期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于多尺度注意力融合的知识追踪方法
被引量:
6
1
作者
段建设
崔超然
+3 位作者
宋广乐
马乐乐
马玉玲
尹义龙
《南京大学学报(自然科学版)》
CAS
CSCD
北大核心
2021年第4期591-598,共8页
互联网的普及使线上教育迅速发展,在缓解教育资源不均衡问题的同时,也为科研人员提供了大量的研究数据.教育数据挖掘是一个新兴学科,通过分析海量数据来理解学生的学习行为,为学生提供个性化学习建议.知识追踪是教育数据挖掘中的重要任...
互联网的普及使线上教育迅速发展,在缓解教育资源不均衡问题的同时,也为科研人员提供了大量的研究数据.教育数据挖掘是一个新兴学科,通过分析海量数据来理解学生的学习行为,为学生提供个性化学习建议.知识追踪是教育数据挖掘中的重要任务,其利用学生的历史答题序列预测学生下一次的答题表现.已有的知识追踪模型没有区分历史序列中的长期交互信息和短期交互信息,忽略了不同时间尺度的序列信息对未来预测的不同影响.针对该问题,提出一种基于多尺度注意力融合的知识追踪模型,使用时间卷积网络捕获历史交互序列的不同时间尺度信息,并基于注意力机制进行多尺度信息融合.针对不同学生及答题序列,该模型能自适应地确定不同时间尺度信息的重要性.实验结果表明,提出模型的性能优于已有的知识追踪模型.
展开更多
关键词
知识追踪
时间卷积神经网络
多尺度融合
注意力机制
深度学习
下载PDF
职称材料
基于时序超图卷积神经网络的股票趋势预测方法
被引量:
5
2
作者
李晓杰
崔超然
+3 位作者
宋广乐
苏雅茜
吴天泽
张春云
《计算机应用》
CSCD
北大核心
2022年第3期797-803,共7页
传统的股票预测方法大多基于时间序列模型,忽视了股票之间复杂的关系,并且该关系往往超出成对连接,例如同行业板块内股票或者基金持仓多支股票。针对该问题,提出一种基于时序超图卷积神经网络(HGCN)的股价走势预测方法,根据金融投资事...
传统的股票预测方法大多基于时间序列模型,忽视了股票之间复杂的关系,并且该关系往往超出成对连接,例如同行业板块内股票或者基金持仓多支股票。针对该问题,提出一种基于时序超图卷积神经网络(HGCN)的股价走势预测方法,根据金融投资事实构造超图模型以拟合股票之间的多元关系,该模型包括两大组件:门控循环单元(GRU)网络和超图卷积神经网络。GRU网络对历史数据进行时间序列建模,捕捉长期依赖关系;HGCN建模股票间的高阶关系以学习内在关系属性,从而将股票间多元关系信息引入到传统的时序建模中,进行端到端的趋势预测。在中国A股市场真实数据集上的实验结果表明,相较于已有的股票预测方法,所提模型预测性能有所提升;如与GRU网络相比,所提模型在ACC和F1_score上的相对增幅分别为9.74%和8.13%,且更具有稳定性。此外,模拟回测结果显示,基于该模型的交易策略更具获利能力,年回报率达到11.30%,与长短期记忆(LSTM)网络相比提高了5个百分点。
展开更多
关键词
股票趋势预测
时间序列建模
门控循环单元
高阶关系
超图卷积神经网络
下载PDF
职称材料
题名
基于多尺度注意力融合的知识追踪方法
被引量:
6
1
作者
段建设
崔超然
宋广乐
马乐乐
马玉玲
尹义龙
机构
山东
财经大学计算机科学与技术学院
山东省人工智能学会
山东
大学软件学院
山东
建筑大学计算机科学与技术学院
出处
《南京大学学报(自然科学版)》
CAS
CSCD
北大核心
2021年第4期591-598,共8页
基金
国家自然科学基金(62077033)。
文摘
互联网的普及使线上教育迅速发展,在缓解教育资源不均衡问题的同时,也为科研人员提供了大量的研究数据.教育数据挖掘是一个新兴学科,通过分析海量数据来理解学生的学习行为,为学生提供个性化学习建议.知识追踪是教育数据挖掘中的重要任务,其利用学生的历史答题序列预测学生下一次的答题表现.已有的知识追踪模型没有区分历史序列中的长期交互信息和短期交互信息,忽略了不同时间尺度的序列信息对未来预测的不同影响.针对该问题,提出一种基于多尺度注意力融合的知识追踪模型,使用时间卷积网络捕获历史交互序列的不同时间尺度信息,并基于注意力机制进行多尺度信息融合.针对不同学生及答题序列,该模型能自适应地确定不同时间尺度信息的重要性.实验结果表明,提出模型的性能优于已有的知识追踪模型.
关键词
知识追踪
时间卷积神经网络
多尺度融合
注意力机制
深度学习
Keywords
knowledge tracing
temporal convolution networks
multi-scale fusion
attention mechanism
deep learning
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于时序超图卷积神经网络的股票趋势预测方法
被引量:
5
2
作者
李晓杰
崔超然
宋广乐
苏雅茜
吴天泽
张春云
机构
山东
财经大学计算机科学与技术学院
山东省人工智能学会
齐鲁工业大学(
山东省
科学院)计算机科学与技术学院
出处
《计算机应用》
CSCD
北大核心
2022年第3期797-803,共7页
基金
国家自然科学基金资助项目(62077033)
国家重点研发计划项目(2018YFC0830100,2018YFC0830102)
+1 种基金
山东省自然科学基金重点项目(ZR2020KF015)
山东省高等学校优势学科人才团队培育计划项目。
文摘
传统的股票预测方法大多基于时间序列模型,忽视了股票之间复杂的关系,并且该关系往往超出成对连接,例如同行业板块内股票或者基金持仓多支股票。针对该问题,提出一种基于时序超图卷积神经网络(HGCN)的股价走势预测方法,根据金融投资事实构造超图模型以拟合股票之间的多元关系,该模型包括两大组件:门控循环单元(GRU)网络和超图卷积神经网络。GRU网络对历史数据进行时间序列建模,捕捉长期依赖关系;HGCN建模股票间的高阶关系以学习内在关系属性,从而将股票间多元关系信息引入到传统的时序建模中,进行端到端的趋势预测。在中国A股市场真实数据集上的实验结果表明,相较于已有的股票预测方法,所提模型预测性能有所提升;如与GRU网络相比,所提模型在ACC和F1_score上的相对增幅分别为9.74%和8.13%,且更具有稳定性。此外,模拟回测结果显示,基于该模型的交易策略更具获利能力,年回报率达到11.30%,与长短期记忆(LSTM)网络相比提高了5个百分点。
关键词
股票趋势预测
时间序列建模
门控循环单元
高阶关系
超图卷积神经网络
Keywords
stock trend prediction
time series modeling
Gated Recurrent Unit(GRU)
high-order relation
HyperGraph Convolutional neural Network(HGCN)
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于多尺度注意力融合的知识追踪方法
段建设
崔超然
宋广乐
马乐乐
马玉玲
尹义龙
《南京大学学报(自然科学版)》
CAS
CSCD
北大核心
2021
6
下载PDF
职称材料
2
基于时序超图卷积神经网络的股票趋势预测方法
李晓杰
崔超然
宋广乐
苏雅茜
吴天泽
张春云
《计算机应用》
CSCD
北大核心
2022
5
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部