CN113704412B - 交通运输领域变革性研究文献早期识别方法 - Google Patents
交通运输领域变革性研究文献早期识别方法 Download PDFInfo
- Publication number
- CN113704412B CN113704412B CN202111012387.9A CN202111012387A CN113704412B CN 113704412 B CN113704412 B CN 113704412B CN 202111012387 A CN202111012387 A CN 202111012387A CN 113704412 B CN113704412 B CN 113704412B
- Authority
- CN
- China
- Prior art keywords
- document
- documents
- frequency
- steps
- study
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000011160 research Methods 0.000 title claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 2
- 240000007019 Oxalis corniculata Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000008667 sleep stage Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及文献识别技术领域,具体地说,涉及一种交通运输领域变革性研究文献早期识别方法。其包括如下步骤:步骤S1、构建待识别数据集A;步骤S2、获取所述N篇文献的年度被引频次数据集B;步骤S3、计算获取每篇文献的Bcp指数;步骤S4、计算获取所述N篇文献的年度被引频次最大增量序列ΔC;步骤S5、计算获取所述N篇文献的总被引频次标准化数据集B';步骤S6,基于预定规则对所述N篇文献进行排序,进而筛选出M篇文献作为变革性研究文献。通过本发明能够较佳地对交通运输领域的变革性研究文献进行早期识别。
Description
技术领域
本发明涉及文献识别技术领域,具体地说,涉及一种交通运输领域变革性研究文献早期识别方法。
背景技术
在创新驱动发展战略中,制定科学、合理的科技规划和科技政策是建立创新型社会的关键。在科技规划和科技政策中,如何快速,准确地预测未来科技热点、发展趋势尤为关键。科技政策制定中最重要的挑战始终是如何选择“正确的”未来技术,预测未来的社会需求。技术预测有助于发现未来关键的科技领域和科技技术,预测未来的社会需求,使研发工作与社会需求保持一致,在此基础上,制定可持续发展的科技规划、政策,为全社会的科技工作提供前瞻性的指导。
技术预测是对科技发展的未来目标和可能途径及资源条件做出的预先推测或测定。技术预测主要着眼于准确地预言、推测未来的技术发展动向,强调如何适应未来的发展趋势,是为适应未来提供决策依据。通过一定的方法提前发现未来能够引起范式转变或开辟新的前沿的研究,则可以认为在一定程度上实现了某一领域的预测。未来能够引起范式转变或开辟新的前沿的研究即为变革性研究,识别变革性研究是实现技术预测的一个重要方面。
科学界普遍有这样一种共识“论文的影响和学术水平其实不是一回事,好的科研往往独辟蹊径,所出的成果需要过一段时间甚至很多年以后才会慢慢被主流接受,在短期引用率上反映不出来”。根据科学发展的自身规律,真正好的、创新性的研究(变革性研究)总是少数人开创的、容易被忽视或抵制、开始阶段不可能纷纷跟风涌入的。高品质、重大原创性论文(变革性的研究产出)往往会有一个“沉睡期”,会遭遇延迟承认,科学研究中的延迟承认现象又被称之为睡美人现象。故基于该种延迟承认的现象,当前很难对变革性研究进行早期识别。
发明内容
本发明提供了一种交通运输领域变革性研究文献早期识别方法,其能够克服现有技术的某种或某些缺陷。
根据本发明的交通运输领域变革性研究文献早期识别方法,其包括如下步骤:
步骤S1、构建待识别数据集A
该步骤中,待识别数据集A={Ai|i∈[1,N]},待识别数据集A表示自n本期刊中所选取相关领域的N篇文献,Ai为第i篇文献;
步骤S2、获取所述N篇文献的年度被引频次数据集B
该步骤中,B={Bi|i∈[1,N]},Bi表示第i篇文献的被引频次数列,Bi={Bit|i∈[1,N],t∈[ti0,tn]},Bit表示第i篇文献在第t年度的被引频次;ti0表示第i篇文献的发表当年,tn表示当前年度;
步骤S3、计算获取每篇文献的Bcp指数
该步骤中,对应第i篇文献,其Bcp指数为Bcpi;
步骤S4、计算获取所述N篇文献的年度被引频次最大增量序列ΔC
步骤S5、计算获取所述N篇文献的总被引频次标准化数据集B′
步骤S6,基于预定规则对所述N篇文献进行排序,进而筛选出M篇文献作为变革性研究文献。
通过本发明中的方法,能够首先自现有文献库中筛选出N篇文献,之后能够对每篇文献的Bcp指数、年度被引频次最大增量及总被引频次标准化数据进行计算获取,之后能够基于预定的规则对变革性研究文献进行早期识别,故而能够较佳地提供一种较为科学的变革性研究文献早期识别方法,故而便于运用。
作为优选,步骤S3中具体包括如下步骤,
步骤S31,计算获取每篇文献的年度被引频次累积百分比集合C,C={Ci|i∈[1,N]},Ci表示第i篇文献的年度被引频次累积百分比数列;Ci={Cti|i∈[1,N],t∈[ti0,tn]},Cti表示第i篇文献在第t年度的年度被引频次累积百分比,
通过上述,即可较佳地获取每篇文献的Bcp指数,其中,对去每篇文献,其发表年份ti0能够定义为0,故而能够能够较佳地便于Bcp指数的计算。
作为优选,步骤S6具体包括如下步骤,
步骤S61,建立规则集合P,P={Pj|j=1,2,3,…Q},Pj表示第j条规则,Q为规则集合P的元素总数;
步骤S62,基于规则集合P将所述N篇文献划分为Q组;
步骤S63,按Bcp指数自大到小的顺序自每组文献中筛选出M/Q篇文献作为变革性研究文献。
通过上述,能够基于不同的规则将N篇文献划分为多组,且能够自没组文献中均筛选出排序靠前的M/Q篇文献,从而形成M篇变革性研究文献;基于此种方法,能够较佳地自不同特征类别的文献中均进行变革性研究文献的识别,故而能够较佳地提升文献早期识别的精确性。
作为优选,步骤S61中,规则集合P中共有4条规则,即Q=4;其中,
通过构建规则P1和规则P2,能够较佳地基于3σ准则,对文献进行分类,从而能够充分保障大部分的文献均能够被列入识别的列表中。
通过构建规则P3,能够较佳地对当前年份近2年内达到被引频次最大值的文献进行早期识别,故而能够较佳地对当前较为热门的文献进行筛选识别。
通过构建规则P4,能够较佳地基于3σ准则,对在当前年份的近2年内达到年度被引频次最大增量的文献进行早期识别,故而能够较佳地对当前较为热门的文献进行筛选识别。
作为优选,步骤S2中,所构建的年度被引频次数据集B中加入专利引用标签H;即B={(Bi,Hi)|i∈[1,N],Hi=0或1},Hi表示第i篇文献的专利引用标签,若第i篇文献未被专利引用则Hi=0,反之则Hi=1;
故而能够较佳地对被专利引用的文献进行筛选,故而能够较佳地对可能已经投入实际生产的文献进行筛选。
作为优选,步骤S6具体包括如下步骤,
步骤S6a,构建每篇文献的特征序列Ti,Ti={Bcpi,ΔC,B′i,MAX(Bi)};
步骤S6b,基于神经网络构建识别模型,识别模型用于对特征序列Ti进行处理并输出对应文献属于变革性研究文献的概率Ri;
步骤S6c,按概率Ri自大到小的顺序选取M篇文献作为变革性研究文献。
故而能够较佳地对被专利引用的文献进行筛选,故而能够较佳地对可能已经投入实际生产的文献进行筛选。
作为优选,步骤S2中,所构建的年度被引频次数据集B中加入专利引用标签H;即B={(Bi,Hi)|i∈[1,N],Hi=0或1},Hi表示第i篇文献的专利引用标签,若第i篇文献未被专利引用则Hi=0,反之则Hi=1;
步骤S6a中,Ti={Bcpi,ΔC,B′i,MAX(Bi),Hi}。
故而能够较佳地引入是否被专利进行引用最为参考因素,从而能够较佳地增加特征序列的复杂性,使得识别结果更加科学。
作为优选,步骤S6b具体包括如下步骤,
步骤S6b1,搭建识别模型的构架;
步骤S6b2,构建训练集对识别模型进行训练。
从而能够较佳地实现对识别模型的构建及训练。
附图说明
图1为实施例1中的一种交通运输领域变革性研究文献早期识别方法的流程示意图。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。应当理解的是,实施例仅仅是对本发明进行解释而并非限定。
实施例1
结合图1所示,本实施例提供了一种交通运输领域变革性研究文献早期识别方法,其包括如下步骤:
步骤S1、构建待识别数据集A
该步骤中,待识别数据集A={Ai|i∈[1,N]},待识别数据集A表示自n本期刊中所选取相关领域的N篇文献,Ai为第i篇文献;
步骤S2、获取所述N篇文献的年度被引频次数据集B
该步骤中,B={Bi|i∈[1,N]},Bi表示第i篇文献的被引频次数列,Bi={Bit|i∈[1,N],t∈[ti0,tn]},Bit表示第i篇文献在第t年度的被引频次;ti0表示第i篇文献的发表当年,tn表示当前年度。
步骤S3、计算获取每篇文献的Bcp指数
该步骤中,对应第i篇文献,其Bcp指数为Bcpi;
步骤S4、计算获取所述N篇文献的年度被引频次最大增量序列ΔC
步骤S5、计算获取所述N篇文献的总被引频次标准化数据集B′
步骤S6,基于预定规则对所述N篇文献进行排序,进而筛选出M篇文献作为变革性研究文献。
通过本实施例中的方法,能够首先自现有文献库中筛选出N篇文献,之后能够对每篇文献的Bcp指数、年度被引频次最大增量及总被引频次标准化数据进行计算获取,之后能够基于预定的规则对变革性研究文献进行早期识别,故而能够较佳地提供一种较为科学的变革性研究文献早期识别方法,故而便于运用。
本实施的步骤S1中,能够设置8≤n≤15,且所述n本期刊能够均自交通运输领域的Q1区的SCI期刊中选取,且所选的N篇期刊,其发表年份区间选择当前年份前30年至当前年份前10年,故而能够较佳地提升数据处理结果的精确性。
本实施例的步骤S3中具体包括如下步骤:
步骤S31,计算获取每篇文献的年度被引频次累积百分比集合C,C={Ci|i∈[1,N]},Ci表示第i篇文献的年度被引频次累积百分比数列;Ci={Cti|i∈[1,N],t∈[ti0,tn]},Cti表示第i篇文献在第t年度的年度被引频次累积百分比,
通过上述,即可较佳地获取每篇文献的Bcp指数,其中,对去每篇文献,其发表年份ti0能够定义为0,故而能够能够较佳地便于Bcp指数的计算。
本实施例中,步骤S6具体包括如下步骤,
步骤S61,建立规则集合P,P={Pj|j=1,2,3,…Q},Pj表示第j条规则,Q为规则集合P的元素总数;
步骤S62,基于规则集合P将所述N篇文献划分为Q组;
步骤S63,按Bcp指数自大到小的顺序自每组文献中筛选出M/Q篇文献作为变革性研究文献。
通过上述,能够基于不同的规则将N篇文献划分为多组,且能够自没组文献中均筛选出排序靠前的M/Q篇文献,从而形成M篇变革性研究文献;基于此种方法,能够较佳地自不同特征类别的文献中均进行变革性研究文献的识别,故而能够较佳地提升文献早期识别的精确性。
本实施例的步骤S61中,规则集合P中共有4条规则,即Q=4;其中,
通过构建规则P1和规则P2,能够较佳地基于3σ准则,对文献进行分类,从而能够充分保障大部分的文献均能够被列入识别的列表中。
通过构建规则P3,能够较佳地对当前年份近2年内达到被引频次最大值的文献进行早期识别,故而能够较佳地对当前较为热门的文献进行筛选识别。
通过构建规则P4,能够较佳地基于3σ准则,对在当前年份的近2年内达到年度被引频次最大增量的文献进行早期识别,故而能够较佳地对当前较为热门的文献进行筛选识别。
本实施例的步骤S2中,所构建的年度被引频次数据集B中加入专利引用标签H;即B={(Bi,Hi)|i∈[1,N],Hi=0或1},Hi表示第i篇文献的专利引用标签,若第i篇文献未被专利引用则Hi=0,反之则Hi=1;
故而能够较佳地对被专利引用的文献进行筛选,故而能够较佳地对可能已经投入实际生产的文献进行筛选。
实施例2
本实施例也提供了一种交通运输领域变革性研究文献早期识别方法,其与实施例1的区别在于:本实施例中的步骤S6,通过构建识别模型对变革性研究文献进行早期识别,而非按照认为经验构建规则对其进行识别,故而效率更高,且能够较佳地保证识别的精准性。
本实施例的步骤S6具体包括如下步骤,
步骤S6a,构建每篇文献的特征序列Ti,Ti={Bcpi,ΔC,B′i,MAX(Bi)};
步骤S6b,基于神经网络构建识别模型,识别模型用于对特征序列Ti进行处理并输出对应文献属于变革性研究文献的概率Ri;
步骤S6c,按概率Ri自大到小的顺序选取M篇文献作为变革性研究文献。
通过上述步骤S6a-S6c,能够对每篇文献属于变革性研究文献的概率Ri进行计算,通过对概率的排序,即可较佳地实现对变革性研究文献的筛选。
此外,其步骤S2中,所构建的年度被引频次数据集B中加入专利引用标签H;即B={(Bi,Hi)|i∈[1,N],Hi=0或1},Hi表示第i篇文献的专利引用标签,若第i篇文献未被专利引用则Hi=0,反之则Hi=1;
步骤S6a中,Ti={Bcpi,ΔC,B′i,MAX(Bi),Hi}。
故而能够较佳地引入是否被专利进行引用最为参考因素,从而能够较佳地增加特征序列的复杂性,使得识别结果更加科学。
另外,步骤S6b具体包括如下步骤,
步骤S6b1,搭建识别模型的构架;
步骤S6b2,构建训练集对识别模型进行训练。
从而能够较佳地实现对识别模型的构建及训练。
本实施例的步骤S6b1中,所构建的识别模型具有输入层、全连接层及输出层,输入层用于输入特征序列,全连接层用于对特征序列进行加权计算处理,输出层为一二分类模型,其用于输出文献属于变革性研究文献的概率。
本实施的步骤S6b2中,能够基于历史数据建立训练集,从而能够较佳地实现对识别模型的训练。
本领域的技术人员可以理解是的,基于神经网络对识别模型的构建及训练,采用现有常规手段即可,故而本实施例中不予赘述。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (7)
1.交通运输领域变革性研究文献早期识别方法,其包括如下步骤:
步骤S1、构建待识别数据集A
该步骤中,待识别数据集A={Ai|i∈[1,N]},待识别数据集A表示自n本期刊中所选取相关领域的N篇文献,Ai为第i篇文献;
步骤S2、获取所述N篇文献的年度被引频次数据集B
该步骤中,B={Bi|i∈[1,N]},Bi表示第i篇文献的被引频次数列,Bi={Bit|i∈[1,N],t∈[ti0,tn]},Bit表示第i篇文献在第t年度的被引频次;ti0表示第i篇文献的发表当年,tn表示当前年度;
步骤S3、计算获取每篇文献的Bcp指数
该步骤中,对应第i篇文献,其Bcp指数为Bcpi;
步骤S4、计算获取所述N篇文献的年度被引频次最大增量序列ΔC
步骤S5、计算获取所述N篇文献的总被引频次标准化数据集B′
步骤S6,基于预定规则对所述N篇文献进行排序,进而筛选出M篇文献作为变革性研究文献;
步骤S3中具体包括如下步骤,
步骤S31,计算获取每篇文献的年度被引频次累积百分比集合C,C={Ci|i∈[1,N]},Ci表示第i篇文献的年度被引频次累积百分比数列;Ci={Cti|i∈[1,N],t∈[ti0,tn]},Cti表示第i篇文献在第t年度的年度被引频次累积百分比,
2.根据权利要求1所述的交通运输领域变革性研究文献早期识别方法,其特征在于:步骤S6具体包括如下步骤,
步骤S61,建立规则集合P,P={Pj|j=1,2,3,....Q},Pj表示第j条规则,Q为规则集合P的元素总数;
步骤S62,基于规则集合P将所述N篇文献划分为Q组;
步骤S63,按Bcp指数自大到小的顺序自每组文献中筛选出M/Q篇文献作为变革性研究文献。
5.根据权利要求1所述的交通运输领域变革性研究文献早期识别方法,其特征在于:步骤S6具体包括如下步骤,
步骤S6a,构建每篇文献的特征序列Ti,Ti={Bcpi,ΔC,B′i,MAX(Bi)};
步骤S6b,基于神经网络构建识别模型,识别模型用于对特征序列Ti进行处理并输出对应文献属于变革性研究文献的概率Ri;
步骤S6c,按概率Ri自大到小的顺序选取M篇文献作为变革性研究文献。
6.根据权利要求5所述的交通运输领域变革性研究文献早期识别方法,其特征在于:
步骤S2中,所构建的年度被引频次数据集B中加入专利引用标签H;即B={(Bi,Hi)|i∈[1,N],Hi=0或1},Hi表示第i篇文献的专利引用标签,若第i篇文献未被专利引用则Hi=0,反之则Hi=1;
步骤S6a中,Ti={Bcpi,ΔC,B′i,MAX(Bi),Hi}。
7.根据权利要求5所述的交通运输领域变革性研究文献早期识别方法,其特征在于:步骤S6b具体包括如下步骤,
步骤S6b1,搭建识别模型的构架;
步骤S6b2,构建训练集对识别模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111012387.9A CN113704412B (zh) | 2021-08-31 | 2021-08-31 | 交通运输领域变革性研究文献早期识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111012387.9A CN113704412B (zh) | 2021-08-31 | 2021-08-31 | 交通运输领域变革性研究文献早期识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113704412A CN113704412A (zh) | 2021-11-26 |
CN113704412B true CN113704412B (zh) | 2023-05-02 |
Family
ID=78658006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111012387.9A Active CN113704412B (zh) | 2021-08-31 | 2021-08-31 | 交通运输领域变革性研究文献早期识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113704412B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559262A (zh) * | 2013-11-04 | 2014-02-05 | 北京邮电大学 | 基于社区的作者及其学术论文推荐***和推荐方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10198660A (ja) * | 1997-01-07 | 1998-07-31 | Toshiba Corp | 文書表示装置及び文書表示方法 |
RU2600892C2 (ru) * | 2010-06-24 | 2016-10-27 | Байер Медикэл Кер Инк., | Моделирование распространения фармацевтического препарата и генерирование параметров для инъекционных протоколов |
US20190130994A1 (en) * | 2016-04-11 | 2019-05-02 | Discerndx, Inc. | Mass Spectrometric Data Analysis Workflow |
WO2018156133A1 (en) * | 2017-02-23 | 2018-08-30 | Google Llc | Method and system for assisting pathologist identification of tumor cells in magnified tissue images |
CN108595559B (zh) * | 2018-04-12 | 2022-03-01 | 科技部科技评估中心 | 技术研究前沿指数的计算方法 |
CN108614867B (zh) * | 2018-04-12 | 2022-03-15 | 科技部科技评估中心 | 基于学术论文的技术前沿性指数计算方法及*** |
CN109933699A (zh) * | 2019-03-05 | 2019-06-25 | 中国科学院文献情报中心 | 一种学术画像模型的构建方法及装置 |
CN110110074A (zh) * | 2019-05-10 | 2019-08-09 | 齐鲁工业大学 | 一种基于动态网络分析的时序文献数据分析方法及装置 |
CN110688477B (zh) * | 2019-10-10 | 2022-11-15 | 华夏幸福产业投资有限公司 | 一种技术热点领域的预测方法、装置、设备及存储介质 |
CN111078859B (zh) * | 2019-11-22 | 2021-02-09 | 北京市科学技术情报研究所 | 一种基于引用次数的作者推荐方法 |
CN110941957A (zh) * | 2019-11-26 | 2020-03-31 | 交通运输部科学研究院 | 交通科技数据标引方法及*** |
CN111898366B (zh) * | 2020-07-29 | 2022-08-09 | 平安科技(深圳)有限公司 | 文献主题词聚合方法、装置、计算机设备及可读存储介质 |
-
2021
- 2021-08-31 CN CN202111012387.9A patent/CN113704412B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559262A (zh) * | 2013-11-04 | 2014-02-05 | 北京邮电大学 | 基于社区的作者及其学术论文推荐***和推荐方法 |
Non-Patent Citations (1)
Title |
---|
能源与气候变化议题下政策和经济研究的热点识别;张达 等;《可再生资源》;第30卷(第4期);116-120 * |
Also Published As
Publication number | Publication date |
---|---|
CN113704412A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lou et al. | AI on drugs: Can artificial intelligence accelerate drug development? Evidence from a large-scale examination of bio-pharma firms | |
Li et al. | Scientific elite revisited: Patterns of productivity, collaboration, authorship and impact | |
CN107851097B (zh) | 数据分析***、数据分析方法、数据分析程序及存储介质 | |
Snehvrat et al. | The state of ambidexterity research: a data mining approach | |
Li et al. | A financial early warning logit model and its efficiency verification approach | |
CN110929797A (zh) | 一种人员能力量化评估方法 | |
Pratt et al. | Employee attrition estimation using random forest algorithm | |
Casuat et al. | Predicting students' employability using machine learning approach | |
Fraussen et al. | Who’s in and who’s out?: Explaining access to policymakers in Belgium | |
Tsoka et al. | Explainable artificial intelligence for building energy performance certificate labelling classification | |
Bi et al. | International tourism demand forecasting with machine learning models: The power of the number of lagged inputs | |
CN106250925B (zh) | 一种基于改进的典型相关分析的零样本视频分类方法 | |
Singla et al. | An examination of effectiveness of technology push strategies for achieving sustainable development in manufacturing industries | |
Kronegger et al. | Classifying scientific disciplines in S lovenia: A study of the evolution of collaboration structures | |
Shingari et al. | A review of applications of data mining techniques for prediction of students’ performance in higher education | |
Thakur et al. | Data mining for prediction of human performance capability in the software-industry | |
Abbott | Introduction: the challenges of oversight for emerging technologies | |
Ozcan et al. | Human resources mining for examination of R&D progress and requirements | |
Dastyar et al. | Using Data Mining Techniques to Develop Knowledge Management in Organizations: A Review. | |
CN113704412B (zh) | 交通运输领域变革性研究文献早期识别方法 | |
Aruqaj | An integrated approach to the conceptualisation and measurement of social cohesion | |
JP5420795B2 (ja) | 技術発展速度予測装置及び方法 | |
Ma | The Research of Stock Predictive Model based on the Combination of CART and DBSCAN | |
Chen et al. | Understanding the challenges of blockchain technology adoption: evidence from China’s developing carbon markets | |
Alamdari et al. | Application of machine learning techniques in railway demand forecasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |