.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
块重抽样方法用于解决在声誉时间序列预测中保持自相关性和波动性特征的问题。情感时间序列通过分割成小数据块进行标记化，并将每个数据块归类为五种典型形状之一。长短期记忆网络（LSTM）用于生成单标记序列，每个标记关联一个小数据块。预测结果通过拼接这些小数据块构建而成。该生成模型基于专门的自相关性和波动性标准进行评估，并与从历史数据中随机选择数据块的非生成模型进行比较。基于130个声誉时间序列的评估表明，该生成模型在波动性方面表现出最佳性能，预测范围可达约6个月，成功率在91%-99%之间。自回归特征在2.5个月范围内得到保留（成功率88%-100%），但在6个月预测期时降至65%。该结果对于缓解不利声誉风险和制定企业战略具有重要意义。
Keyword:
Reputation Forecasting
Sentiment Analysis
Tokenisation
Generative Artificial Intelligence
Probability Distribution
Autocorrelation
Volatility
Bootstrap
期刊
I
IF:
0
论文数:
50
被引数:
0
机构
引用论文
Bootstrap Predictive Coding: Investigating a Non-Contrastive Self-Supervised Learning Approach.png)
ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP).png)
ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
PREAI
.png){kind=icon}
分享.png){kind=icon}
收藏Bootstrap Method as a Tool for Analyzing Data with Atypical Distributions Deviating from Parametric Assumptions: Critique and Effectiveness EvaluationData
OAAI
DataIF0
OAAI分享收藏分享收藏Bootstrapping the out-of-sample predictions for efficient and accurate cross-validationMACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏
查看更多内容