1.3 研究内容
1.4 本文创新点
1.5 本文组织结构
第二章 基础知识和相关理论
2.1 信贷风控体系介绍
2.2 信贷风控冷启动方法
2.2.1 无样本可依下的信贷风控冷启动方法
2.2.2 无标记样本下的信贷风控冷启动方法
2.3 机器学习算法
2.3.1 DPMM
2.3.2 IForest
2.3.3 LogisticsRegression
2.3.4 XGBoost
2.4 本章小结
第三章 基于DPMM和 IForest的信贷风控冷启动方法
3.1 问题分析
3.2 方法设计
3.2.1 基于DPMM计算违约相似度
3.2.2 基于IForest计算违约异常度
3.2.3 样本筛选及权重设置
3.2.4 监督模型训练
3.3 仿真实验
3.3.1 数据集
3.3.2 评估指标
3.3.3 实验环境
3.3.4 实验及结果分析
3.4 本章小结
第四章 基于Bagging的 XGBoost-LR信贷风控模型融合方法
4.1 问题分析
4.2 方法设计
4.2.1 基于XGBoost的特征构造方法
4.2.2 LR分类预测
4.2.3 XGBoost-LR模型融合方法
4.2.4 基于Bagging的 XGBoost-LR模型融合方法
4.3 仿真实验
4.3.1 数据集
4.3.2 评估指标
4.3.3 实验及结果分析
4.4 本章小结
第五章 信贷风控系统
5.1 系统框架
5.2 数据分析模块
5.2.1 选择目标变量
5.2.2 原始数据统计分析
5.2.3 坏账用户特征分析
5.3 数据清洗模块
5.3.1 缺失值填充
5.3.2 数据过滤
5.4 特征工程模块
5.4.1 特征抽象
5.4.2 特征缩放
5.4.3 特征选择
5.5 评分模块
5.5.1 模型分析
5.5.2 评分转换
5.6 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
计算机论文范文四：基于电商平台的用户推荐算法研究
本文首先阐述了本课题的研究意义和推荐系统的国内外研究现状,并对常用的推荐算法的理论基础、算法流程进行了详细的阐述,并分析其优缺点,总结目前技术存在的缺陷,同时还阐述了推荐算法的常用评测指标。为下文中改进算法提供理论基础。针对传统协同过滤推荐算法冷启动问题,本文提出一种基于标签权值的改进推荐算法。
1.1 研究背景及意义
1.2 本文的组织结构
第二章 相关技术研究
2.1 推荐系统研究
2.1.1 基于内容的推荐方法
2.1.2 基于用户的协同过滤推荐方法
2.1.3 基于物品的协同过滤推荐方法
2.1.4 组合推荐
2.2 国内外研究现状
2.3 推荐算法的评测指标
2.4 分析和总结
第三章 一种基于LW-UB-CF的推荐算法
3.1 传统的商品标签算法
3.2 基于TF-IDF标签推荐算法
3.3 融合标签权重的改进推荐算法
3.3.1 用户-商品-标签模型
3.3.2 标签相似度模型
3.3.3 标签相似度计算方法
3.3.4 算法描述
3.4 仿真实验
3.4.1 实验环境与评价标准
3.4.2 实验结果与分析
3.5 本章小结
第四章 一种基于SAL-SVD的推荐算法
4.1 传统的SVD分解算法
4.2 Funk-SVD与 SVD++算法
4.2.1 Funk-SVD算法
4.2.2 SVD++算法
4.3 基于SAL-SVD的推荐算法
4.3.1 算法原理
4.3.2 算法描述
4.4 仿真实验
4.4.1 环境参数
4.4.2 实验分析
4.5 本章小结
第五章 基于电商平台的个性化推荐系统
5.1 系统的环境配置
5.1.1 Spark框架
5.1.2 系统环境部署
5.2 电商平台推荐系统架构
5.3 系统功能模块设计与实现
5.3.1 数据采集模块
5.3.2 数据处理模块
5.3.3 产品推荐模块
5.4 本章小结
第六章 总结与展望
参考文献
计算机论文范文五：基于生成式对抗网络与异质集成学习的文本情感分类研究
该研究不仅可以创造巨大的商业价值,而且能为企业和政府机构的社会舆论监督提供十分重要的参考依据。针对该研究挑战,本文的主要研究工作和创新点如下:1、通过文本情感分类任务的相关研究发现,将循环神经网络（Recurrent Neural Network,RNN）和卷积神经网络（Convolutional Neural Network,CNN）进行合理地组合,可使得模型在学习过程中充分地综合其二者的优势性能。
第一章 绪论1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 基于情感词典的文本情感分类
1.2.2 基于机器学习的文本情感分类
&nbs
