电子商务中基于潜在类回归模型的农产品个性化推荐方案

针对现有电子商务中农产品个性化推荐方案精度较低的问题,提出一种基于潜在类回归模型(latent-class regression model,简称LCRM)和组群偏好的个性化推荐方案。首先,收集农产品的评价信息,进行预处理,提取出每个评价者的特征-意见值对。然后,利用LCRM根据整体与特征评价,将具有相同爱好的评价者进行分组,构建组群偏好,并计算单个评价者的偏好。最后,通过计算用户与组群偏好的相似度来定位组群,通过计算用户与该组群中评价者偏好的相似度来定位农产品,最终列出推荐表。结果表明,该方案能够准确为用户推荐所需的农产品,推荐列表中农产品的命中率达到了83%,同时具有较低的计算复杂度。

基于潜类混合Logit的铁路疏解衔接系统用户细分

铁路疏解衔接系统用户细分是开展枢纽衔接优化的重要环节.将潜在类别模型与非集计混合Logit模型的似然函数进行融合,构建了一种能同时实现用户分类和行为分析的潜类混合Logit用户细分模型;通过在潜在类别中设置衔接方式属性随机偏好参数,实现了相同子市场用户间似而不同的属性偏好表达.依托成都东客站到达旅客的衔接方式选择SP(陈述偏好)调查数据,借助NLogit软件编程对该模型的测试与标定过程进行了说明,并结合标定结果对各衔接方式的市场总体时间弹性和费用弹性进行了计算,提出了相应的管理措施.结果显示,模型将铁路疏解衔接系统用户细分为“公交偏好型”、“私家车偏好型”、“出租车偏好型”、“网约车偏好型”4个子市场,不同子市场间呈现出差异化的市场占有率、属性敏感性和属性偏好程度,验证了潜类混合Logit模型在市场细分中能兼顾外源、内源性细分变量,并具有经济学解释能力强的特点.

潜变量增长混合模型在学龄儿童体质指数变化轨迹分析中的应用

目的探讨潜变量增长混合模型(latent growth mixture modeling,GMM)和潜类增长模型(latent class growth model,LCGM)在识别儿童体重增长变化潜在类别上的应用。方法以大连市932名6~12岁学龄儿童的体检纵向数据为例。运用Mplus8.3软件构建不同性别儿童体质指数(body mass index,BMI)变化的GMM和LCGM模型。结果LCGM模型对男女学龄儿童的生长轨迹均识别出3个增长趋势不同的亚组:“稳定组”、“肥胖组”、“偏瘦组”;GMM模型对男性学龄儿童的生长轨迹识别出2个增长趋势不同的亚组:“稳定增长组”和“肥胖增长组”。结论GMM和LCGM模型可以识别学龄儿童BMI发展轨迹的异质性,拓展了描述儿童体重动态变化的方法研究。

基于LC-HB模型的铁路货运客户选择偏好差异性与市场细分方法

铁路货运客户自身的选择偏好直接影响对运输服务的选择,进而影响到不同货运服务的市场占有率,而选择偏好性受显性变量和隐性变量的影响。基于随机效用模型,分析铁路货运客户的运输服务选择模式,引入潜类模型,将客户选择偏好纳入先验概率和后验概率模型,并根据客户对服务属性的选择偏好差异性,建立铁路货运市场细分模型。同时,使用叙述性偏好实验,构建铁路货运服务效用模型,通过模拟服务选择过程,获取客户对不同货运服务的选择偏好数据。通过分层贝叶斯与潜类模型,对用户选择效用值和市场细分值进行迭代运算,得到实验样本选择偏好差异性的多元分布函数,及每个市场细分的客户规模、隶属度函数、对服务属性和服务层次的效用值。数据分析表明,客户选择偏好存在明显差异性,同时,解释并验证内生性市场细分方法能够对不同客户群体的隐性变量进行刻画,进而从铁路货运客户选择行为角度划分货运市场。

头颈癌放疗患者中性粒细胞与淋巴细胞比值的变化轨迹与重度放射性口腔黏膜炎的风险研究

目的 识别头颈癌(head and neck cancer,HNC)患者放疗期间中性粒细胞与淋巴细胞比值(neutrophil to lymphocyte ratio,NLR)的变化轨迹,分析NLR的变化轨迹与重度放射性口腔黏膜炎(radiotherapy-induced oral mucositis,RIOM)之间的关系。方法 采用回顾性纵向研究设计,选取2022年7月至2023年8月在中南大学湘雅医院收治的180例接受放疗的HNC患者作为研究对象。分别在放疗前(T0)、放疗开始后1周(T1)、放疗开始后2周(T2)、放疗开始后3周(T3)、放疗开始后4周(T4)、放疗开始后5周(T5)和放疗开始后6周(T6)收集HNC放疗患者的中性粒细胞计数和淋巴细胞计数,并计算7个时间点的NLR。使用潜类增长模型和增长混合模型识别最佳的NLR轨迹亚组,采用Logistic回归分析判断NLR的轨迹亚组与重度RIOM之间的关系。结果 NLR变化轨迹存在基线低水平-快速增长组(Class-1组)和基线高水平-快速增长组(Class-2组)2个潜在亚组。Logistic回归分析显示,Class-2组发生重度RIOM的危险性是Class-1组的3.67倍。在控制混杂因素的干扰后,NLR轨迹亚组仍是发生重度RIOM的危险因素,且重度RIOM发生风险从3.67倍增加到27.0倍。结论 NLR能够作为预测重度RIOM的生物标志物。NLR较高的人群发生重度RIOM的风险更高。

多水平潜在类别模型在教育评价中的应用——以英语学业能力测验为例

多水平潜在类别分析是对潜在类别分析在多水平数据结构上的方法拓展。在阐述模型原理的基础上,分别使用潜在类别聚类分析和传统聚类分析对某地区191所小学英语阅读测验的实证数据进行学生和学校水平上的类型划分,并进行方法比较。结果发现:多水平潜在类别分析是教育评价和研究中类别型数据处理方法的一个有效的补充,有弱假设、客观等方法应用的优势,既能区分样本个体的能力结构差异,又能对群组的教育水平进行类型划分。

城中村拆迁对原住民社会阶层变化的影响——以武汉市为例

研究目的:基于对武汉市洪山区两个已拆迁城中村原住民的调研数据,分析拆迁对原住民社会阶层变化的影响,为维护社会稳定、缩小贫富差距、完善城中村治理提供基础资料。研究方法:采用潜在类别分析方法在软件LatentGold 4.5中进行客观分层模型和住房分层模型估计,归纳拆迁前后社会客观阶层与住房阶层结构的特征与变化。研究结果:拆迁前社会客观结构为中间大、两头小的"橄榄型",拆迁后中间退休阶层与零工底层群体融合形成新的零工退休阶层,客观社会阶层类别减少,社会分层趋于同质化,阶层分化减弱。拆迁后城中村居民住房的绝对价值均有所提高,住房价值整体的不平等差异减弱,而各个客观阶层内部住房价值的非均衡性均有所增加,阶层间的住房价值差距也随着拆迁而扩大。住房分层与社会客观分层存在较为复杂的关系,前者未打破人们原有的社会客观位置而重构社会阶层,但也并未与客观分层表现为完全的一致性,而是不同客观阶层的住房价值分布特征各不相同。研究结论:未来应重视拆迁对城中村居民的住房财产、社会阶层等各方面的影响,针对城中村社会阶层结构的特征探寻规范化、差别化且能够兼顾效率与公平的拆迁补偿制度,以缓和阶层矛盾。

大学物理实验成绩影响因素的形成性评价研究

在大学物理实验课程成绩分析的多层次模型分析基础上,利用追踪数据方法进行形成性评价研究.潜类增长模型分析结果表明,在影响因素中,学生高考物理成绩对实验成绩的平均分影响不大,利用微课进行预习对实验成绩提升有一定影响,是否充分利用教学反馈信息对实验成绩影响最大.由此,依据反馈程度进行了增长模型分组比较验证,得到研究结论,对教学反馈信息的有效利用是提高学生成绩的主要因素,是形成性评价的关键之处.