分析大学生舆论基于机器学习和进化算法

文摘

最近的信息爆炸大学生也有很多负面影响,比如学习分心和成瘾意义和假新闻。为了避免这些现象,有必要验证学生的心境,给他们适当的指导。然而,许多特点,包括主题集中,多方向、低一致性不同样本的利益带来巨大挑战,而利用主流意见挖掘方法。为了解决这个问题,本文提出了一种新的方式使用问卷涵盖学生生活的大多数方面收集全面的信息和饲料到神经网络的信息。与可靠的预测学生的精神状态和意识功能的重要性,学校可以给学生指导与自己的经验,使宏观政策更有效。提出了一种管道来缓解过度拟合训练期间收集到的信息。首先,使用奇异值分解预处理的数据集,包括异常检测和降维。然后,介绍了遗传算法在训练过程中找到恰当的初始参数的网络,并通过这种方式,它可以防止网络陷入局部最小值。的方法计算学生的特性也提出的重要性。实验结果表明,新管道运行良好,并预测新样本的预测具有较高的精度。 The design procedure and the prediction design will provide suggestions to deal with students’ state of mind and the college’s public opinion.

1。介绍

青年大学生是最重要的时期建立成熟的人生观和价值观。在大学里,学生对生活的感知和各种事物包括公众舆论,也会影响学生的思想。互联网的出现增加了大众媒体的多元化,这使得人们能够获得他们感兴趣的信息,随时随地。然而,信息的质量和可靠性越来越差。一些不真实的和消极的信息可能污染公众舆论在大学,造成有害影响学生的心理状态。个性,研究研究表明,学生沉迷于互联网和无线智能手机等移动设备与增加压力和焦虑,而学习成绩下降和生活满意度1,2]。这些影响可以让学生采取悲观的看法和感觉他们的生活毫无意义,表示强烈与抑郁症的关系,甚至自杀。对社会,谣言的传播可以使学生更加可疑,把社交媒体和政府视为骗子(而不是3]。当学生毕业后进入社会,他们对政府的不信任会让不和谐的空间。一个学生的精神状态是公众舆论的细胞在大学,也有强有力的证据表明,学生在积极的环境中更容易取得伟大的成就(4]。保护学生免受信息爆炸的负面影响,高校应该专注于为指导学生记住问题,负责帮助他们正确的人生观和价值观,并使他们愿意争取整个人类的发展。

然而,学生通常不愿意寻求指导的思想状态,因为他们中的许多人不想被视为“生病。“这需要学校积极落实指导学生。但是如果学生倾向于隐藏他们的问题,为高校会有问题知道谁需要引导当面对成千上万的学生。使用机器学习的方法之一(ML)工具,如神经网络(NN)来预测学生的精神状态。毫升工具可以自动从学生学习函数的特性,他们的心境,使快速、准确地预测,只要有足够多的训练数据。与精确预测学生的思想状态,大学可以调整指导根据学生的自身特点来增强其有效性(5]。

ML被广泛用于预测人们的意见事情通过文本分析互联网上收集的数据,但它可能不是那么多有用预测学生的精神状态。这是因为预测学生的精神状态有几个特点:(1)关注主题:这项工作是关注的人做出判断,而不是判断他们;(2)多方向:加强分析的正确性,预测应该学习大量的信息从不同的方面,但学生可能不会在网上发布一些信息在前方;(3)低一致性方面:不同的学生要注意不同的问题,因此,固执己见使回答某问题作为一个公共的标准。为了满足这些特性,更丰富的数据应该收集单个样本涵盖方方面面的意见与学生的日常生活,和不同样本的数据应该在他们的内容有很好的一致性。如果只是基于文本的数据从互联网收集,数据集将不够有效。相反,传统的方法使用问卷调查得到的数据能更好地满足要求。所使用的调查问卷是精心设计的,涵盖的方面,大多数大学生,和规模的问题可以帮助量化学生的情绪在不同的问题。使用问卷调查的方式也可以强迫学生回答相同的问题,不同样本之间的数据可以有很高的一致性方面的内容。

毫升工具作为神经网络预测器。预测,泛化性能最重要的一个标准,这意味着新鲜样品的预测精度。然而,样本的高维度将使本身太稀疏填充样本空间。在神经网络的训练过程,样本的缺乏会导致过度拟合(6]。一个过度拟合神经网络的训练集,但可怜的新鲜样本预测精度。因此,需要一种新的方式来解决这个问题。本文将介绍一种使用奇异值分解(圣)直接降低维度,并添加一个闭环基于遗传算法(GA)对训练过程来缓解过度拟合。后获得神经网络具有良好的泛化性能,计算每个特征的重要性的方法也提出,可以帮助高校结合宏观政策和微观指导,加强整体有效性。

部分2评审的相关工作。部分3介绍了利用奇异值分解预处理的过程数据集。部分4介绍了方法的预测具有良好的泛化性能,特性的计算方法的重要性。部分5描述了实验的细节并显示结果。部分6总结我们的研究,并介绍了未来的工作。

2。相关的工作

矿业研究人类早期的观点。彭日成et al。7从IMDb)收集评估数据,并使用不同的工具等机器学习的朴素贝叶斯分类、最大熵分类,并支持向量机分类观众的人气电影。汗等。8]分析了丰富的文本在Twitter上有关特定产品和服务和总结用户的这些对象的总体观点帮助生产者和服务器改善他们的作品。詹et al。9)设计了一个算法,不仅开采从海关审查意见,还自动指出这些观点的突出主题,从而使分析更具针对性。周et al。10]研究转移海关的评论了答案的问卷由算法自动生成和分析收集到的数据指出的要点是什么来改善用户的体验。不仅有研究关注对象,但同时其他几个人,试图把注意力放在人的身上。例如,库辛斯et al。11)使用“Facebook”喜欢预测一系列高度敏感的个人属性和高精度分类问题。Baik et al。12)使用购买行为来预测人们的分数在四个不同的人格特质与先前的研究相比,显示更好的精度。除了上述的研究在不同的应用程序中,一些研究者也总结在整个舆论矿业领域工作。彭日成和李13)专注于改进的方法来解决意见挖掘提出的新的挑战。Tsytsarau和Palpanas14)试图给一个定义意见挖掘澄清什么是我应该做的基本工作公众舆论。拉维和拉维15]研究划分为不同级别和总结每个水平的特征。这些摘要提供人员强大的工具来做意见挖掘和给标准来评估他们的工作。

使用问卷调查的方法收集数据已广泛应用在许多情况下,有必要建立一个人的全面的个性特征。Topp et al。16]回顾213相关文章检查问卷调查的效用WHO-5幸福指数,证实了其有效性在抑郁筛选和在临床试验中测量结果。加芬克尔et al。17)用问卷测量内感受器的敏感性,这是一个重要的维度的拦截。这可能有助于解释的认知、情感、和临床协会内感受器的能力。Duckworth和耶格尔18)被认为是自我报告问卷更有效率等内部心理状态评估的研究相比归属感的感觉与其他措施。

从之前的研究研究,很明显,使用问卷调查的方法是擅长收集全面的数据从一个人,以及不同人之间的数据方面有很高的一致性。收集到的数据可以是一个很好的培训材料转变观点挖掘学习的内在联系学生的行为和他们的心境。本文结合这两种方法克服了特点和可以精确预测学生的精神状态。

3所示。数据收集和预处理

本节将介绍数据的来源是关于大学生的心理状态和描述数据的预处理方法,包括异常检测和降维。他们都是基于奇异值分解。

3.1。数据源

实验中使用的数据来自一个调查学生的心理状态,是由西北工业大学9月,2017年。被调查的学生来自不同等级(包括一些硕士和博士生)。在筛查和检查,有效样本数据的总数是953。

调查问卷包括30个问题,设计良好的覆盖的大多数方面学生的日常生活和他们的意见。在内容方面,这些问题可分为如下:(1)基本信息:性别,年级,主题,等等;(2)个人发展:信息大学入学以来的个人发展和未来计划毕业后;(3)关注的焦点:最近的焦点事件发生;(4)理念识别:协议一些政策和意见;(5)学校工作评价:满意学校工作和改善的方向。就形式而言,这些问题可以分为一个单一选择的问题,选择题问题,规模问题,问答题。

问题不同类型需要不同的主要预处理得到的原始数据集。选择单一选择问题和多项选择题问题扩展到独立变量,变量值是决定根据是否选择的选项;规模问题的答案可以直接添加到数据集;大多数的问卷留空论文问题,这样他们将被忽略。主要预处理后,样本向量维度扩展到160维度。其中一个变量是选为样本标签,,其余的是学生的特点。样品标签是根据学生的评价自己的心境:标签1是积极的,这意味着他们不需要引导;标签0意味着学生不成熟,需要引导。

3.2。圣言的意义

圣言可以被视为从方阵特征分解矩阵的推广在任何大小(19]。在这种情况下,原始数据集 ,这意味着米样本数据集和每个样本n特性。在计算过程中,将会有正交矩阵和这礼物年代如下:

在(1),的结构作为 ,在哪里 是一个对角矩阵和0零矩阵。的奇异值吗年代降序排序。如果删除的值为0,相关的向量U可以被删除,这样吗 和 。

一个n维坐标系统可以建立在空间轴的学生样本与样本的特性,和每个学生样本可以表示为一个点。样品的协调 ,的行向量年代。然后,计算的过程可以被视为一种坐标变换在样本空间内,每一列向量的V代表一个新的坐标系统的基向量。新基地向量可以抽象意义与原始特性。根据他们的关系所有的新基地因为向量是垂直于对方V是一个正交矩阵。让 ,这

从(2),它可以发现每一行向量在代表一个样本的坐标在新的坐标系统。与此同时,有关的奇异值不同的基向量代表样品的分散在这些方向。如果奇异值很大,样本的预测相关基矢量是广泛分布的,这意味着丰富的信息存储。

3.3。圣言会在异常检测中的应用

随着大奇异值向量与基地分散分布,它可以知道基向量上的偏见与小奇异值样本的偏差将作出更大贡献。结果,偏差在基向量和小奇异值时应高的权重,计算样本的总偏差。在计算样本的偏差,奇异需要在降序排序 。重量的计算公式如下:

学生样本的偏差我新基向量可以表示为Z分数。的计算公式Z成绩如下: 在哪里的元素是和代表的意思是列向量的所有元素 。样品的总偏差计算由以下方程:

计算偏差的样本后,自适应阈值将被设置。如果一个样本的偏差超出阈值,它将被删除离群值数据集更可信。一个训练集与高可靠性提高泛化性能的预测。

3.4。应用奇异值分解降维

发现大奇异值涉及到更多的信息,这意味着奇异值可以用来帮助减少数据集的维数。降低维度的具体方法是删除奇异小值及其相关向量U和V。然后,矩阵可以重建 , ,和 。k是保留奇异的数量和公式(1)将被写成 。

然而,即使一些新基地与小奇异向量与标签可能高度相关,这意味着他们可以帮助增加预测的分类精度。为了保护他们,基向量之间的相关性和标准样品标签应该添加。基地的重要性得分向量计算由以下方程: 在哪里修正原始特征和标签之间吗的元素是V代表原始特性的关系,新基地向量。

由一个矩阵的信息量可以衡量其弗罗贝尼乌斯规范(F规范)。的F规范的计算由以下方程: 在奇异值按其在降序排列。分数较小的基向量被删除后,剩余的数量可以代表的信息F规范的 。和保留信息的比例可以由以下公式计算: 在哪里k是保留基向量的个数。

减少在样本空间的维度可以防止造成过度拟合样本稀疏,加强预测的泛化性能。此外,由于数据集所携带的噪声更可能是较小的方差比有用的信息,减少维度也可以削弱对数据集随机噪声的影响。

4所示。预测学生的精神状态

这一节将描述如何使用BP算法训练神经网络,预测学生的精神状态。然而,发现只使用BP算法将导致过度拟合,因此提出了一种新算法相结合的GA来缓解过度拟合。神经网络具有良好的泛化性能,计算的方法的重要性也提出了不同的特性。

4.1。BP-NN

BP算法是一种常见的ML算法。因此,建立由BP算法训练神经网络来预测学生的精神状态。降维后,学生样本的数据可以表示为 。在这里,米不是学生样本的总数,但从数据集中删除离群值后的样本数量,然后呢k是保持每个样本的新功能的数量的学生。此外,它应该是 ,但事实上,是Z得分(4)符合标准正态分布在每个特性。这种预处理将平衡参数的学习速率在不同的节点。这时,一个数据集 获得,是一个行向量的和的标签吗我学生样本。

的神经网络用于预测包括三层。包括输入层k节点的输入数据向量 。只有一个输出层节点输出的预测的样本。隐层的节点数l可调,以适应实际需求。 , ,和O分别代表了我输入节点,hth隐藏节点,输出节点。神经网络的参数包括连接权重之间的和 ,连接权值之间的和O,阈值的 ,和阈值θ的O。节点的阈值使神经网络成为一个非线性函数,这样作为其等效函数,神经网络的输出是什么

BP算法的优化目标通常是输出之间的均方误差(MSE)和标签。MSE可以由以下公式计算:

BP算法使用的策略调整参数沿不利的梯度方向E减少之间的误差预测和真正的标签。例如,的变化为每个训练轮可以由以下公式计算: 在哪里μ是学习速率,决定训练的速度。

设置一个学生之间的函数的特性和他的心境作为 。使用BP算法可以帮助减少之间的区别和迅速,经过训练的神经网络可以用来作为预测做出好的预测学生的精神状态。

4.2。描述和分析过度拟合

然而,BP算法并不适用于主要的实验。为了测试有用的预测,数据集D被划分为训练集吗和测试集随机。这可以从图中找到1神经网络的均方误差的变化的预测和显示差异。

随着训练轮的数量增加,MSE的神经网络训练集趋于0,这意味着预测适合训练集。然而,测试集上的MSE仍在一个较大的值。这表明一个训练有素的神经网络可能没有新鲜样本的预测精度高。F测量(查全率和查准率的调和平均数比)可以表示预测的预测精度,和意思F训练集上的测量是0.97,而意思F测量测试集只有0.76。这意味着出现过度拟合。

一般来说,噪音和无关的特性由训练集被认为是过度拟合的原因(20.]。学生之间的函数的功能和精神状态设置为 ,造成的影响的精神状态噪声和无关的特性可以被定义为特征函数 ,那么学生在训练样本集的函数和学生在测试样本集的函数 。

所有的参数神经网络可以表示为 。让MSE函数是函数之间的均方误差预测和标签,它可以知道参数的最优神经网络全局最小值点的 。由于之间的区别和 ,会有区别和 ,因此,区别和 。如果一个神经网络选择作为优化参数,它会健康好,但其预测的准确性测试集可能是不好的。这就是为什么在BP-NN出现过度拟合。

4.3。一种缓解过度拟合的方法

尽管实验显示有很大的区别和 , 和应该是近似的。这一点可以通过随调把“前景洞”。把“前景洞”是指使用相同的输入预测不同样本集的区别和比较和 。把“前景洞”随机1000次,计算平均比例的MSE的区别是1.14%,验证了近似。因此,可以有多个类似的局部最小值点在不同的值。如果参数的神经网络不符合测试集,那么其中一个吗具有高相似度的值值可以作为近似最优解。虽然是比 ,它可以满足训练集和测试集,这意味着良好的泛化性能。

事实上,上面的方法改变了从只考虑MSE准则值考虑MSE值和测试集的相似,均方误差值的优化任务可以由BP算法和往常一样处理。然而,测试集的相似性很难量化,但它可以表示F测量测试集上的预测。

改善相似,进化算法是必要的,所以介绍了GA。众所周知,不同的神经网络初始参数可以使网络收敛于不同当训练集值是常数(21),和训练过程可以表示为 。这可以被视为一个人GA的人口和人口可以用吗 在哪里N人口规模。神经网络后,一直训练,个人的健身会计算的吗F操作后的测试集上的测量。伴侣,变异,选择生成,倾向于满足训练集和测试集。

然而,使用计算个人的健身手段也参与闭环算法,因此失去了新鲜样品的表征。测试是否提高神经网络的泛化性能,有必要单独一组样本之前算法显示新鲜样本预测精度的变化。这个样本集称为验证集 。

主要的实验后,如果用于健身是常数,计算测试集的预测精度将大大提高,但预测精度验证组没有明显的改变。这可能是由之间的差异造成的和 。为了使算法有效,分为三部分临时测试集吗随机,添加一个惩罚如果网络只执行在一个临时的测试集。然后,个人的健身将计算如下:

的在(12)是F测量的我th ,和的意思是 。修改后的算法,每个人面临着不同的值在计算健身。该方法将稀释 ,因此,进化的方向是适应而不是满足 。它可以确保神经网络有更好的泛化性能。

人们已经发现,过度拟合,预测学生的精神状态是由差异引起的和 ,这将有利于使用上面的算法。正如过程在图表示2,整个数据集分为 , ,和在第一位。然后,最初的P是随机生成的,和所有的海军新闻将同样的训练集训练。与高适应性,保持个人的遗传优势精英策略是用于生成下一个人口。这种策略通过交配产生后代,变异选择个人在未来人口,和现有人口的后代具有相同的大小N。所有的个体在当前人口和后代按健身的降序排序,第一N个体被选中作为下一个人口。当人口达到最大的一代,个人与神经网络最大的预测精度将被选择作为最优解 。最后,一个新的网络的初始参数将由整个训练数据集的预测可以预测学生的心境与精度高。

4.4。功能重要性计算

BP算法结合遗传算法有助于获得预测学生的心境与精度高,但预测是一个“黑盒”这意味着机制的预测仍然是未知的。尽管神经网络被称为一个unilluminated方法,仍有一些方法来评估不同的特性的重要性(22]。神经网络训练后D,它几乎完美的预测精度D。但如果一个特性是庇护(替换此功能的意思。后是0z得分)每个学生样本,有可能衰退的准确性(23]。然后,特性的重要性D可以由以下公式计算: 在哪里精度在庇护和吗后的准确性我一直在庇护。的特性D是原始特征的抽象,这意味着原始特征的重要性也可以根据计算代表原始新特性和功能之间的关系由以下方程:

重要性分析的单一神经网络缺乏可信度,所以总原始特征的重要性是积累在分析500号发自。可以帮助学校了解重要性在指导学生的精神状态是很重要的。

5。实验结果和讨论

本节将展示实验结果可以支持上述假说被提出。他们还可以显示实际的这种新方法的有效性在预测学生的精神状态。

5.1。实现细节

实验的第一步是数据的预处理。已经收集的原始数据按照顺序编号的答案或者答案是否已经被套,和部分中描述的数据集扩张战略3所示。1用于常规。然后,整个数据集视为一个矩阵,并进行计算。使用后获得矩阵奇异值分解的过程中,异常值检测和降维描述的部分3所示。3和3所示。4。预处理后,每个样品都是由一个向量在新的坐标系统和一个标签的精神状态。然后,样品是用于启动的操作中描述的算法部分4.3。算法将培训很多发自,选择最好的神经网络泛化性能做出准确预测学生的精神状态。其余的训练NNs也显示之间内在联系的一部分学生的行为和他们的心境,所以所有的训练得到用于计算的重要性,不同的功能部分中描述的方法4.4。

5.2。实验数据预处理

数据集的预处理包括异常检测和降维。他们已经详细的部分3。在计算所有样本的偏差,偏差的分布在图表示3。它可以发现,样品的偏差的分布大致符合正态分布。正态分布如图所示3通过拟合原始分布近似。正态分布的均值 ,和标准偏差 。然后计算出的自适应阈值 ,和离群值的数量是27。

在检查的内容删除离群值,它们中的许多是一同创立与矛盾在上下文。例如,一个学生说他的辅导员的发展提供最好的帮助他的心境,但他也说,他对辅导员的工作不满意。这可能是他的真实想法,但会混淆预测,所以他从样本集,其他删除离群值可以回答问题时犯错误,如单一选择问题上做出多种选择。它还将改变一个变量的潜在的重要性,这样他们应该被删除。异常值检测的实验结果表明该算法是有效和合理的。异常值检测的应用程序将净化数据集,并帮助提高泛化性能的预测。

图4显示的变化保留输入的数量与比例的增加,代表保留信息的百分比计算F规范。它可以发现输入的数量急剧增加,当比例很大。它证实,有许多小奇异值和输入相关相关性较低的标签应该被删除,以减少样本空间的维度。在实验中,90%的信息被保留,和输入的数量变化从159年到71年。

5.3。在缓解过度拟合实验结果

过度拟合救助实验是根据该算法设计中提到的部分4。异常样本之前排除了孤立点检测的基于奇异值分解,并使用926个样本。随机性的原则下,样品选为70% ,样品选为20% ,剩下的10%是用作 。在人群中个体的数量设置为10,和几代人的最大数量设置为50。人口交叉率是0.7,变异率是0.3。数据5(一个)和5 (b)显示,改变人口的意思F使用常数时测量在不同的数据集计算个人的健康,和数字6(一)和6 (b)当使用显示更改计算健身。

数据5(一个)和5 (b)显示不同的人口趋势的意思F测量上和 。它可以发现的预测精度有一个明显的增加,但预测精度略有下降,这意味着人口趋向于健康当使用计算健身。如果使用,它可以找到图6(一)的预测精度没有达到相同的增加如图5(一个)。但在 ,预测精度明显提高。这告诉部分的假设4是可靠的。

在图6 (b),它可以观察到的意思F测量的初始种群设置的验证是0.7662。进化后,的意思F最后一代达到0.8080的测量。应用网络作为预测时在现实工程中,最好的一个精度从目前的人口将被选中。数据显示,最大的F测量是0.8315,代表高的预测精度。与可靠的预测学生的思想状态,大学可以有效的指导帮助学生摆脱糟糕的信息爆炸的影响。

5.4。实验功能的重要性

评估的重要性不同学生的特点,500年NNs训练,整个数据集D。计算原始特性部分显示在表的重要性1。他们的绝对重要性排序的特性,只有十大表中列出1。它可以发现一些特点积极与学生当别人消极的精神状态。此外,一些功能显示一个潜在的因果关系的心境如“关注政治新闻”和“从意识形态教育获益更多,”当别人可能不会如“经常使用QQ”和“受益更多俱乐部活动”虽然他们有相关性。也可以注意到的特性分为“个人发展”有最好的力量表明学生的精神状态。

与分析功能的重要性,高校将意识到的要点是什么指导学生的精神状态。例如,他们可以帮助学生对政治的兴趣消息,加强学生和他们的老师之间的关系,丰富社会实践。这些宏观政策与微观指导结合学生的心理状态,提高整体效率。

6。结论

本文的主要目的是改变传统的方法挖掘人类的观点,使其有效预测学生的心理状态。这个改变样本的方法需要更多的数据方面,使用问卷是一个很好的选择的学生得到全面的数据。然而,样本空间的维度的扩张使样本稀疏的,导致过度拟合训练神经网络。为了解决这个问题,计算用于直接减少样本空间的维度,和基于遗传算法的闭环添加到新鲜样品帮助神经网络有更好的预测精度。实验结果表明,新算法是有效的和获得的预测具有良好的泛化性能。也是一种简单的方法计算功能的重要性,提出了可以帮助学校政策。

新方法让预测做出可靠预测学生的精神状态。与这些预测,大学可以应用指导与学生的个人经验将使其更和蔼的和有效的。此外,根据功能重要性可以补充微观宏观政策指导,有更好的效果。

为进一步研究问卷用于收集数据将被重新设计。问卷题目的目的应该更加隐蔽,确保收集真实的信息,和内容的问题应该更各种特别是在“个人发展”来收集更多的数据,可能是必要的。同时,分类问题学生的心理状态将变成量子化问题得到学生的某些心境的分数在不同的方面。的方法计算功能的重要性也会得到改善。这些未来的研究能够进一步加强指导学生的心理状态的影响。

数据可用性

学生的思想状态数据用于支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了中央大学基础研究基金(3102018 jcc041和3102018 jcc028)和格兰特QBXT-17-7下2011协同创新中心项目。

引用

1. n a·奇弗·l·d·罗森l . m .载体和a·查韦斯“眼不见不心不烦:限制无线移动设备上使用的影响焦虑水平低,中等和高用户,”电脑在人类行为37卷,第297 - 290页,2014年。视图:出版商的网站|谷歌学术搜索
2. m . Samaha n s•哈维,“智能手机成瘾之间的关系、压力、学业成绩和生活满意度,“电脑在人类行为57卷,第325 - 321页,2016年。视图:出版商的网站|谷歌学术搜索
3. 赵l . j .阴,y的歌,“谣言应对行为的探索社交媒体在社会危机的背景下,“电脑在人类行为,卷。58岁的技能,2016页。视图:出版商的网站|谷歌学术搜索
4. z Demirtas”学校文化之间的关系和学生的成就,”Egitim Bilim-Education和科学,35卷,不。2010年。158年,页3日到13视图:谷歌学术搜索
5. 基于l . Yu和美国丁”,广泛学习优化和预测问卷调查:应用程序状态的大学生,“复杂性卷,2018篇文章ID 5736030、9页,2018。视图:出版商的网站|谷歌学术搜索
6. n .斯利瓦斯塔瓦辛顿,a . Krizhevsky Sutskever,和r . Salakhutdinov”辍学:一个简单的方法来防止NNs过度拟合,“机器学习研究杂志》上15卷,第1958 - 1929页,2014年。视图:谷歌学术搜索
7. 庞,l·李和美国Vaithyanathan大拇指?:情绪分类使用机器学习技术”《ACL-02会议经验方法在自然语言processing-EMNLP 02,j . Hajic和y松本,Eds。,卷。10,pp. 79–86, Association for Computational Linguistics, Stroudsburg, PA, USA, July 2002.视图:出版商的网站|谷歌学术搜索
8. f·h·汗,s·巴希尔,Qamar,”汤姆:Twitter意见挖掘框架使用混合分类方案,“决策支持系统57卷,第257 - 245页,2014年。视图:出版商的网站|谷歌学术搜索
9. j·詹、h·t·Loh和y . Liu”从网上收集客户问题产品回顾一个文本摘要方法,”专家系统与应用程序,36卷,不。2、2107 - 2115年,2009页。视图:出版商的网站|谷歌学术搜索
10. y y周、陈和郭,“公平认知多单元并行multi-radio访问资源分配,”无线个人通信,卷88,不。3、587 - 602年,2016页。视图:出版商的网站|谷歌学术搜索
11. m·库辛斯d史迪威将军,t . Graepel是“私人特征和属性是可预测的数字记录的人类行为,”美国国家科学院院刊》上的美利坚合众国,卷110,不。15日,第5805 - 5802页,2013年。视图:出版商的网站|谷歌学术搜索
12. j . Baik k·李,李,y . Kim和j·崔”预测人格特质相关使用社交网络消费者行为分析,“超媒体和多媒体的新评论,22卷,不。3、189 - 206年,2016页。视图:出版商的网站|谷歌学术搜索
13. 庞b和l . Lee,”意见挖掘和情感分析”,在信息检索基础和趋势,1卷,不。2,页1 - 135,2008。视图:谷歌学术搜索
14. m . Tsytsarau和t . Palpanas挖掘主观数据在网络上的调查,”数据挖掘和知识发现,24卷,不。3、478 - 514年,2012页。视图:出版商的网站|谷歌学术搜索
15. k·拉维诉拉维,“调查意见挖掘和情感分析:任务、方法和应用,“以知识为基础的系统卷。89年,14-46,2015页。视图:出版商的网站|谷歌学术搜索
16. c . w . Topp s . d .Østergaard s Sondergaard和p•本奇”WHO-5幸福指数:系统回顾文献,”心理治疗和心身医学,卷84,不。3、167 - 176年,2015页。视图:出版商的网站|谷歌学术搜索
17. n·加芬克尔,a·k·赛斯a·b·巴雷特铃木k和h . d .奎奇立“了解你自己的心:区分内感受器的准确性和内感受器的意识,“生物心理学卷,104年,第74 - 65页,2015年。视图:出版商的网站|谷歌学术搜索
18. a·l·达克沃斯和d s伊格尔,“测量问题:评估认知能力以外的个人素质教育的目的,“教育研究人员,44卷,不。4、237 - 251年,2015页。视图:出版商的网站|谷歌学术搜索
19. g·h·戈卢布和w·卡亨”计算奇异值矩阵的伪逆,“工业与应用数学学会杂志》上,卷2,不。2、205 - 224年,1965页。视图:出版商的网站|谷歌学术搜索
20. d·m·霍金斯“过度拟合的问题,”化学信息和计算机科学杂志》上,44卷,不。1、1 - 12,2004页。视图:谷歌学术搜索
21. c . Ren, n, l . Li j . z . Wang b, d .商朝,“最优参数选择基于粒子群优化的BP神经网络:一个案例研究的风速预测,“以知识为基础的系统,56个卷,第239 - 226页,2013年。视图:出版商的网站|谷歌学术搜索
22. r . Guidotti A . Monreale s Ruggieri f .车f . Giannotti和d . Pedreschi”的调查方法来解释黑盒模型,”ACM计算调查,51卷,不。5,1-42,2018页。视图:出版商的网站|谷歌学术搜索
23. w·Samek a .粘结剂g . Montavon s Lapuschkin, K.-R。穆勒,”评价的可视化深神经网络获悉,“IEEE神经网络和学习系统,28卷,不。11日,第2673 - 2660页,2017年。视图:出版商的网站|谷歌学术搜索

版权

版权©2019 Jinqing Zhang et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。