潜在因素模型在商业银行信用风险分析中的应用

在评估商业银行整体信用风险时,债务人的信息一般不会传递到风险管理部门,导致在缺少违约数据时传统方法的分析十分复杂甚至难以进行。基于贝叶斯方法的潜在因素模型可以有效解决无法获得特定债务人信用质量的问题,并能够在宏观经济环境变动时准确评估违约风险强度变化,从而避免低估风险。利用MCMC模拟方法对商业银行数据的实证分析表明,潜在因素模型不仅推断方法及模拟途径简洁清晰,估计结果更加精确,而且在贝叶斯框架下具有较强的灵活性,适合在不同的数据约束条件下应用,便于国内风险分析人员采用。

基于向量构建和点击预测的在线视频课推荐模型

随着信息技术的发展,视频逐渐代替文字成为信息传播的主要载体.在线视频课凭借不受时间和地点限制的优势,越来越受到广大求学者的青睐.各类在线教育平台推出大量在线视频课使学习者难以选择,“信息过载”现象严重.课程推荐模型是解决“信息过载”问题的有效手段,但现有课程推荐模型大多仅关注内容特征,没有融合标签特征、统计特征等信息,导致推荐效果欠佳.为此,本文提出了一种基于向量构建和点击预测的在线视频课推荐模型,该模型首先利用Word2Vec内容向量构建方法将所有视频课的内容以向量形式表示出来,该向量每个维度的隐语义都具有表现课程内容特征的能力;然后根据用户标记的专业、评价信息等标签特征构建用户向量,该向量的每个维度代表了用户对该维度隐语义的兴趣程度;接下来用余弦相似度进行用户和课程向量的计算,筛选出符合用户兴趣的视频课候选集;最后将候选课程的统计特征与用户向量连接,输入到多层感知机中,预测用户点击在线视频课的概率,依据概率排序得到在线视频课推荐列表.本文选取了3个当前应用的在线视频课推荐模型进行对比实验,实验结果显示,本文所给推荐模型在准确率和召回率等指标上均有较为显著的提升.

社区热点微博推荐研究

分析并总结了影响用户对特定微博兴趣的若干因素,在此基础上基于潜在因素模型提出了1个融合显式特征和潜在特征的社区热点微博推荐算法(community micro-blog recommendation,CMR),并将其用于发现微博兴趣社区热点信息.算法在3个兴趣社区上进行了实验,结果表明:1)融合2种特征信息的微博推荐效果好于使用单一特征信息的推荐;2)CMR的推荐效果好于基于转发次数的对照实验(micro-blog repost rank based recommendation,MRR);3)通过分析各个算法所推荐的微博内容,发现CMR倾向于为用户推荐兴趣社区相关微博,而MRR倾向于为用户推荐公共热点微博.