PageRank算法应用在文献检索排序中的研究及改进

传统文献检索大多按照被引次数、发表时间、搜索词出现频次等条件之一对结果进行排序,角度单一且忽略了文献相互引用带来的价值流动,往往会出现部分文献排名过高或过低的现象。为此,很多国内外学者提出将PageRank算法应用到文献检索中,并取得了一定程度的改进,但是忽略了一些特殊情况,如文献使用价值可能会随时间的推移而产生衰退,还有一些发表时间较短的文献被引次数为零,如何去评估它的价值等。文章针对这些问题,提出了一种多维检索排序法,综合考虑各种因素带来的影响,并引入文献活跃度的概念,以加权的方式将文献价值量化。实验证明,多维检索排序法比传统文献检索排序法效果更好,而且由权值迭代所带来的额外的计算量均为离线完成,在提高准确率的同时也很好地保持了检索的效率。

混合Markov与Bayes的客户欠费预测模型

为有效规避客户欠逃费和实现差异化处置,针对具有长期定时付费特征的后付费类服务,提出混合马尔科夫与贝叶斯的客户欠费预测模型,基于全客户多要素信息增益分析,给出潜在欠费客户的欠费概率,为客户欠费预警和处置提供全面、客观、精细的决策信息,并支持客户差异化处置.首先,基于其付费特点,建立k序马尔科夫模型,计算客户的初始欠费概率;然后,融合客户基本属性、行为特征和欠费信息等要素,基于条件互信息和爬山法生成目标贝叶斯网络,对初始欠费概率予以修正,形成客户最终欠费概率;最后,基于实际数据进行实证分析,验证了该模型的有效性.