“非学术文献”由于质量参差不齐、非结构化、获取性不确定等特点,未被情报研究者给予足够重视。以情报研究中容易被忽视的书评论文为研究对象,选取美国中央情报局(CIA)内刊Studies in Intelligence近五年书评文章作为实证案例,析取其...
详细信息
“非学术文献”由于质量参差不齐、非结构化、获取性不确定等特点,未被情报研究者给予足够重视。以情报研究中容易被忽视的书评论文为研究对象,选取美国中央情报局(CIA)内刊Studies in Intelligence近五年书评文章作为实证案例,析取其中的隐含信息。结果显示,“非学术文献”具有重要理论研究价值和现实指导意义。本研究为开发利用“非学术文献”资源提供了实践经验,为挖掘隐含信息有关的情报研究工作提供了新思路和新方法。
为了提高财务危机预测的性能,采用循环神经网络(Recurrent neural network,RNN)对关键指标进行分析训练,以解决因为时间变化带来的深度学习网络预测准确率性能下降的问题。选取关键指标特征生成预测样本,并充分利用RNN在时间序列的循环计算优势,采用差异化时间序列的赋权策略,记忆不同历史时间序列对RNN预测分析的影响。经过RNN训练,并采用隐藏层输出不断循环的方式,将历史时间段输入不断作用于当前训练输出。引入人工蜂群(Artificial bee colony,ABC)算法在RNN反向传播过程中对时间序列权重进行更新。将RNN网络输出值与预测值的均方误差作为ABC的适用度函数,获得全局最优的ABC-RNN预测模型。试验证明,合理优化历史时间序列权重,能够获得较高的危机预测准确率。和常用预测算法对比,所提ABC-RNN算法的预测准确率更高,且曲线面积(Area under the curve,AUC)值更高。
暂无评论