工作预测:从深度神经网络模型到应用
研究使用传统机器学习技术和深度神经网络模型在社交媒体文本数据中识别情绪,并构建一个双向长短记忆神经网络(BiLSTM)和双向门循环单元(BiGRU)的集成模型,其中 BiGRU 模型表现最佳,准确率达 87.53%。此结果将有助于开发一个可视化情绪波动的决策工具。
Feb, 2023
研究比较了多种不同的深度学习模型,发现在预测业务流程中下一步活动的性质和时间戳时,简单的多层感知器(MLP)往往表现优于 Sophisticated Deep-learning Models。在应用自动化过程预测技术时,需要注意在业务流程的不同阶段进行反思和评估。
Feb, 2021
本文旨在通过将深度神经网络 (LSTM) 模型的知识提取到基于卷积神经网络 (CNN) 的模型中,来降低自然语言识别任务(如文本分类)中的推理时间,以实现模型的简化、压缩和加速。
Aug, 2022
本文研究了利用深度学习算法 GritNet 对学生在网课中表现未来的预测问题,将其视为连续事件预测问题,通过实验验证了 GritNet 的可靠性与准确性,并提出了及时的干预教育措施。
Apr, 2018
本文综述了不同类型的深度学习模型,包括卷积神经网络、循环神经网络、生成模型、深度强化学习和深度迁移学习,探讨了它们的结构、应用、优点和局限性,并使用 IMDB、ARAS 和 Fruit-360 三个公共数据集分析了六个著名深度学习模型的性能差异:CNN、Simple RNN、LSTM、双向 LSTM、GRU 和双向 GRU。
May, 2023
多标签文本分类面临诸多挑战,本文提出了一种基于 GloVe 模型和 CNN-BiLSTM 网络的词袋模型方法,该方法在测试集上达到了 87.26% 的准确率和 0.8737 的 F1 分数,展现出了良好的结果。
Oct, 2023
本文介绍了一种基于深度递归神经网络的内容推荐方法,通过将文本序列映射至潜在向量实现推荐,在科学论文推荐任务中,该方法精度显著优于传统基于主题模型或词向量平均值的推荐方法。此外,使用多任务学习进一步提高了推荐精度。
Sep, 2016
本文研究了深度学习在 LinkedIn 人才搜索和推荐系统中的应用,利用神经网络模型学习人才搜索领域中的稀疏实体的语义表示,利用学习排名方法来提升人才搜索、推荐系统的表现。
Sep, 2018
本文采用双向 LSTM 模型结合数字和文本特征鉴别虚假的招聘广告,取得了 0.91 的 ROC AUC 和 98.71% 的准确率,展现了在在线招聘市场中广泛应用的潜力。研究结果为开发实用工具以及应对网络招聘诈骗提供了借鉴,同时探讨了所采用方法的挑战,未来研究方向和伦理道德方面的考虑。
Apr, 2023
人力资源部门面临预测申请人是否寻找新工作或留在公司的挑战。本论文讨论了机器学习如何用于预测谁将转到新工作,采用数据预处理以适合机器学习模型,处理分类特征,应用数据编码和多个机器学习算法,包括随机森林、逻辑回归、决策树和极端梯度提升。为提高机器学习模型的性能,使用合成少数类过采样技术 (SMOTE) 进行改进,采用决策支持指标,如精确度、召回率、F1-Score 和准确度进行评估。
Sep, 2023