基于Consume2Vec模型的校园一卡通大数据分析

现有的一卡通数据挖掘方法大多采用统计、聚类、关联规则等浅层机器学习和数据挖掘方法,忽略了消费数据的时序性,缺乏对数据的深度表达。基于深度神经网络,提出了能够对消费数据时序性和关联性进行深度挖掘的Consume2Vec模型,并在此模型的基础上构建消费异常检测模型。通过在大规模一卡通消费数据上进行实验,验证了两个具体Consume2Vec模型的性能,并从不同维度将学生划分为不同群体进行对比分析,发现学生的消费规律和特点。

基于改进Ising模型的心理量表大数据分析

近年来,对个体的心理进行研究与量化分析越来越受到研究者们的关注,利用Ising模型对心理量表数据进行分析已经成为一种新的趋势,但是Ising模型容易造成信息丢失.为此该文对其进行了改进,提出了一种多类Ising模型和一种序Ising模型,并在一个大规模的心理量表数据集上进行了分析,验证了两种改进模型的性能.此外,针对不同人群的心理量表数据构建了相应的心理量表复杂网络,且进行了各项指标对比,从构建的心理量表复杂网络中得到一些有意义的结论.最后讨论了机器学习与大数据如何更好地介入到量表大数据中分析问题.