用机器学习模型预测电影收益，通过收集、预处理、分析、选择模型、评估和改进的结构化方法，构建了一个准确预测电影收益的模型，使用线性回归、决策树、随机森林回归、Bagging、XGBoosting 和 Gradient Boosting 进行训练和测试，通过超参数调整和交叉验证提高模型的准确性和泛化性，有助于电影行业做出明智的决策以最大化利润。

May, 2024

这篇论文提出了一个决策支持系统，利用从各种来源获得的历史数据、社交网络分析和文本挖掘技术，自动提取多组数据特征，包括 “谁” 在演员阵容中，“电影” 讲述的内容，“何时” 上映以及匹配 “谁” 和 “何时” 与 “电影” 相关的特征，从而预测电影的利润，实验证明此系统在预测电影利润方面的性能大大优于基准方法，同时其所提出的新特征也对电影利润预测做出了重要贡献。此外，对于电影利润的关键因素的分析也可能对团队绩效和创意工作的成功的理论研究产生影响。

Jun, 2015

本文旨在比较不同类型的视觉、音频、文本和基于元数据的特征对于预测电影的高层信息（如类型或预计预算）的有效性，并介绍了一个新的 Moviescope 数据集，该数据集包括 5000 部电影以及对应的预告片、海报、剧情和元数据。作者实证了在深度学习时代，基于内容的方法相对于基于人类和基于元数据的预测方法在该领域的有效性，并探究了表示视频和文本的时间特征聚合方法的有效性。此外，研究团队还展示了不同模态之间互补性的程度，并发现简单池化操作在该领域是有效的。

Aug, 2019

可靠地预测道路行为是自动驾驶车辆安全规划的关键组成部分。本研究将连续轨迹表示为离散运动令牌序列，并将多智能体运动预测视为一个语言建模任务。我们的模型 MotionLM 具有多个优势：首先，它不需要锚点或明确的潜在变量优化来学习多模态分布；其次，我们利用标准的语言建模目标，通过最大化序列令牌的平均对数概率来实现；此外，该模型的顺序分解使得它能够进行时间因果条件推断。在 Waymo 开放动态数据集上，所提出的方法在多智能体运动预测方面取得了新的最先进性能，排名第一。

Sep, 2023

使用社交媒体生成的 "大数据"，预测电影的财务成功，其中包括测量和分析维基百科上与电影对应的条目的编辑和观看者的活动水平。

Nov, 2012

该研究介绍了一种创新的金融分析技术，结合了机器学习、量化融合模型、股票市场、选股和择时策略。

Dec, 2023

本文通过比较三种投资组合设计方法 (均值 - 方差组合，分层风险平价组合和自编码器组合)，应用于国家证券交易所上列出的十个主题行业的股票历史价格，并在测试数据上进行了表现测试，结果发现 MVP 组合在风险调整回报上表现最佳，而自编码器组合在年收益率上表现最好

Jul, 2023

该研究论文关注于通过组合优化模型创建高质量的推荐项目列表，以平衡推荐的准确性和多样性。提出了利用鲁棒优化技术处理估计统计不确定性的鲁棒组合优化模型，并证明该方法能够提高推荐的准确性和多样性。

Jun, 2024

为了预测上市公司的股票未来价格趋势，我们构建了更全面的市场知识图谱（MKG）来处理上市公司之间更为复杂的关系，并提出了一种新的双重注意力网络模型（DanSmp）来学习动量溢出信号以进行股票预测，实验表明，DanSmp 能够改善股票预测。

Jan, 2022

探究建模强化学习方法中真实和模拟数据之间的分布差异所带来的性能下降问题，并提出了一种全新的模型自适应框架 AMPO，使用 Wasserstein-1 距离来实现模型适应，结果在多项连续控制测试任务中实现了最先进的性能。

Oct, 2020