2024年第3期 28-39页

作者：李磊袁世昌新疆财经大学新疆乌鲁木齐830012 新疆财经大学新疆社会经济统计与大数据应用研究中心新疆乌鲁木齐830012

文章通过构建有向加权的空间关联网络刻画省域间数字经济空间关联关系,实证检验网络节点特征对区域经济增长的影响。研究发现:2013—2021年,我国数字经济整体发展水平显著提升,但区域间发展差异突出。我国省际数字经济空间关联网络的通... 详细信息

文章通过构建有向加权的空间关联网络刻画省域间数字经济空间关联关系,实证检验网络节点特征对区域经济增长的影响。研究发现:2013—2021年,我国数字经济整体发展水平显著提升,但区域间发展差异突出。我国省际数字经济空间关联网络的通达性不强,呈现地理聚集性,具有典型的“核心-边缘”特征,由东部发达地区构成的净受益板块对数字资源的“虹吸效应”明显。此外,网络中节点地位的差异性明显,具有明显的层级分化特征,节点地区有向转变中心性和控制力对区域经济增长有显著的正向影响,说明数字经济产生的区域联动效应和关联溢出效应对提升经济发展水平具有重要的驱动作用。

关键词：数字经济空间关联有向加权网络社会网络分析经济增长

来源：评论

学校读者我要写书评

暂无评论

基于圈结构的LPANNI优化算法

引用

计算机应用研究 2022年第9期39卷 2717-2722,2744页

作者：刘继贾芳弟新疆财经大学统计与数据科学学院乌鲁木齐830012 新疆财经大学新疆社会经济统计与大数据应用研究中心乌鲁木齐830012

针对重叠社区发现准确率提升问题,提出了一种基于圈结构的LPANNI优化算法CLPANNI(cycle label propagation algorithm with neighbor node influence)。该算法通过挖掘节点的最小圈信息,依据圈比指标衡量节点的重要性并按升序进行标签更... 详细信息

针对重叠社区发现准确率提升问题,提出了一种基于圈结构的LPANNI优化算法CLPANNI(cycle label propagation algorithm with neighbor node influence)。该算法通过挖掘节点的最小圈信息,依据圈比指标衡量节点的重要性并按升序进行标签更新,增加了标签传播过程的稳定性,按照邻居节点影响力大小加权接收邻居节点传递的标签。与四种基准算法在NMI_LFK、NMI_MGH、M^(OV)指标下进行测试比较,CLPANNI算法在社区发现准确率方面表现较好。实验结果表明,该算法能够有效探测网络重叠社团结构,发现网络的紧密子团,识别的社团分布与真实网络结构更为接近。

关键词：复杂网络圈结构标签传播算法重叠社区发现

来源：评论

学校读者我要写书评

暂无评论

基于SimCSE和BERT混合模型的短文本情感分类

引用

计算机仿真 2024年第5期41卷 348-352,435页

作者：刘继李帅文新疆财经大学统计与数据科学学院新疆乌鲁木齐830012 新疆财经大学新疆社会经济统计与大数据应用研究中心新疆乌鲁木齐830012

为了解决BERT模型训练效果受到文本向量存在的各向异性问题,将对比学习(SimCSE)和BERT结合起来构建模型(SimCSE-BERT),分类器不但通过对比学习思想扩充了训练数据量,还可基于SimCSE模型获得“对齐”和“均匀性”俱佳的文本向量去优化基... 详细信息

为了解决BERT模型训练效果受到文本向量存在的各向异性问题,将对比学习(SimCSE)和BERT结合起来构建模型(SimCSE-BERT),分类器不但通过对比学习思想扩充了训练数据量,还可基于SimCSE模型获得“对齐”和“均匀性”俱佳的文本向量去优化基础BERT模型以提高分类效果。实验结果表明,与基础BERT模型相比,混合模型的准确率在外卖、携程酒店和淘宝数据集上分别提升0.562、0.584和0.734个百分点。该模型在短文本情感分类数据集上的分类效果有明显提升,并且具有良好的泛化能力。

关键词：情感分类混合模型文本向量

来源：评论

学校读者我要写书评

暂无评论

基于边聚合的图卷积神经网络节点分类

引用

信息技术与信息化 2023年第4期 21-25页

作者：曹锦刘继新疆财经大学统计与数据科学学院乌鲁木齐830012 新疆财经大学新疆社会经济统计与大数据应用研究中心乌鲁木齐830012

随着图网络和深度学习技术的发展,如何在图上构建深度学习模型近些年受到研究者的广泛重视。图卷积神经网络能够有效地学习图的语义信息和提取网络结构信息,在节点分类任务上取得了一定的效果,但如何更全面地利用图中丰富的语义信息,使... 详细信息

随着图网络和深度学习技术的发展,如何在图上构建深度学习模型近些年受到研究者的广泛重视。图卷积神经网络能够有效地学习图的语义信息和提取网络结构信息,在节点分类任务上取得了一定的效果,但如何更全面地利用图中丰富的语义信息,使节点划分的结果更为准确仍面临着挑战。针对以上问题,提出了基于聚合过程的图卷积神经网络(aggregate graph convolution neural network,AGGCN)。通过设计聚合过程将边的信息经聚合方法汇聚至节点上,在后续进行图卷积时能更充分地利用图本身所包含的丰富语义信息,生成更为合理的节点语义表示。在三个公开的引文网络数据集上将AGGCN与五种基准方法进行了实验对比分析,实验结果验证了AGGCN的有效性,表明AGGCN能更加全面地利用图的语义信息提升节点分类的效果。

关键词：图深度学习图卷积神经网络聚合节点分类

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：