基于网购搜索量的CPI及时预测模型

购物网站的用户搜索量数据是近年来出现的一种新类型数据源。基于该数据在合理选择关键词以及对数据进行季节调整和假日处理的基础上建立中国全国与城镇CPI的及时预测模型。模型以分布滞后模型为基础,采用Elastic-Net方法进行收缩估计进而实现变量选择。在确定最优惩罚因子和调整参数时采用了K重交叉验证技术。实证结果表明,搜索量变量与CPI具有显著的因果关系,在此基础上建立的预测模型经济含义合理,并能对CPI做出较精确的预测。同时,从模型均方误差角度看,基于Elastic-Net的变量选择显著优于基于逐步回归的方法,而城镇CPI预测模型也优于全国CPI预测模型。

网购平台搜索功能的质量评估方法研究

随着大数据的迅速发展,大数据应用层出不穷,诸如网购零售平台、人脸识别系统、智能决策系统、自助客服、看病导医系统等典型的大数据应用使得人们的生活越发便捷。搜索系统是人们最常使用的大数据应用之一。然而,搜索系统在不同平台上的功能各有侧重,其标准尚且不完善,搜索的质量参次不齐,无法得到保障。与普通的文本搜索引擎相比,网购平台的搜索引擎增加了分类检索、筛选等特色功能,其质量的评价与保障更为复杂。通过对网络零售平台的搜索功能进行研究,针对网购平台搜索功能的质量评价提出了质量参考因素,针对质量因素提出了若干评价指标以及相应的实现算法,并通过实验来论证了质量指标的有效性。