基于机器学习算法的研究热点趋势预测模型对比与分析——BP神经网络、支持向量机与LSTM模型

基于机器学习算法的研究热点趋势预测模型对比与分析——BP神经网络、支持向量机与LSTM模型

论文摘要

[目的/意义]细粒度分析学科领域热点主题发展脉络并对利用机器学习算法对未来发展趋势进行准确预测研究。[方法/过程]提出一种基于机器学习算法的研究热点趋势预测方法与分析框架,以基因工程领域为例利用主题概率模型识别WOS核心集中论文摘要数据研究热点主题并进行主题演化关联构建,然后选取BP神经网络、支持向量机及LSTM模型等3种典型机器学习算法进行预测分析,最后利用RE指标和精准度指标评价机器学习算法预测效果并对基因工程领域在医药卫生、农业食品等方面研究趋势进行分析。[结果/结论]实验表明基于LSTM模型对热点主题未来发展趋势预测准确度最高,支持向量机预测效果次之,BP神经网络预测效果较差且预测稳定性不足,同时结合专家咨询和文献调研表明本文方法可快速识别基因领域研究主题及发展趋势,可为我国学科领域大势研判和架构调整提供决策支持和参考。

论文目录

  • 1 相关研究
  •   1.1 研究热点梳理
  •   1.2 基于机器学习预测方法梳理
  • 2 方法框架
  •   2.1 研究热点主题探测
  •   2.2 主题关联构建
  •   2.3 机器学习算法预测模型对比分析
  •     2.3.1 BP神经网络结构预测模型分析
  •     2.3.2 支持向量机 (SVM) 预测模型分析
  •     2.3.3 长短期记忆网络 (LSTM) 预测模型分析
  • 3 实证研究
  •   3.1 实验平台
  •   3.2 数据集及预处理
  •   3.3 主题识别实验
  •     3.3.1 LDA相关参数设置
  •     3.3.2 主题表征
  •   3.4 机器学习算法研究热点预测与对比
  •     3.4.1 实验设置
  •     3.4.2 实验结果
  •   3.5 趋势分析
  • 4 讨 论
  • 文章来源

    类型: 期刊论文

    作者: 李静,徐路路

    关键词: 热点主题,发展趋势,机器学习,模型,支持向量机模型

    来源: 现代情报 2019年04期

    年度: 2019

    分类: 信息科技

    专业: 自动化技术

    单位: 同济大学经济与管理学院,南开大学商学院信息资源管理系

    分类号: TP18

    页码: 23-33

    总页数: 11

    文件大小: 2080K

    下载量: 3160

    相关论文文献

    标签:;  ;  ;  ;  ;  

    基于机器学习算法的研究热点趋势预测模型对比与分析——BP神经网络、支持向量机与LSTM模型
    下载Doc文档

    猜你喜欢