基于自适应粒子群优化的不平衡航空客户数据质量优化

航空业的竞争愈发激烈,高效且准确的客户忠诚度预测模型有利于提高企业竞争力.针对航空数据集存在严重分类不平衡、特征维度多等问题,提出了客户忠诚度预测模型.该模型基于自适应粒子群优化(APSO)算法得到多数类优化样本子集,使用卷积神经网络(CNN)提取得到的平衡数据集特征,将自动得到的特征向量作为随机森林(RF)算法的输入,构建客户忠诚度预测模型.实验结果表明,该方法预测性能优于其他预测模型,可以更好地预测客户忠诚度.

基于多指标加权分析的航空客户价值预测模型

目的:提高对航空业客户价值问题的预测性能。方法:首先从客户全生命周期维度出发,选择合适的当前价值指标和潜在价值指标,提出指标加权的方法,分别使用k-近邻(KNN)算法、局部离群因子检测方法(LOF算法)、孤立森林(iForest)算法对数据进行清洗;然后采用Density-Based Spatial Clustering of Applications with Noise(DBSCAN)算法对客户进行聚类;最后根据随机森林(RF)算法预测性能作为评价指标,选择出最高准确率对应的数据集和对应的指标权重,构建最终预测客户价值的评估模型。结果:对航空业客户数据进行仿真实验,实验结果显示与传统的预测模型相比,本预测模型具有较高的预测性能。结论:使用数据清洗、指标加权、随机森林搭建的模型具有有效性和很强的实践性。

字词融合的双通道混合神经网络情感分析模型

针对双向门控循环神经网络(BiGRU)无法获取文本局部特征,卷积神经网络(CNN)无法聚焦文本全局特征的问题,提出一种字词融合的双通道混合神经网络文本情感分析模型(CW_BGCA).首先,将文本分别用字符级词向量和词语级词向量表示;然后使用门控循环神经网络和卷积神经网络结合的混合神经模型分别从字向量和词向量中提取隐层特征,并分别引入注意力机制进行特征权重分配;最后将双通道网络提取的特征融合,输入到Softmax函数进行分类.在数据集上进行了多组实验验证,该方法取得了93.15%的F1值、93.47%的准确率,优于其他对照模型.试验结果表明,该模型能够有效的提高文本情感分析的性能.

基于CNN和注意力机制的微博情绪分析方法

目的:提高中文微博情绪分析的性能。方法:根据现有的情感资料构建了包含情感信息、情绪信息、词性信息的细粒度微博情感词典,将其与大规模文本预训练得到的词向量融合在一起构成情绪词向量。针对类别不平衡问题使用过采样方法来平衡样本,采用注意力机制构建微博文本和情绪词的语义表示,然后使用卷积神经网络模型提取特征,最后对微博文本进行情绪分类。结果:通过自然语言处理与中文计算会议(NLPCC)微博情绪分析公共数据集进行评测,与传统方法相比,该方法在宏平均、微平均和F值指标上均有提升。结论:使用CNN和注意力机制相结合的方法能够明显提升微博情绪分析任务的性能。

基于BLSTM算法和字词融合的文本情感分类方法

目的:情感分析问题是限制人工智能发展的瓶颈之一,针对传统的深度学习方法不能有效获取文本语义的问题,提出BLSTM算法和字词融合的文本情感分类方法。方法:首先将文本切分为以字为单位的序列,经过嵌入层后得到字向量序列;然后将文本分词,通过预训练的Word2Vec模型获取对应的词向量,将每个词的词向量重复"词的字数",得到和字向量对齐的词向量序列;最后将两者混合编码获得字词混合向量。在模型训练过程中,固定词向量不变,优化字向量,分别通过卷积神经网络和双向长短时记忆神经网络模型进行情感正负分类和主客观分类实验。结果:相对于字向量表示、词向量表示或者传统的字词融合向量,该字词融合方法在两种分类实验中的F值都有所提升。结论:使用BLSTM算法和字词融合方法相结合能够有效地提高文本情感分类模型的性能。