以BVD-Zephyr并购交易分析库为数据源,以漏斗式的三重筛选机制为框架,以Doc2vec语义相似度、LDA主题挖掘算法为基础构建基于产业特征的语义匹配模型,进行产业融合趋势预测,以智能可穿戴设备领域为例进行实证研究。语义匹配模型的关键在于设立契合度、贴合度两个指标以过滤、匹配的方式探索异常值,以减少噪音数据,提高产业融合趋势预测准确性。结果表明:产业融合沿产业链方向展开;电器设备领域以技术互补型的产业融合为主;医疗领域智能可穿戴的应用实践性需要深化(如智能反馈功能)。

文本语义匹配模型在信息检索、文本挖掘等领域已经获得了广泛应用。为解决现有模型主要从文本自身角度判断文本之间的语义关系而忽略对外部知识有效利用的问题，本文提出一种新的基于知识增强的文本语义匹配模型，以知识图谱实体作为外部知识，有效建模文本的外部知识信息，并自适应地过滤外部知识中存在的噪声。针对自然语言推理和释义识别两个文本语义匹配任务，与基线方法相比，本文模型在大多数指标上取得了最优效果。研究结果表明，本文模型有助于揭示知识图谱在文本语义匹配任务中的作用，为将知识图谱应用到智能信息服务领域提供了参考。

在公共服务渠道类型公共服务特征匹配与渠道模式公共服务特征匹配分析的基础上,构建了公共服务渠道类型与渠道模式公共服务特征匹配度的度量模型,并以此为基础,通过定量计算渠道类型与渠道模式的匹配情况,构建了一种公共服务渠道管理模型。

针对“一对多”车货匹配问题，分析了目前车货匹配信息平台中存在的车货信息不对称和不能实时进行车货匹配等问题，提出了一种新的基于深度特征选择模型的车货匹配算法，以深度神经网络为基础模型，在输入层之前加上一层特征选择层，以增强重要因素的影响力，减少无关因素的影响，达到提高匹配正确度的目的。最后将其与传统的基于半马尔科夫的车货匹配算法在匹配准确度和匹配时间效率两个方面进行了比较，实验结果表明，基于深度特征选择的车货匹配算法在匹配准确度和匹配效率上，均明显优于传统的基于半马尔科夫的车货匹配算法。

产业集群升级导向战略确定后,在战略实施阶段,高管团队作为推动集群升级的主要负责单元,其内部高管成员之间胜任特征是否匹配显得十分关键。针对集群企业高管团队胜任特征的内部匹配问题,本文在钻石模型的基础上,依据产业集群升级导向的要求确定评价指标体系,站在最有利于高管成员匹配的角度构建个体优势识别模型,并对结果进行聚类分析,计算出高管成员的认可比例,进而选出内部匹配的高管成员,实现集群升级导向下高管团队的内部匹配。

本文以滨海新区为研究对象,通过AHP层次分析法和模糊数学的结合,建立区域服务外包发、接包条件"匹配度模型",选取代表性服务外包业态进行实例分析,并根据测算结果提出了滨海新区服务外包产业区域性发展的战略建议。

针对文本匹配在信息检索、文本挖掘等领域的广泛应用,本文提出一种具有良好泛化能力的深度交互文本匹配(deep interaction text matching,DITM)模型。基于匹配-聚合框架,DITM模型以编码层、共注意力层和融合层为交互模块,多次循环交互模块获取深层次的交互信息,经过多角度池化提取信息以预测文本对之间的关系。相比于基线方法,针对观点检索、答案挑选、释义识别和自然语言推理四个文本匹配任务,DITM模型在相应的数据集上均取得了最好的效果。本研究结果对于促进文本匹配模型在情报领域的实践具有重要意义。

定量化语义关系的判断是地理数据处理的关键,也是地理本体建模与表达的难点,土地利用数据作为典型的专题性地理数据,其语义特征上的邻近关系如何,是土地资源统计、整理、规划、管理和开发需要关注的问题。针对土地利用数据的语义特征,从《土地利用现状分类》的依据出发,结合其权属特征,建立了土地利用数据语义特征的多细节层次表达模型;随后应用特征匹配的方法,通过计算其在权属、覆盖成因、覆盖类型、用途、利用状态、植被类型、附着物性质、利用方式等方面的匹配关系得到土地利用数据语义邻近度的具体度量值,实现土地利用数据从语义建模到

定量化语义关系的判断是地理数据处理的关键,也是地理本体建模与表达的难点,土地利用数据作为典型的专题性地理数据,其语义特征上的邻近关系如何,是土地资源统计、整理、规划、管理和开发需要关注的问题。针对土地利用数据的语义特征,从《土地利用现状分类》的依据出发,结合其权属特征,建立了土地利用数据语义特征的多细节层次表达模型;随后应用特征匹配的方法,通过计算其在权属、覆盖成因、覆盖类型、用途、利用状态、植被类型、附着物性质、利用方式等方面的匹配关系得到土地利用数据语义邻近度的具体度量值,实现土地利用数据从语义建模到邻近度计算的整个过程。在试验中则以具有不同语义特征的土地利用数据实体为例进行语义邻近关系计算,并将试验结果与实际经验判断进行比较,证明该模型具有较强的实用性,计算结果符合人类的认知。

发现了目前汽车市场消费者缺乏参考依据的问题,提出了一种基于BP神经网络的消费者特征和汽车特征匹配的预测方法。在确定消费者特征参数和汽车特征参数基础上,建立基于BP神经网络的特征匹配预测模型,通过调查问卷的形式获取了样本数据,对模型进行训练和测试,实验特征匹配的功能。

身份融合是理解农民工经济行为的重要概念。基于2013年浙江省的农民工调研数据,本研究探讨了身份融合对农民工就业的影响。为了解决可能存在的自选择问题,采用倾向得分匹配法进行实证分析。结果表明:身份融合对农民工的劳动参与有显著影响,身份融合对农民工自我雇佣和工作强度的影响并不显著;身份融合对农民工就业的影响存在明显的代际差异、性别差异以及户籍地差异。本研究获得的政策启示在于:促进农民工的城市融入有利于稳定他们的就业预期,实现劳动供给的可持续发展,对中国经济的发展具有重要作用。

以交易成本理论为基础,笔者对农业产业及农业产业化经营组织模式作了"技术-市场"两维度划分,并对比分析了山东省莱州、寿光两市的成功农业发展案例。结果显示,农业产业化经营组织模式的选择与当地农业产业的结构特征密切相关;产业化经营组织模式与产业特征相匹配能提高产业发展效率。

通过构建模糊专家系统模型,研究六类领导风格(愿景型、教练型、关系型、民主型、领跑型和命令型)与四种组织情境要素(组织文化、下属成熟度、领导-下属关系和环境不确定性)的最优匹配。并运用该模型对一家民营服装外贸公司进行了实证分析,发现该公司面临的环境不确定性值较大,而组织文化、下属成熟度和领导-下属关系的值相对较小,领导者采取愿景型领导风格更有利于企业的发展。结论表明了该模型的有效性,弥补了传统研究定性分析的不足,并对领导者根据具体组织情境转变单一的领导风格具有启示作用。

【目的】在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。【方法】将6类常见树种(樟子松、山杨、白桦、落叶松、雪松和白皮松)图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。【结果】本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB+H通道+LBP条件下,验证识别准确率最高,达到93.50%;RGB+HSV+LBP+HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。【结论】基于RGB+H通道+LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。