Please wait a minute...
Advanced Search
数据分析与知识发现  2021, Vol. 5 Issue (10): 37-50     https://doi.org/10.11925/infotech.2096-3467.2021.0194
  研究论文 本期目录 | 过刊浏览 | 高级检索 |
融合主题模型与决策树的跨地区专利合作关系发现与推荐*——以广东省和武汉市高校专利库为例
陈浩(),张梦毅,程秀峰
华中师范大学信息管理学院 武汉 430079
Identifying Cross-Region Patent Collaboration Opportunities Using LDA and Decision Trees——Case Study of Universities from Guangdong and Wuhan
Chen Hao(),Zhang Mengyi,Cheng Xiufeng
School of Information Management, Central China Normal University, Wuhan 430079, China
全文: PDF (1569 KB)   HTML ( 16
输出: BibTeX | EndNote (RIS)      
摘要 

【目的】 为促进跨地区的专利合作与知识交流,充分挖掘专利的人物关系特征和内容特征,扩展创新合作空间,优化创新要素的分配,整体提升创新水平,提出一种融合LDA与决策树模型的跨地区专利合作关系发现方法。【方法】 选取incoPat专利数据库中广东省和武汉市985高校的22 855条专利数据。利用LDA主题模型,对专利的领域离散度、权威度和技术度三个维度进行主题抽取和聚类,构建决策树并调整决策边界,从而动态识别出最优合作关系;最后根据发明人网络有效规模值选出最优挖掘策略,从而实现合作关系的发现与推荐。【结果】 该方法可从专利数量排名前4的专利大类里发现18对潜在跨地区合作关系,而在链路预测方法下,合作网络的节点邻接关系稀疏,无法完成跨地区合作关系推荐。【局限】 采集的数据范围有限,且需进一步从横向和纵向两个方面考虑企业等产学研主体和技术产业链上、中、下游对实际创新生态的影响,确认方法的适用性。【结论】 融合LDA与决策树的跨地区专利合作关系发现方法,可以有效识别网络中的潜在合作关系,充分发挥不同地区之间的领域组合在提升创新水平上的优势,为跨地区、多领域条件下的专利合作提供参考。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
陈浩
张梦毅
程秀峰
关键词 专利合作决策树主题模型跨地区    
Abstract

[Objective] This paper proposes an algorithm to identify potential collaboration opportunities for patents with the LDA and decision tree models, aiming to enhance the cross-region innovation. [Methods] First, we retrieved 22 855 patents from the incoPat database, which were developed by higher education institutions from Guangdong Province and Wuhan City. Then, we used the LDA to extract and cluster patent topics. Third, we constructed decision tree to identify the best potential cooperative relations by adjusting the decision boundaries. Finally, we chose the optimal data mining strategy based on the effective size of the inventors’ network, which helps us identify and recommend cooperative relationships. [Results] We found 18 pairs of potential cross-regional partners from the top four patent categories in the data set, which was much better than the link prediction method. [Limitations] The coverage of patent data needs to be expanded. More research is also needed to study the impacts of the university and industry on the innovation ecology. [Conclusions] The proposed method could identify the potential cross region partners for patents and innovation.

Key wordsPatent Cooperation    Decision Tree    Topic Model    Cross-Region
收稿日期: 2021-03-01      出版日期: 2021-11-23
ZTFLH:  G306  
基金资助:*国家自然科学基金面上项目(71974069)
通讯作者: 陈浩,ORCID:0000-0002-3460-2769     E-mail: 18071283828@163.com
引用本文:   
陈浩, 张梦毅, 程秀峰. 融合主题模型与决策树的跨地区专利合作关系发现与推荐*——以广东省和武汉市高校专利库为例[J]. 数据分析与知识发现, 2021, 5(10): 37-50.
Chen Hao, Zhang Mengyi, Cheng Xiufeng. Identifying Cross-Region Patent Collaboration Opportunities Using LDA and Decision Trees——Case Study of Universities from Guangdong and Wuhan. Data Analysis and Knowledge Discovery, 2021, 5(10): 37-50.
链接本文:  
https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2021.0194      或      https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2021/V5/I10/37
Fig.1  研究框架
特征 一级指标 二级指标
1. 涉及领域种类多
2. 涉及领域分布发散
A. 领域离散度 A1. 词属于某专利摘要的概率
A2. 该摘要属于某主题的概率
A3.词属于某主题的概率
1. 发明人数较多
2. 发明人权威度较高
B. 权威度 B1. 发明人点度中心度
1. 技术难度高
2. 技术关联度高
3. 技术保护性强
C. 专利技术度 C1. 权利要求数量
C2. 专利保护范围
C3. 引证专利数量
C4. 被引证专利数量
Table 1  具有潜在合作关系专利特征-标准对照表
地区/学校 专利数量 发明人数均值 权利要求数量均值 保护范围均值 引证数量均值 被引证数量均值
武汉/武汉大学 3 488 4.606 1 4.890 5 6.561 1 2.949 2 0.039 6
武汉/华中科技大学 7 642 5.169 7 6.091 9 6.904 5 3.097 4 0.057 3
广东/中山大学 2 921 4.331 4 5.796 3 6.953 4 2.970 5 0.030 8
广东/华南理工大学 8 804 4.017 2 6.089 2 6.942 6 2.992 4 0.041 1
Table 2  原始数据描述
Fig.2  不同主题数对应的模型困惑度
Topic1 概率 Topic2 概率 Topic3 概率 Topic4 概率 Topic5 概率
系统 0.011 制备 0.025 装置 0.019 图像 0.013 模块 0.017
装置 0.010 材料 0.011 连接 0.017 LED 0.011 系统 0.012
蛋白 0.009 混合 0.007 结构 0.010 区域 0.009 控制 0.011
酵母 0.007 溶液 0.006 安装 0.008 激光 0.008 信号 0.011
发酵 0.006 纳米 0.006 固定 0.007 加工 0.007 数据 0.010
Table 3  主题分类结果
ID Authority Technicality Discreteness
1 14 0.927 3 0.072 7
2 122 0.473 2 0.526 8
3 45 0.591 2 0.408 8
4 14 0.443 3 0.556 7
Table 4  用于聚类分析的矩阵样例
Fig.3  聚合系数随聚类个数的变化曲线
ID Authority Technicality Discreteness Classification Inventor Place
1 14 0.000 1 0.072 7 1 宋保亮; 李云峰; 魏健 武汉大学
3490 142 0.000 6 0.497 4 1 孙燕华; 冯晓宇; 马文家; 姜宵园; 谢菲; 刘世伟 华中科技大学
11131 88 0.001 1 0.540 5 1 肖仕; 周颖; 俞陆军; 陈武; 曾静 中山大学
3502 1 537 0.001 7 0.117 3 2 李中伟; 钟凯; 叶浩; 陈瀚; 周钢; 陈然; 刘洁; 王从军; 史玉升 华中科技大学
11156 1 743 0.003 5 0.268 1 2 于涛; 黄秋忆; 谢宗良; 王乐宇; 郑世昭; 杨志涌; 赵娟; 刘四委; 张艺; 池振国; 许家瑞 中山大学
14057 722 0.000 3 0.021 6 2 肖文勋; 胡建雨; 张波 华南理工大学
Table 5  构建决策树的数据样例
Fig.4  特征指标均值分布
Fig.5  决策树
Fig.6  决策树最大深度和对应网络中节点有效规模指数离群值比例关系
Serial Authority Technicality Discreteness Classification Inventor Place
10903 108 0.155 5 0.483 7 4 黄剑; 王永骥; 高学山; 霍卫光 华中科技大学
3255 291 0.088 9 0.370 1 4 何克清; 李征; 王健; 张能; 李昭 武汉大学
11015 1 001 0.066 7 0.615 2 2 曾晓雁; 胡乾午; 王泽敏 华中科技大学
14011 933 0.066 7 0.093 3 2 许宁生; 陈军; 张思秘; 邓少芝; 佘峻聪 中山大学
18616 1 473 0.044 5 0.021 2 3 宁洪龙; 彭俊彪; 王磊; 兰林锋 华南理工大学
Table 6  最佳决策边界下BCCC中专利样例
Inventor Effective Place Inventor Effective Place
金海 367.973 1 华中科技大学 彭俊彪 134.180 6 华南理工大学
李斌 287.657 6 华中科技大学 陈军 104.681 4 中山大学
冯丹 281.462 0 华中科技大学 邱学青 97.320 8 华南理工大学
张天序 227.633 3 华中科技大学 曹镛 94.921 6 华南理工大学
尹周平 211.334 8 华中科技大学 杨东杰 84.204 3 华南理工大学
史玉升 188.299 5 华中科技大学 汤勇 81.000 0 华南理工大学
谢长生 171.449 4 华中科技大学 苏薇薇 76.152 9 中山大学
周建中 152.098 9 华中科技大学 张艺 72.261 9 中山大学
曾晓雁 151.024 8 华中科技大学 张波 69.684 2 华南理工大学
胡瑞敏 145.828 0 武汉大学 赖学军 67.586 7 华南理工大学
Table 7  跨地区合作预选推荐对象
Fig.7  各领域发明人专利数量饼图
主要发明人 广东省推荐合作人 武汉市推荐合作人
苏薇薇 邱学青 谢长生
杨东杰
Table 8  医学、兽医学或卫生学领域联合推荐列表
主要发明人 广东省推荐合作人 武汉市推荐合作人
曾晓雁 汤勇 史玉升
李斌
Table 9  金属加工领域联合推荐列表
主要发明人 广东省推荐合作人 武汉市推荐合作人
赖学军 曹镛 史玉升
邱学青 张艺
杨东杰 彭俊彪
Table 10  有机高分子化合物领域联合推荐列表
主要发明人 广东省推荐合作人 武汉市推荐合作人
张天序 苏薇薇 尹周平
曾晓雁 史玉升
谢长生 李斌
Table 11  测量;测试领域联合推荐列表
冯丹 张天序 金海 王高辉 余龙江 侯慧杰
冯丹 3 2 2 0 0 1
张天序 2 3 2 0 0 1
金海 2 2 5 0 0 0
王高辉 0 0 0 2 0 0
余龙江 0 0 0 0 2 0
侯慧杰 1 1 0 0 0 1
Table 12  CN相似性指标方阵
冯丹 张天序 金海 王高辉 余龙江 侯慧杰
冯丹 1 1 1 0 0 0
张天序 1 1 1 0 0 0
金海 1 1 1 0 0 1
王高辉 0 0 0 1 0 0
余龙江 0 0 0 0 1 0
侯慧杰 0 0 1 0 0 1
Table 13  邻接矩阵
合作人1 合作人2 CN指标
薛龙建 杨威嘉 9
薛龙建 马伟超 9
薛龙建 李敬雨 9
薛龙建 陈燕鸣 9
薛龙建 郭嘉琳 9
薛龙建 李正刚 9
谭俊雄 郑国兴 6
蒋燕鞠 郑国兴 6
曾文治 郑国兴 6
吴伟 郑国兴 6
牛小骥 曹强 5
蒋燕鞠 曹强 5
曾文治 曹强 5
吴伟 曹强 5
Table 14  链路预测最终推荐结果(部分)
主合作人 推荐合作人
薛龙建
(武汉大学动力与机械学院教授)
杨威嘉(武汉大学水利水电学院副教授)
马伟超(武汉大学土木建筑工程学院校友)
李敬雨(武汉大学动力与机械学院硕士研究生)
陈燕鸣(武汉大学动力与机械学院讲师)
郭嘉琳(武汉大学动力与机械学院讲师)
李正刚(武汉大学动力与机械学院实验技术人员)
Table 15  按主合作人“薛龙建”分类展示
主合作人 推荐合作人
郑国兴
(武汉大学电子信息学院教授)
谭俊雄(武汉大学卫星导航技术研究中心研究生)
蒋燕鞠(武汉大学建筑工程系研究生)
曾文治(武汉大学水利水电学院副教授)
吴伟(武汉大学印刷与工程系主任)
Table 16  按主合作人“郑国兴”分类展示
主合作人 推荐合作人
曹强
(武汉大学工业科学学院特聘研究员)
牛小骥(武汉大学卫星导航定位技术研究中心教授)
蒋燕鞠(武汉大学建筑工程系研究生)
曾文治(武汉大学水利水电学院副教授)
吴伟(武汉大学印刷与工程系主任)
Table 17  按主合作人“曹强”分类展示
[1] 杨勇, 王露涵. 我国发明专利合作网络特征与演化研究[J]. 科学学研究, 2020, 38(7): 1227-1235.
[1] (Yang Yong, Wang Luhan. Research on the Structure and Evolution Characteristics of Patent Cooperation Network in China[J]. Studies in Science of Science, 2020, 38(7): 1227-1235.)
[2] Liben-Nowell D, Kleinberg J. The Link-prediction Problem for Social Networks[J]. Journal of the American Society for Information Science and Technology, 2007, 58(7): 1019-1031.
doi: 10.1002/(ISSN)1532-2890
[3] 张金柱, 韩涛, 王小梅. 作者-关键词二分网络中的合著关系预测研究[J]. 图书情报工作, 2016, 60(21): 74-80.
[3] (Zhang Jinzhu, Han Tao, Wang Xiaomei. Co-authorship Prediction in the Author-Keyword Bipartite Networks[J]. Library and Information Service, 2016, 60(21): 74-80.)
[4] Luong N T, Nguyen T T, Jung J J, et al. Discovering Co-author Relationship in Bibliographic Data Using Similarity Measures and Random Walk Model [C]//Proceedings of Asian Conference on Intelligent Information and Database Systems. Springer, Cham, 2015: 127-136.
[5] Zhang J Z. Uncovering Mechanisms of Co-authorship Evolution by Multirelations-Based Link Prediction[J]. Information Processing & Management, 2017, 53(1): 42-51.
doi: 10.1016/j.ipm.2016.06.005
[6] Lee D H, Brusilovsky P, Schleyer T. Recommending Collaborators Using Social Features and MeSH Terms[J]. Proceedings of the American Society for Information Science and Technology, 2011, 48(1): 1-10.
[7] 翟东升, 郭程, 张杰, 等. 基于专利的企业潜在研发伙伴推荐方法研究[J]. 数据分析与知识发现, 2017, 1(3): 10-20.
[7] (Zhai Dongsheng, Guo Cheng, Zhang Jie, et al. Recommending Potential R&D Partners Based on Patents[J]. Data Analysis and Knowledge Discovery, 2017, 1(3): 10-20.)
[8] 陈文杰. 基于翻译模型的科研合作预测研究[J]. 数据分析与知识发现, 2020, 4(10): 28-36.
[8] (Chen Wenjie. Predicting Research Collaboration Based on Translation Model[J]. Data Analysis and Knowledge Discovery, 2020, 4(10): 28-36.)
[9] 汪俊, 岳峰, 王刚, 等. 科研社交网络中基于链接预测的专家推荐研究[J]. 情报杂志, 2015, 34(6): 151-157.
[9] (Wang Jun, Yue Feng, Wang Gang, et al. Expert Recommendation in Scientific Social Network Based on Link Prediction[J]. Journal of Intelligence, 2015, 34(6): 151-157.)
[10] 蒲姗姗. 基于知识互补的科研合作专家推荐模型研究[J]. 情报理论与实践, 2018, 41(8): 96-101.
[10] (Pu Shanshan. Expert Recommendation Model in Scientific and Technical Collaboration Based on Complementary Knowledge[J]. Information Studies: Theory & Application, 2018, 41(8): 96-101.)
[11] 盛嘉祺, 许鑫. 融合主题相似度与合著网络的学者标签扩展方法研究[J]. 数据分析与知识发现, 2020, 4(8): 75-85.
[11] (Sheng Jiaqi, Xu Xin. Expanding Scholar Labels with Research Similarity and Co-authorship Network[J]. Data Analysis and Knowledge Discovery, 2020, 4(8): 75-85.)
[12] 熊回香, 杨雪萍, 蒋武轩, 等. 基于学术能力及合作关系网络的学者推荐研究[J]. 情报科学, 2019, 37(5): 71-78.
[12] (Xiong Huixiang, Yang Xueping, Jiang Wuxuan, et al. Scholars Recommend Research Based on Academic Competence and Collaborative Networks[J]. Information Science, 2019, 37(5): 71-78.)
[13] 刘萍, 郑凯伦, 邹德安. 基于LDA模型的科研合作推荐研究[J]. 情报理论与实践, 2015, 38(9): 79-85.
[13] (Liu Ping, Zheng Kailun, Zou Dean. Research on the Recommendation of S&T Collaboration Based on LDA Model[J]. Information Studies: Theory & Application, 2015, 38(9): 79-85.)
[14] 刘海鸥, 孙晶晶, 张亚明, 等. 在线社交活动中的用户画像及其信息传播行为研究[J]. 情报科学, 2018, 36(12): 17-21.
[14] (Liu Haiou, Sun Jingjing, Zhang Yaming, et al. Research on User Portrayal and Information Dissemination Behavior in Online Social Activities[J]. Information Science, 2018, 36(12): 17-21.)
[15] 刘竟, 孙薇. 基于链路预测的潜在科研合作关系发现研究[J]. 情报理论与实践, 2017, 40(7): 88-92, 121.
[15] (Liu Jing, Sun Wei. Discovery of Potential Scientific and Technical Collaborative Relationship Based on Link Prediction[J]. Information Studies: Theory & Application, 2017, 40(7): 88-92, 121.)
[16] Eslami H, Ebadi A, Schiffauerova A. Effect of Collaboration Network Structure on Knowledge Creation and Technological Performance: The Case of Biotechnology in Canada[J]. Scientometrics, 2013, 97(1): 99-119.
doi: 10.1007/s11192-013-1069-6
[17] 胡杨, 李郇. 地理邻近对产学研合作创新的影响途径与作用机制[J]. 经济地理, 2016, 36(6): 109-115.
[17] (Hu Yang, Li Xun. Effect of Geographical Proximity on University-Industry Cooperative Innovation and the Mechanism[J]. Economic Geography, 2016, 36(6): 109-115.)
[18] 陈光华, 王烨, 杨国梁. 地理距离阻碍跨区域产学研合作绩效了吗?[J]. 科学学研究, 2015, 33(1): 76-82.
[18] (Chen Guanghua, Wang Ye, Yang Guoliang. Geographical Distance and Non-local University-Industry Collaborations Performance[J]. Studies in Science of Science, 2015, 33(1): 76-82.)
[19] Burt R S. Structural Holes: The Social Structure of Competition[M]. Harvard: Harvard University Press, 1992.
[20] Blei D M, Ng A Y, Jordan M L. Latent Dirichlet Allocation[J]. Journal of Machine Learning Research, 2003, 3: 993-1022.
[21] 邱均平, 陈木佩. 我国计量学领域作者合作关系研究[J]. 情报理论与实践, 2012, 35(11): 56-60.
[21] (Qiu Junping, Chen Mupei. Research on Author Collaboration in the Metrology Field in China[J]. Information Studies: Theory & Application, 2012, 35(11): 56-60.)
[22] 李睿. 专利引文分析法与共词分析法在揭示科学-技术知识关联方面的差异对比[J]. 图书情报工作, 2010, 54(6): 91-93, 140.
[22] (Li Rui. Comparing Co-words Analysis and Citations Analysis Between Academic Papers and Patents in the Presentation of Knowledge Transfer[J]. Library and Information Service, 2010, 54(6): 91-93, 140.)
[23] Freeman L C. Centrality in Social Networks Conceptual Clarification[J]. Social Networks, 1978, 1(3): 215-239.
doi: 10.1016/0378-8733(78)90021-7
[24] 蔡克勇. 论知识积累与知识创新[J]. 教育科学研究, 2001(1): 8-11.
[24] (Cai Keyong. Discussion on Knowledge Accumulation and Knowledge Innovation[J]. Educational Science Research, 2001(1): 8-11.)
[25] 刘亭亭, 吴洁, 张宇洁. 产学研合作中高校知识创新能力提升的系统动力学研究——基于知识转移视角[J]. 情报杂志, 2012, 31(10): 195-200.
[25] (Liu Tingting, Wu Jie, Zhang Yujie. Research on the University's Knowledge Innovation Capability in the Industry University-Institute Cooperation Using System Dynamics—Based on the Knowledge Transfer Perspective[J]. Journal of Intelligence, 2012, 31(10): 195-200.)
[26] Yan B W, Luo J X. Measuring Technological Distance for Patent Mapping[J]. Journal of the Association for Information Science and Technology, 2017, 68(2): 423-437.
doi: 10.1002/asi.2017.68.issue-2
[27] 刘阳, 杜艳艳. 我国农业高校专利合作网络演化研究[J]. 情报杂志, 2015, 34(7): 110-116.
[27] (Liu Yang, Du Yanyan. Evolution of the Patent Cooperation Network of Agricultural Universities in China[J]. Journal of Intelligence, 2015, 34(7): 110-116.)
[28] 刘桂锋, 卢章平, 刘琼, 等. 基于社会网络分析的江苏省高校产学研专利合作研究[J]. 情报杂志, 2015, 34(1): 122-126.
[28] (Liu Guifeng, Lu Zhangping, Liu Qiong, et al. A Study on University-industry Patent Cooperation in Jiangsu Province Based on Social Network Analysis[J]. Journal of Intelligence, 2015, 34(1): 122-126.)
[29] Rosen Z M, Griffiths T, Steyvers M, et al. The Author-Topic Model for Authors and Document [C]//Proceedings of the 20th Conference on Uncertainty in Artificial Intelligence. 2004: 487-494.
[30] Hirschanman A O. National Power and the Structure of Foreign Trade[M]. University of California Press, 1980: 98-99.
[31] Hamburg B, Hoffmann M, Keller J. Consumption, Wealth and Business Cycles in Germany[J]. Empirical Economics, 2008, 34(3): 451-476.
doi: 10.1007/s00181-007-0130-9
[32] Hwang C L, Yoon K. Multiple Attribute Decision Making: Methods and Applications[M]. New York: Springer-Verlag, 1981: 58-191.
[33] Shannon C E. A mathematical Theory of Communication[J]. The Bell System Technical Journal, 1948, 27(3): 379-423.
doi: 10.1002/bltj.1948.27.issue-3
[34] Arthur D, Vassilvitskii S. K-Means++: The Advantages of Careful Seeding [C]// Proceedings of the 18th Annual ACM-SIAM Symposium on Discrete Algorithms. 2007: 1027-1035.
[35] Han J, Kambr M. Data Mining: Concepts and Techniques[M]. San Francisco: Morgan Kaufmann Publishers, 2001: 279-333.
[36] Guan J C, Liu N. Exploitative and Exploratory Innovations in Knowledge Network and Collaboration Network: A Patent Analysis in the Technological Field of Nano-energy[J]. Research Policy, 2016, 45(1): 97-112.
doi: 10.1016/j.respol.2015.08.002
[1] 伊惠芳,刘细文. 一种专利技术主题分析的IPC语境增强Context-LDA模型研究[J]. 数据分析与知识发现, 2021, 5(4): 25-36.
[2] 张鑫,文奕,许海云. 一种融合表示学习与主题表征的作者合作预测模型*[J]. 数据分析与知识发现, 2021, 5(3): 88-100.
[3] 赵天资, 段亮, 岳昆, 乔少杰, 马子娟. 基于Biterm主题模型的新闻线索生成方法 *[J]. 数据分析与知识发现, 2021, 5(2): 1-13.
[4] 关鹏,王曰芬,靳嘉林,傅柱. 专利合作视角下技术创新合作网络演化分析——以国内语音识别技术领域为例*[J]. 数据分析与知识发现, 2021, 5(1): 112-127.
[5] 余传明,原赛,朱星宇,林虹君,张普亮,安璐. 基于深度学习的热点事件主题表示研究*[J]. 数据分析与知识发现, 2020, 4(4): 1-14.
[6] 潘有能,倪秀丽. 基于Labeled-LDA模型的在线医疗专家推荐研究*[J]. 数据分析与知识发现, 2020, 4(4): 34-43.
[7] 陈文杰. 基于翻译模型的科研合作预测研究*[J]. 数据分析与知识发现, 2020, 4(10): 28-36.
[8] 凌洪飞,欧石燕. 面向主题模型的主题自动语义标注研究综述 *[J]. 数据分析与知识发现, 2019, 3(9): 16-26.
[9] 聂维民,陈永洲,马静. 融合多粒度信息的文本向量表示模型 *[J]. 数据分析与知识发现, 2019, 3(9): 45-52.
[10] 曾庆田,胡晓慧,李超. 融合主题词嵌入和网络结构分析的主题关键词提取方法 *[J]. 数据分析与知识发现, 2019, 3(7): 52-60.
[11] 余本功,陈杨楠,杨颖. 基于nBD-SVM模型的投诉短文本分类*[J]. 数据分析与知识发现, 2019, 3(5): 77-85.
[12] 席林娜,窦永香. 基于计划行为理论的微博用户转发行为影响因素研究*[J]. 数据分析与知识发现, 2019, 3(2): 13-20.
[13] 张杰,赵君博,翟东升,孙宁宁. 基于主题模型的微藻生物燃料产业链专利技术分析*[J]. 数据分析与知识发现, 2019, 3(2): 52-64.
[14] 刘俊婉,龙志昕,王菲菲. 基于LDA主题模型与链路预测的新兴主题关联机会发现研究*[J]. 数据分析与知识发现, 2019, 3(1): 104-117.
[15] 杨贵军,徐雪,赵富强. 基于XGBoost算法的用户评分预测模型及应用*[J]. 数据分析与知识发现, 2019, 3(1): 118-126.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn