基于多源数据深度融合的金融时间序列预测

文章提出一种双阶段深度学习的金融时间序列预测模型,研究股民评论、金融新闻资讯与股票指标多源数据对股票市场波动的影响。该模型运用word2vec并结合卷积神经网络对非结构化文本数据进行情感分析,计算情感权重并与股票指数联合;通过双向长短时记忆网络结合注意力机制关注文本重点语义分布,提升全局时序信息敏感度,从而完成非线性、时变性的股指预测。所提模型相比于单一使用股票指数,其均方误差降低0.264,比BiLSTM股票预测模型降低了0.186。实证结果表明,端对端的多源数据融合情感分析模型能够有效解决因多级因素导致的股票市场波动性与不规律性,从而对股票指数进行预测。

基于博弈论视角的短视频用户信息传播模型及实证研究——以“钟薛高烧不化事件”为例

[目的/意义]探究短视频用户的信息传播过程及演化规律有助于相关部门科学认知舆情发展态势,提高舆情危机处理能力。[方法/过程]在传统SEIR模型基础上,考虑网民的观点交互,将传播者分为谣言传播者和信息澄清者。基于此,构建SICR模型,并利用Python爬取抖音平台上关于“钟薛高烧不化”事件的短视频评论进行数据处理和仿真实验,验证模型的适用性。[结果/结论]信息澄清者在舆情爆发期增加发声渠道、占领舆论高地,采取处罚措施严惩谣言传播者,有利于引导事件转为正面讨论,促使真实信息被大众知晓,平息舆论。

融合情感分析与多元时间序列的区块链产业舆情监测研究

[目的/意义]区块链技术被纳入“新基建”范畴后,其产业发展演进快、舆情热度高。本研究将情感因素纳入新兴产业网络舆情热度预测,探究区块链产业关注主题及发展态势。[方法/过程]论文融合情感分析与多元时间序列特征提出舆情热度预测模型,采用BERT-BiLSTM(Bi-directional Long Short-Term Memory,BiLSTM)方法对舆情文本分类并赋值,挖掘情感极性类别的主题,将不同情感倾向的情感值分别取绝对值累加,构建基于情感因素的多元时间序列特征体系,并输入LSTM(Long Short Term Memory,LSTM)模型进行区块链产业舆情热度预测。[结果/结论]BERT-BiLSTM在情感分类任务中准确率为84%,其中消极和中性情感类属文本的成因主要为“对于区块链技术的不信任”和“缺乏区块链相关概念的了解”。在热度预测模型中,模型均方根误差(Root Mean Square Error,RMSE)降低17.67,平均绝对误差(Mean Absolute Error,MAE)降低15.14,决定系数(R-Square,R2)提升11%,模型总体性能良好。

基于深度学习的学生课堂专注度测评方法

【目的】通过构建有效的专注度表情数据集及设计学生课堂专注度联合评价模型,解决现有学生专注度测评方法存在的缺乏相关表情数据集及模型准确率不高的问题。【方法】基于真实的在线课堂场景进行数据采集,构建适合专注度识别的表情数据集W-AttLe,设计改良的VGG模型对数据集进行评估及专注度表情识别;将表情得分与正脸得分结合构建学生课堂专注度的联合评价模型,计算被检测学生的实际课堂专注度水平得分。【结果】在专注度表情识别上,通过调参优化步骤对识别表情的网络结构进行调整和验证,结果表明所构建的VGG16+Dense+Dropout(lr=1e-5)改良模型在4种对比模型架构中的准确率最高,达到92%以上;在专注度评价上,联合专注度得分较专注度表情单一指标得分对学生专注度的评测更为精准。【局限】在训练模型的过程中没有设计更多的消融研究,未探究更深层次的神经网络。【结论】构建的W-AttLe人脸数据集适用于判别学生课堂专注度;提出的联合专注度评价模型弥补了单一指标模型的不足;提出的知识点测试与理解度自测结合的加权测试方案对联合专注度模型进行了有效验证。

国内外隐私悖论研究综述

[目的/意义]隐私悖论是一种新的社会信息学现象和“特殊”的隐私披露行为,通过分析国内外图书情报领域隐私悖论的代表性研究成果,对现有研究的知识体系进行系统梳理,并进一步展望未来的研究趋势,为后续研究提供一定的启示和借鉴。[方法/过程]检索并整理国内外隐私悖论研究的相关文献,运用定量分析和可视化的方法,对国内外隐私悖论的研究主题、研究理论和研究方法进行分析,并据此构建研究流程框架,最后讨论未来研究展望。[结果/结论]隐私悖论研究尚处于发展阶段,在研究内容的细分程度、研究方法和研究视角的多样性等方面还有较大的研究空间。基于心理学、社会学、行为学等交叉学科视角,从拓展应用情境和细化研究内容等综合角度来深入探究隐私悖论行为的影响因素和形成机理有望成为未来该领域研究的趋势。