基于粒子群协同优化算法的供应链金融信用风险评价模型

针对供应链金融模式下信用风险评价精度受信用特征子集与模型参数影响的问题,提出一种粒子群协同优化信用风险评价模型.该模型在充分论证供应链金融风险特征指标体系的基础上,利用二进制粒子群算法优选特征子集,并对支持向量机(SVM)参数协同优化.对供应链金融信用风险评估进行实验,并与传统径向基支持向量机和主成分分析特征抽取方法对比,结果表明,该模型优选的特征子集和SVM参数能显著提高信用风险评价精度.

供应链金融大数据分布特征的分析与洞见

半结构、非结构化、海量的供应链金融数据使得大数据环境下金融数据分析的模式和方法相对复杂。面向大数据样本研究,如何将大样本相比于小样本的独有特征体现在分类模型中值得深入探索。文中从供应链金融数据分布特征入手,分析影响信用风险分类模型的主要因素;对多年来的相关研究成果进行归类分析,概括信用数据分布特征,包括信用数据非均衡与不对称性、信用数据噪声和离群点的存在以及信用数据的非线性多维特征,并探讨了进一步的解决策略。供应链金融大数据分布特征的分析旨在助力挖掘隐含在海量金融数据背后的知识信息,为信用风险模型的构建奠定了坚实的基础。

改进DBSCAN聚类算法在电子商务网站评价中的应用

针对全国100家电子商务示范企业的相关数据,先采用因子分析法对高维数据进行降维处理;再通过改进DBSCAN(density-based spatial clustering of applications with noise)算法对降维后的密度不均数据进行聚类分析,得到了更合理的聚类结果;最后根据聚类结果对相关示范企业提出改进建议.

基于离群点剔除的SVM信用风险评价方法

针对信用评价数据存在离群点和噪声问题,提出一种基于离群点剔除的支持向量机(SVM)信用风险评价模型.该模型利用模糊c-均值聚类算法剔除样本离群点,采用粒子群算法优化支持向量机分类参数,进而提高支持向量机的分类性能.将该方法应用于信用风险评价中的结果表明,相比于其他模型,该方法分类精度更高.

我国数字图书馆智能化信息服务模式研究

近年来,由于用户服务需求逐渐向智能化、综合化和个性化的方向迅猛发展,数字图书馆的主动信息服务、个性化信息服务也逐渐成为近几年研究的重点。本文从导航信息服务模式、个性化信息服务模式、开放式服务模式3个方面对我国现有的数字图书馆信息服务模式进行分析,在此基础上,提出了数字图书馆智能化信息服务模式,并针对智能化信息服务模式的实施策略进行分析。

基于主成分分析与广义回归神经网络的股票价格预测

广义回归神经网络能够大大降低人为因素带来的误差,具有更加精准的预测效果。针对股票价格数据的非线性、非平稳性问题,文章运用主成分分析法对影响股票价格的指标进行降维,基于广义回归神经网络模型对股票价格进行预测研究。并将模型预测结果与股票价格的ARIMA建模预测结果进行对比,以均方误差和平均绝对误差百分比作为评价指标。对比结果表明,在价格预测方面,基于广义回归神经网络的预测模型要优于ARIMA模型,可以获得更准确的结果。

数智化视域下科研院所图书馆文献信息服务模式研究

科研院所既是技术创造的重要载体,同时也是科学技术供给侧的重要组成部分。我国制定了一揽子政策来激发科学家的创造活力,加强对科研活动的重视程度。然而,我国科研院所在科研过程中仍存在信息不对称、信息渠道不畅通等较多阻碍因素,转化效率也亟待提高。当前,为科研人员提供专业化信息服务,成为专业图书馆服务科研的重要业务方向。方兴未艾的数智化技术能在数据基础、数据分析对图书馆的信息服务层面有所突破。本研究试图通过探索发展和建立专业图书馆面向科研院所的科技文献信息服务模式,以数智驱动图书馆实现数字化、智能化升级,促进图书馆信息服务完善优化。进一步助力科研院所的科研成果输出。