前言：中文期刊網精心挑選了網絡經濟糾紛范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
網絡經濟糾紛范文1
——基于深度神經網絡的標題分類研究
班級：XX
學號：XX
姓名：XX
2020年10月25號
基于深度神經網絡的標題分類研究
XX
摘要：新聞是人們對時事、最新行業相關消息了解的重要途徑，本文將新聞標題作為新聞分類的切入點，由于新聞標題屬于文本中的短文本類別，所以本文主要通過利用深度學習相關方法對新聞標題短文本進行分類，針對前期分類出現過的問題，結合深度學習網絡并引入的SVM 模型，解決新聞分類以及短文本分類過程中的常見困難問題。
關鍵詞：深度學習；SVM；標題分類
1 引言
隨著大數據時代的來臨，我們日常的信息規模呈現出爆炸式增長的趨勢。數據挖掘和人工智能逐漸成為時代的主題。縮小信息規模的方法有很多種，而分類就是其中一種極其有效的方式，所以它當前仍是吸引國內外學者研究的重點問題和熱點問題。文本分類是在自然語言處理領域廣泛研究的問題，在工業領域內，現在已經有著較為成熟的應用，無論是樸素貝葉斯還是決策樹又或是最大熵以及神經網絡都在工業領域有著相關應用。而文本分類技術在新聞分類領域的應用仍然有限，當前的文本分類系統大多基于統計學原理再結合相關機器學習方法訓練相關數據集，從而得到所需的分類器并使用其達成對無標簽數據進行分類的目的。在2017 年自然語言處理及中文計算會（NLPCC）也曾對新聞分類相關問題設立相關課題，這也間接表現出了其可能為文本分類領域的發展研究做出較大的貢獻。
由于中文新聞文本分類起步較晚，再加以復雜精深的漢語語法的影響，使得之前關于中文新聞文本分類的研究相比于英文顯得稍微落后，但現在伴隨各種中文新聞語料庫的出現和完善，中文新聞文本分類漸漸走上正軌。以往對新聞進行分類時通常是解析新聞的正文，由于部分新聞的篇幅較長，往往導致了新聞分類時的效率低下。而通過中文新聞標題對中文新聞文本進行分類，相比與傳統的新聞分類來說在分類效率上可以得到很大的優化。除此之外，新聞標題往往是對新聞主題的高度概括，以有限的字數對全文內容進行凝煉，所以這屬于一個短文本分類領域的相關問題。通過對中文新聞標題分類的研究，對短文本分類領域的部分問題有著借鑒意義。
2 算法原理與系統設計
2.1 算法原理
支持向量機（Support Vector Machine ,SVM）的主要思想是：建立一個最優決策超平面，使得該平面兩側距離該平面最近的兩類樣本之間的距離最大化，從而對分類問題提供良好的泛化能力。對于一個多維的樣本集，系統隨機產生一個超平面并不斷移動，對樣本進行分類，直到訓練樣本中屬于不同類別的樣本點正好位于該超平面的兩側，滿足該條件的超平面可能有很多個，SVM正式在保證分類精度的同時，尋找到這樣一個超平面，使得超平面兩側的空白區域最大化，從而實現對線性可分樣本的最優分類。支持向量機中的支持向量（Support Vector）是指訓練樣本集中的某些訓練點，這些點最靠近分類決策面，是最難分類的數據點。SVM中最優分類標準就是這些點距離分類超平面的距離達到最大值；“機”（Machine）是機器學習領域對一些算法的統稱，常把算法看做一個機器，或者學習函數。SVM是一種有監督的學習方法，主要針對小樣本數據進行學習、分類和預測，類似的根據樣本進行學習的方法還有決策樹歸納算法等。
2.2 詳細設計
簡單的Python機器學習實現新聞標題自動分類，爬蟲獲取的新浪新聞的分類，先對新聞進行分詞，手動分類一些分詞后的標題，然后以它為輸入做SVM模型訓練，然后用訓練好的SVM模型對其他標題做預測。
3 系統實現
#news_classify.py
import xlrd
import xlwt
import jieba
import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.svm import SVC
def read_data(file, sheet_index=0):
"""讀取文件內容"""
workbook = xlrd.open_workbook(file)
sheet = workbook.sheet_by_index(sheet_index)
data = []
for i in range(0, sheet.nrows):
data.append([x for x in sheet.row_values(i) if x.strip()])
return data
def get_classified_sample():
"""返回手動分類的新聞"""
data = read_data('test.xls')
return {
'經濟': data[1] + data[14] + data[20],
'社會': data[2] + data[3] + data[4] + data[9] + data[17] + data[18],
'政法': data[5] + data[6] + data[7] + data[8] + data[11] + data[13] + data[15] + data[16] + data[19],
'軍事': data[10],
'娛樂': data[12],
}
def classify():
"""進行分類"""
# 一共分成5類，并且類別的標識定為0，1，2，3，4
category_ids = range(0, 5)
category = {}
category[0] = '經濟'
category[1] = '社會'
category[2] = '政法'
category[3] = '軍事'
category[4] = '娛樂'
corpus = []# 語料庫
classified_sample = get_classified_sample()
for k, v in classified_sample.items():
line = ' '.join(classified_sample[k])
corpus.append(line)
data = read_data('test.xls')
# 把未分類的文章追加到語料庫末尾行
# 21開始是因為我手動分類了前20條
for lst in data[21:]:
line = ' '.join(lst)
corpus.append(line)
# 計算tf-idf
vectorizer = CountVectorizer()
csr_mat = vectorizer.fit_transform(corpus)
transformer = TfidfTransformer()
tfidf = transformer.fit_transform(csr_mat)
y = np.array(category_ids)
# 用前5行已標分類的數據做模型訓練
model = SVC()
model.fit(tfidf[0:5], y)
# 對5行以后未標注分類的數據做分類預測
predicted = model.predict(tfidf[5:])
# 結果
# print(len(predicted))
for i in range(len(predicted) - 1):
print(corpus[i + 5], '============》', category[predicted[i]])
if __name__ == '__main__':
classify()
4 實驗或測試結果
程序運行后出現如下界面（一部分）：
中巴經濟走廊“圍堵”印度？新華社: 印度想太多了============》娛樂
央行報告：上海已經基本確立國內金融中心地位============》社會
國網北京電力: 北京地區煤改電今年累計破100 萬戶============》娛樂
湖南沅江原市長肖勝利犯三罪判5 年: 為升遷送13 萬============》娛樂
顏寧為何從清華跳槽去普林斯頓？她終于說出原因============》娛樂
國家文物局公布346 萬件全國館藏文物信息供監督============》娛樂
里皮首次對續約中國男足表態：我說了我愿意( 圖) ============》經濟
5 結論
本項目實現的是以標題分類為核心的Python程序的一個簡單嘗試，本項目采用爬蟲獲取的新浪新聞的分類，利用機器學習,深度學習的方法完成了標題分類任務,但模型還有待改進。
參考文獻
[1]楊崧. 基于LSTM-Attention的中文新聞標題分類研究[D].中南財經政法大學,2019.
網絡經濟糾紛范文2
自媒體、網紅、短視頻……衍生于互聯網的新事物不斷涌現，并開始深刻地影響著我們的生活，無疑，這讓我們看到了互聯網未來發展的無限可能。而羅輯思維、papi醬、二更食堂等平臺陸續獲得融資則讓我們看到了資本對于互聯網催生的這些新事物的青睞。拋開互聯網的因素，我們可以發現這些平臺都與文化有著或多或少的聯系，正是因為有文化元素的存在才讓這些平臺變得多姿多彩起來。在行業跨界輪番上演的今天，文化產業作為一個產業鏈延伸很長的行業，自然不會孤芳自賞，文化跨界同樣已經成為“互聯網+”時代一個新興的熱門領域。
BAT入局攪動文化跨界
無論是羅輯思維還是papi醬，這些文化跨界的成功案例背后都有粉絲經濟的影子?；ヂ摼W時代的到來讓我們每一個人都成為一個可以向四周發散的自媒體。那些能夠引起足夠多粉絲注意的自媒體便成為了我們口中所說的“網紅”，而對于這些“網紅”的追捧者便成就了這些媒體背后龐大的粉絲群體。正是因為粉絲群體的存在最終才成就了羅輯思維、papi醬和二更食堂的出現。
由粉絲衍生而來的粉絲經濟無疑成了推動文化跨界加速發展的主要力量，而“互聯網+文化”則為這種速度又增加了另外一種加速度。以網絡大電影、網絡游戲等互聯網產品為主要載體的產品形式開始出現，并逐步走入了人們的生活。以現在較為熱門的眾籌為例，項目在開始之前便在眾籌平臺上進行預熱積累粉絲，然后再借助粉絲對于這個項目的支持獲得初期急需資金的同時積累人氣已經成為“互聯網+”時代諸多項目的首要選擇。
阿里、百度和京東等互聯網巨頭便已經開始利用粉絲經濟的理念開始將項目進行眾籌，以項目當中的故事或者創作人員在粉絲當中的號召力來獲得項目發展前期的關注和資金。這種利用粉絲經濟促進項目有序推進的全新模式無疑極大地促進了文化跨界的大發展。
不同的是，羅輯思維、papi醬和二更食堂只是以公司的形式出現而已，而之前提到的在阿里、蘇寧眾籌、聚米金融、京東眾籌平臺上眾籌成功案例卻是以項目的形式出現而已；相同的是，他們都在利用不斷形成規模的粉絲經濟實現最為直接的資本轉化。無論是原生于粉絲經濟本身還是覬覦粉絲經濟的資本力量都已經成為促使文化跨界的關鍵性因素。
B2B、B2C、O2O……何種力量造就行業發展？
如果說粉絲經濟助推了文化跨界的大發展，那么源自于粉絲自身的情感驅動力則成為粉絲經濟能夠持續產生內生動力的關鍵。作為一種亞文化的形態，粉絲經濟源自于文化本身，依托明星，借助明星的號召力能夠產生一定的經濟行為，并從中產生利潤。如果少了情感驅動，那么粉絲經濟就缺少了利潤轉化的動力，缺少了利潤的驅動，就不能稱之為粉絲經濟。以知乎、豆瓣和百度貼吧為例，盡管有些版面有很大的用戶量，但是這些版面缺少對于粉絲的號召力和凝聚力，同樣不能利用號召力和凝聚力進行利潤轉化，那么這種模式同樣不能夠稱之為粉絲經濟。而羅輯思維、papi醬、二更食堂等平臺正是彌補了知乎、豆瓣和貼吧的缺陷，將粉絲以明星平臺的形式聚攏起來，再通過情感驅動來號召粉絲購買，實現變現，這種經濟才能被稱之為粉絲經濟。
可見，一個平臺或一個項目是否具有情感驅動力是判斷平臺或項目是否為粉絲經濟的關鍵指標。羅輯思維、papi醬、二更食堂等平臺陸續獲得融資，《靈魂罪男女》、《小主起來嗨之死亡直播》、《謀殺之彼岸荼蘼》等網絡大電影陸續獲得眾籌成功都在表明情感驅動已經成為制約粉絲經濟發展的內生動力的關鍵。
利用源自粉絲自身的情感驅動力，借助互聯網媒介，粉絲經濟已經成為當下“互聯網+”領域一股不可忽視的力量。同B2B、B2C、O2O等互聯網的經濟形式不同，粉絲經濟直接連接依托的是人與人之間的情感紐帶。這種經濟形式與傳統的經濟形式有著本質的區別，傳統經濟形式大多強調的是公司或者團體的作用，很多項目需要一個團隊或公司的集體運作才能實現變現，而粉絲經濟則強調的是一種以情感為紐帶的粉絲自傳播的力量，這種力量累積和發酵而成的長尾效應便形成了一條長長的產業鏈。
作為粉絲經濟最為直接的一種表現形式，眾籌，特別是文化眾籌將情感驅動的這種內生動力演繹得淋漓盡致。因為眾籌本身就帶有強烈的社交意味，這種感受能將以情感驅動為主的粉絲經濟最大限度地發揮出來。因此，以影視眾籌為代表的文化眾籌一經出現便成為連接文化跨界的橋梁，更成為促使粉絲經濟快速變現的渠道。
“橋梁”是表象，“渠道”才是本質
文化跨界作為一種基于“互聯網+”時代的產物，它的出現讓文化以一種互聯網的形式進行“變現”，讓廣大用戶能夠在“互聯網+”時代獲得一種衍生于互聯網本身的東西，這種東西較之前的文化產品新穎，更加容易讓這個市場情勢下的用戶接受。
粉絲經濟是一種發端于粉絲自身的經濟形式，這種經濟形式以文化跨界產生的羅輯思維、papi醬、鵬飛姐和二更食堂等新生形態為載體，借助源自于粉絲自身的情感驅動力形成能夠進行迅速變現的一種經濟形式。
如此看來，文化跨界與粉絲經濟必須通過某個橋梁聯系起來才能實現互聯互通，而當下興起的文化眾籌恰恰扮演了這個“橋梁”的角色。眾所周知，在互聯網時代，每一個用戶都是一個都是一個傳播體。傳統行業環境下用戶在整個過程中扮演的是被動接受的角色，而在“互聯網+”時代，用戶扮演的是主動傳播的角色，而且用戶在傳播的過程中通常是多向互動的。
這種多向互動的信息流便是我們稱之為的“社交”。而以“4I理論”為基礎的文化眾籌恰恰又具有很強的社交屬性，完全符合“互聯網+”時代的傳播形式。因此，文化眾籌自然而然地便成了鏈接文化跨界和粉絲經濟的橋梁。
隨著以羅輯思維、papi醬、鵬飛姐、二更食堂等平臺陸續獲得資本的青睞，資本的介入迫切需要以粉絲經濟為主要盈利點的平臺迅速實現變現，papi醬近期召開的廣告招投標就是一個鮮明的例子。雖然類似與papi醬的網紅能夠順利實現變現，但是對于很多知名度并不是很高的網紅來講，依然在尋找著較為合適的變現渠道，而文化眾籌恰恰提供了這樣一個較為絕佳的平臺和入口。將粉絲流量在文化眾籌平臺上實現過濾，獲得粉絲當中的“真金白銀”，再將這些粉絲進行“變現”和轉化。
成功率是“殺手锏”，產品閉環是“終結者”
所有衍生于粉絲經濟的項目都必須通過某種平臺或某個形式才能實現變現。這個規律就連羅輯思維、papi醬、鵬飛姐這樣的網紅都無法回避。因此，對于一個基于粉絲經濟的眾籌項目來講，選擇一個好的平臺對于一個項目眾籌成功來講有著非常重要的作用。隨著國內眾多眾籌平臺的出現，粉絲經濟能夠順利轉化的途徑不斷增加。眾籌平臺的不斷涌現同樣導致了當下眾籌平臺質量的良莠不齊，選擇一個好的眾籌平臺已經成為決定眾多項目能否順利完成眾籌的關鍵。那么，什么樣的平臺才能保證眾籌成功，順利實現粉絲經濟的變現呢？
眾籌成功率依然是殺手锏，誰保證了成功率誰就能獲得項目和用戶。對于每一個上線到眾籌平臺的項目來講，它們之所以會進行眾籌，面臨的最大的問題就是資金問題，如果眾籌平臺無法保證上線項目順利實現眾籌成功的話，那么這個項目勢必會面臨難以啟動甚至擱淺的風險。而對于用戶來講，只有眾籌成功率較高的平臺才能保證投資的高效率，這樣才能確保每一次投資都能得到回報。因此，保證項目眾籌成功率的平臺才能獲得項目和用戶兩方的青睞，并最終促進文化眾籌的成功。
眾觀國內眾籌市場，盡管各種類型的眾籌平臺不斷涌現，但就眾籌的成功率來講，目前，國內眾籌平臺中只有京東眾籌、聚米金融、蘇寧眾籌等平臺的眾籌成功率較高，這些平臺除了在前期就對上線眾籌項目進行嚴格把控之外，后期依靠平臺良好的背景能夠從用戶、風控、資金、公關傳播等方面對上線項目進行全方位的支持，同樣也能夠幫助項目在上線到平臺之后便能夠輕松實現眾籌成功。
強化用戶體驗，才能形成“用戶+平臺+項目”的產品閉環。社交屬性始終是眾籌一個較為鮮明的特點，也是眾籌這種互聯網金融創新形式區別于其他P2P的顯著特征。正是由于這個特點的存在，就必須要求眾籌的過程不斷強化對用戶體驗的優化。文化類眾籌項目本身又帶有很多互動的屬性，很多參與眾籌的用戶除了看重眾籌的收益之外，還會摻雜進很多復雜的情感因素在里面，比如對某位明星的崇拜、對于某個項目故事的熱衷、圓一個長期以來的夢想……這種帶有情感的互動成為眾籌區別于其他互聯網金融形式的一個較為顯著的特點。從這個角度來講，用戶體驗的好壞成為判斷一個眾籌平臺能否成功的關鍵。
盡管國內很多眾籌平臺都在嘗試著優化用戶的體驗，但是依然還有需要亟待改進的地方。以京東眾籌、聚米金融和蘇寧眾籌為例，這些平臺之所以能夠在眾籌領域不斷獲得成功，其中一個最為重要的原因就是始終將用戶體驗放在相當要緊的位置。每一個上線到平臺的項目都必須經過較為嚴格的風險把控，這無疑給用戶吃了一顆“定心丸”，增加了用戶的安全感，摒棄了一些P2P網站由于缺少嚴格的項目監管對投資者造成的負面影響，用戶有關投資安全的體驗得到了提升。
除了對上線項目進行較為嚴格的風險控制之外，結合影視眾籌的特點，組織參與投資項目的用戶探班、觀影會、明星見面會等活動，這種活動無疑在較為嚴格的風險控制之外，給上線項目涂上了更多的輕松互動的色彩，通過互動，用戶不僅能夠了解到所投項目的具體進度，而且能夠真正滿足用戶投資這個項目的初衷。
“用戶+平臺+項目”這種三位一體的全天候的用戶體驗方式無疑更加能夠促使用戶進行投資，因為三者之間的良好互動形成了完美的產品閉環，這種閉環能夠帶給用戶一種優質的體驗。這無疑將會使用戶更加容易接受，在投資的過程中也就更加安心，上線到這些平臺的項目亦可以順利實現眾籌成功。
打通全產業鏈的項目運作模式，讓投資者與項目方實現雙贏。隨著項目運作進入到新階段，全產業鏈運作已經成為越來越多的企業都在打造的拳頭發展方向。因此，必須有橫亙整個產業鏈的項目運作模式才能保證上線項目能夠獲得強有力的支持以確保項目能夠順利落地并成功回籠資金。
文化產業作為一個產業鏈延伸很長的行業，只有對這個行業每一個環節都非常了解，才能保證上線項目的安全，即使是在項目眾籌成功之后，依然能夠借助全產業鏈的優勢對成功眾籌項目進行全方位的運作。
網絡經濟糾紛范文3
[關鍵詞]網絡環境 大學英語分級教學模式
[中圖分類號]G642.0 [文獻標識碼]A [文章編號]1005―5843(2011)06―0147―02
[作者簡介]郭爽，長春工業大學外語學院講師(吉林長春130012)
大學英語分級教學是基于因材施教的原則，根據學習者英語學習水平不同層次，把學習水平相當的學習者集中在一個教學班級，制定相應的教學目標、教學計劃，采用不同的教學方法，進行分層次教學。分級教學有利于增強學習者的自信心，使他們在各自不同的起點上共同進步。然而，傳統分級教學依然存在教學模式單一、教學評價體系欠合理、教學資源尚待進一步開發等問題，而現代網絡技術的發展和教育技術的開發為完善大學英語分級教學創造了有利條件。
一、大學英語分級教學的主要依據
(一)理論依據
20世紀70年代末，美國語言學家克拉申提出五大假說，其中輸入假說主要闡明了語言特別是外語的習得問題。但輸入假說只強調語料輸入是不夠的，學習者需要的是“可理解輸入”，也就是說，學習者接收的語言材料不僅是學習者可以理解的，它們的難度還要略高于學習者當前語言知識水平，這樣的語言輸入才是有意義的。
這一觀點與蘇聯教育家、心理學家維果茨基提出的最近發展區相似。維果茨基認為，學習者有兩種發展水平：學習者的現有發展水平和即將達到的發展水平。他把這兩種水平之間的差異稱作最近發展區，并主張教學要從學生的最近發展區出發，學習內容要有適當的難度，而且這個難度是學生經過一定的努力可以達到的。這樣，學習者就會對學習內容產生興趣，經過努力，掌握新知識，超越其現有的最近發展區，進入下一個發展區的學習。
這些理論對大學英語分級教學具有重要的指導意義。教師在教學中要根據學生不同的英語學習水平，為學生輸入可理解的語言材料，輸人材料不能過難，要在學生原有知識基礎上增加適當的難度，同時又要確保有一定的輸入量，這樣才能達到理想的教學效果。因此，根據輸人假說理論和最近發展區理論的研究成果，我們把分級教學模式運用于大學英語教學中，著眼于學生，有針對性地進行教學。
(二)現實依據
《大學英語課程教學要求》(2007)指出，大學英語教學的主要目標是“培養學生的英語綜合應用能力”，使他們“在今后的學習、工作和社會交往中能使用英語進行交際”。為此明確提出，各高校要“充分利用現代信息技術，采用基于計算機和課堂的英語教學模式”。
由此可見，《大學英語課程教學要求》(2007)對大學英語教學的總體教學目標要求很高，但它在大學英語教學總課時方面的要求沒有任何改變。這就意味著，傳統的課堂分級教學模式在有限的課時內很難實現如此高的教學目標，課堂內無法完成的一些教學內容和教學活動只有在課堂外完成。計算機、網絡技術成為解決這個難題的關鍵，為學習者課外大量語言輸入和語言操練提供了可能性，把英語教學延伸到課外，使英語課堂內、外教學緊密結合在一起，進而提高大學英語教學效率，促進大學英語總體教學目標的實現。
二、網絡環境下大學英語分級教學模式的優勢
(一)網絡教學資源為英語學習者創設真實的語言情境
英語具有其特殊性，它是一種世界語言，網絡信息80％以上通過英語傳達。對于英語課程來說，語言環境的創建與設計、語言運用的真實性和語言材料的豐富程度是實現課程目標的有力保證。計算機網絡技術貫穿于英語教學過程與學習過程，使兩者緊密聯系在一起。通過網絡，利用英語聊天室、電子郵件等流行的網絡交流手段，可以為學生提供豐富、真實的圖像、文字、聲音等學習資源，創造一個有利的英語學習環境，培養學生聽、說、讀、寫、譯的技能，提高英語交流能力。
(二)網絡環境下英語分級教學改善了傳統分級教學中學生的非正常焦慮感
很多消極情緒會給英語學習者帶來負面影響。在傳統大學英語分級教學中，學生的焦慮主要來自于課堂教學中聽、說訓練活動。網絡教學不同于傳統課堂教學，它不需要師生進行面對面的接觸。不同英語水平學習者在網絡學習環境中學習英語，不必擔憂別人對自己的評價，可以自由選擇學習內容，在虛擬交際語境中進行模擬訓練。這樣學習者的外語焦慮程度會大大降低，壓力減輕，學習變得更加積極、主動，效果更佳。
(三)網絡環境為學生個性化學習、自主式學習創造有利條件
網絡分級教學能根據學習者在學習水平、學習方法、學習目標等方面的差異，為學習者提供相應的學習資料和學習活動，滿足學習者不同的學習要求?；诖?，教師可指導學生選擇適合自己的學習內容和學習方法，逐步提高自主學習能力，進而實現個性化學習、自主性學習，使學生真正成為學習的主體，促進學生英語水平的大幅度提高。
(四)大學英語網絡課程是課堂教學的有力補充
課堂教學是外語教學過程中的一個重要組成部分，但是無論在時間還是在功能上，課堂教學都有其局限性，學生不可能僅通過課堂學習就獲得有關目的語的所有知識和用目的語進行交際的能力。鼓勵學生選修網絡課程，這不僅可以擴大學生的知識面，為學生提供更多的學習機會，而且改善了英語教學課時不足，尤其是聽說課時不足的現狀。大學英語網絡分級教學可以使英語教學不受時間和地點的限制，相當于把英語課堂教學延伸到課堂外，不僅擴展了教學內容，延長了學習者學習時間，增加了每個學習者學習和運用英語的機會，也為學習者提供了豐富多彩的學習資源，營造了輕松愉快的學習環境。
三、網絡環境下大學英語分級教學模式的建構
(一)教學目標
網絡環境下大學英語分級教學模式堅持英語教學實用性、知識性和趣味性相結合的原則，它以調動教師和學生的積極性，體現學生在教學過程中的主體地位和教師在教學過程中的主導地位，促進學生個性化學習方法的形成和學生自主學習能力的發展，提升不同英語學習水平學生的英語實用能力為教學目標。
(二)教學形式
網絡環境下大學英語分級教學模式充分利用現代信息技術，采用課堂教學和網絡課程教學相結合的全新教學形式。課堂教學為基本教學形式，網絡課程把教學和學習從課堂之中擴展到課堂之外，是課堂教學的有力補充。二者在教學內容上一脈相承，課堂內外教學活動和學習活動有機地整合在一起，使之成為一個不可分割的整體。因此，網絡環境下大學英語分級教學模式既不片面強調課堂教學，也不夸大網絡課程的作用，而是優化組合網絡課程和課堂教學，發揮二者的優勢，促進大學英語教學目標的實現。
1 以計算機及網絡為輔助的課堂教學
網絡環境下大學英語分級教學模式是基于傳統課堂教
學模式之上的，學生可以通過參加英語分級測試，根據考試成績，結合自身實際情況，自主選擇適合自身英語學習的分級教學班。教師根據教學要求和學生的英語學習水平，制定相應的教學目標、教學任務和教學內容，采用有針對性的教學方法和教學手段進行分級教學。同時，教師要求學生定期進行自評和互評，根據評估結果幫助學生及時調整學習行為，并對下一階段的學習作出相應的安排。
首先，教師可以利用BBS、BLOCK、MICRO―BLOCK等網絡技術，在課堂教學前，給學生提供具體教學目標、教學要求和預習任務。例如，要求學生收集與教學內容相關的資料，并要求學生在課堂上做成果展示，教師給予適當評定，作為學生學習形成性評估的一部分。教師在布置課外學習任務時，要確保學生的課外學習活動與課堂教學有機結合起來，以有效促進學生的英語學習。
其次，在課堂教學中，教師可以借助計算機和網絡改善課堂語言輸入環境，提高課堂語言輸入的質量和數量。語言習得的關鍵是足夠的可理解的輸入，計算機和網絡為英語教學提供了大量真實的語言輸入材料，教師在教學中可以為不同英語水平的學生提供相應的符合他們“最近發展區”的語言交際情景和任務，讓學生在真實的交際過程中接觸英語、運用英語，從而增強其學習英語的興趣和信心，變被動學習為主動探索。
另外，教師可以布置學生定期寫英文電子郵件，并對其進行網上批改和回復；還可以在網上創建英語學習群，根據學生不同英語水平提供相應的學習題目和內容，鼓勵學生多參與搭檔練習或小組協作，鍛煉學生英語交流能力。這樣，學生在完成學習任務的同時，英語綜合運用能力以及與他人協作的能力就都得到了提高。
網絡環境下的大學英語分級教學強調教師必須利用課堂教學，傳授給學生相應的學習方法和學習策略，培養學生良好的學習習慣。教師還應為學生的課外學習提供相應的指導，布置并督促學生完成課外網絡學習，使其更有效地進行自主學習和個性化學習。
2 大學英語網絡課程――課堂教學的延伸
大學英語網絡課程為課堂授課與課外學生自主學習提供有利條件，為教師和學生提供了更豐富的教與學的資源。
教師根據課堂教學進度和學生學習水平布置其課堂外選修不同級別的網絡課程，學生根據教師教學安排完成自主學習部分的練習。在學習過程中，學生可以提出問題，進行討論或參與其他小組的活動，并通過網絡展示自己的學習成果。教師通過網絡學習進程記錄和作業記錄，能隨時了解學生自主學習情況，也可通過教學系統進行在線答疑、師生討論、面授約課、分組教學等教學活動。此外，在網絡分級教學中，學生可以隨時進行自我檢測，便于設計個性化的自主學習進程；教師也可以隨時了解學生學習狀況和學習水平，及時調整下一步教學目標和教學內容。
(三)教學評價
網絡環境下大學英語分級教學評價方式參照《大學英語課程教學要求》(2007)中對教學評估的要求，把對學生學習成果的評估分為“形成性評估和終結性評估”?！靶纬尚栽u估”主要包括“學生自我評估”、“學生相互間評估”、“教師對學生的評估”、“教學部門對學生的評估”等，主要反饋整個教學過程中包括課堂教學與網絡教學及學生的學習情況?！敖K結性評估”為期末考試，主要考核學生英語綜合應用能力，它是對學生在英語學習某個教學階段的總體評定，考核內容涵蓋英語口語、聽力、閱讀、翻譯和寫作等內容。
參考文獻：
[1]Stern H．H．Fundamental Concepts of LanguageTeaching[M]．London：Oxford University Press．1983．
[2]教育部高等教育司．大學英語課程教學要求[M]．上海外語教育出版社，2007．
[3]郭浩儒，朱樂奇，李福?。庹Z與外語教學[M]．北京航空航天大學出版社，2006．
[4]馬云鵬．課程與教學論[M]．中央廣播電視大學出版社，2003．
網絡經濟糾紛范文4
[關鍵詞]S模式；分類識別；高階累積量；BP神經網絡；仿真
[中圖分類號]TN911.3[文獻標識碼]A
1引言
在現代戰爭中，如何對目標進行可靠有效的敵我識別（Identification Friend or Foe）是一個非常關鍵的問題[1]。敵我識別器除用于目標識別外，還能傳送載機的其他信息，兼作空中交通管制系統的二次雷達使用。敵我識別模擬系統[2]在電子靶場中起著重要的作用，S模式信號是系統的一種工作模式，也屬于敵我識別信號。研究S模式信號的識別問題在現今階段具有重要的國防意義。
S模式信號識別是一種典型的模式識別問題。由于在S模式信號識別中，通常能夠提供關于待識別通信信號的部分先驗信息，因此，可選用基于有監督模式來訓練的神經網絡[3]作為分類器。在過去的研究中，識別特征參數種類很多，但真正受噪聲影響不大的特征參數很少。在本文中，針對待識別的通信信號集{S模式詢問信號、S模式應答信號、差分相移鍵控（DPSK）信號、脈沖位置調制（PPM）信號}。將采用基于高階矩和高階累積量的方法，提取一組對信噪比和調制參數頑健性較好的特征參數使分類器的設計簡單化，以提高神經網絡訓練的收斂速度和神經網絡的推廣能力。
2基本原理
2.1S模式信號產生機理[2]
所謂S模式，美國稱為離散選址信標系統，其地面詢問是一種只針對選定地址編碼的飛機專用呼叫的詢問。S模式二次雷達，工作在與傳統二次雷達相同的頻率：1030/1090MHz。設備由地面基站傳感器和異頻收發機組成，地面傳感器發出的詢問信號中，一個15或29微秒的數據塊能夠容納56或112比特的數據，數據的前24位規定用機的地址編碼，實現點名式的詢問應答。
2.1.1S模式詢問信號格式
S模式詢問信號由脈沖P1、P2、P6和P5組成。圖1為S模式詢問信號格式。P1、P2的脈沖寬度為0.8微秒，脈沖間距為2微秒，防止詢問信號觸發應答機產生回答信號；P6脈沖寬度為16.25微秒或30.25微秒，它的第一次載波信號相位翻轉位于脈沖P6上升沿后1.25微秒處，用作同步應答機數據解調的時鐘信號和應答機發射應答信號的參考時間；P5為旁瓣抑制脈沖。傳送數據采用了差分相移鍵控（DPSK）編碼的方式，二進制數據“1”代表載波相位翻轉180度，二進制數據“0”代表載波相位不翻轉。相位翻轉點的間距為0.25微秒，數據率為4Mhz；編碼長度可以是56或112比特。數據調制從“同步相位翻轉”后0.5微秒開始，P6下降沿之前0.5微秒結束。最后24比特被固定作為地址――奇偶校驗區（AP區），用作發送每個應答機特有的地址碼。其余編碼位被劃分成不同的區，用于發送不同類型的詢問信息。
2.1.2S模式應答信號格式
異頻收發機以1090MHz的頻率發送應答信號，由同步報頭和數據塊組成。
1）同步報頭：長度為8.0微秒，由4個脈沖組成，每個脈位長度為1微秒，第一個脈沖與第二個是連續的，第二與第三個脈沖間距是1.5微秒，第三和第四個脈沖是連續的。
2）數據塊為二進制脈沖位置調制，調制速率為1Mbps；所有回答數據脈沖均持續1微秒；數據塊從同步報頭第一個脈位上升沿之后8微秒開始，如圖2所示，并位于（8+n×0.5μs），其中n=0，1，2……；脈沖間距容差≤±0.05μs。
3.1建立神經網絡結構
本文采用多層感知器（MLP）神經網絡結構。該網絡由三層神經元組成，分別是輸入層、中間隱含層、輸出層，如圖3。中間隱含層節點數確定原則為，在滿足收斂速度要求后，選擇盡量少的節點數以簡化結構。對于傳遞函數，隱含層采用函數tansig，輸出層采用purelin函數，學習算法采用經過改進的BP算法L-M（Levenberg-Marquardt）優化算法[5]進行訓練。
3.2識別參數特征性質
下面將對基于高階矩和高階累積量的特征參數進行具體分析，實現對通信信號集{S模式詢問信號、S模式應答信號、差分相移鍵控（DPSK）信號、脈沖位置調制（PPM）信號}的正確識別。由于在實際傳輸中，通信信號不可避免地被噪聲所干擾，為了能更真實地反映特征參數對高斯噪聲的敏感性，通過仿真得出了四種通信信號在SNR=0，1，…19dB下特征參數的特性圖，其中P是信號功率，并對特征參數進行了歸一化處理。
1）產生數字基帶通信信號；
2）識別特征參數的提取；
3）訓練分層結構神經網絡；
4）測試神經網絡分類器，得出正確的識別率。
4.1.1信號產生
為了研究便利，仿真實現中采用復基帶信號形式的數字通信信號。利用MATLAB工具按照信號機理產生所需的四種數字基帶通信信號，并對產生的信號進行指定采樣數據長度截取和保存。按照指定信噪比，編寫了相應的加噪程序，為信號加入相應的復高斯白噪聲。
4.1.2訓練分層結構神經網絡
分層結構神經網絡分類器結構如圖6所示。仿真實現中神經網絡三個分層的輸入層、中間隱含層、輸出層的個數分別為：# 1（121），#2（131），3#（141）。在SNR=0～ 19dB范圍內，每間隔1dB產生30 000點采樣數據，計算出特征參數值，以此組成訓練集，利用其相應的訓練集和目標矩陣對各層神經網絡進行訓練，各層神經網絡可分別設定不同訓練目標參數、最大步數。神經網絡通過訓練，得到滿足目標精度的閾值b和權值w矩陣。此時只需將待識別通信信號的特征參數值輸入分層結構神經網絡，分類器就會輸出分類結果。
4.2仿真結果輸出及分析
當SNR=0，2，4，6，8，10，12，14，16，18dB時，仿真程序對四種數字通信信號進行仿真識別。每隔2dB，每種數字通信信號產生30 000點采樣數據，計算識別特征參數值，測試其輸入分層結構神經網絡，并重復上述過程400次，得到仿真識別概率曲線圖7。
從圖7中可以看出：當SNR=0dB時，S模式詢問信號和S模式應答信號能較好地識別，識別率在90%以上，DPSK信號和 PPM信號識別率稍低；當SNR=4dB時，四種待識別信號的正確識別率可達到95%以上；在SNR=8dB時，待識別信號的識別率能夠達到100%。仿真結果表明較好地完成了正確分類識別的目的，同時上述結果也表明了該方法在低信噪比下同樣具有良好的識別性能。
5結論
本文深入分析了S模式信號的特性，運用高階累積量方法選取適合的特征參數，對S模式詢問信號、S模式應答信號以及與其同頻同調制的差分相移鍵控信號、脈沖位置調制信號進行了分類識別。仿真結果表明了此方法能夠有效地完成S模式信號的分類識別目的。隨著訓練集中各信噪比下訓練數量的增加，誤差指標的降低，神經網絡經過充分訓練后，識別性有望進一步提高。
參考文獻
[1]李錕.敵我識別系統的現狀及未來發展[J].電訊技術增刊，2003，Vol.43，No.1：13-14.
[2]敵我識別模擬系統技術說明書.成都：天奧信息科技有限公司，2007，02.
[3]胡寧寧.神經網絡應用技術[M].北京：國防科技大學出版社.1994.31-48.
[4]成靜，李鋼虎，周關林.《高階累積量計算優化的仿真研究》[J].《計算機仿真》，2009，08：42-45.
網絡經濟糾紛范文5
關鍵詞:主成分分析;神經網絡;信用評級;四級分類
中圖分類號:F830.5文獻標識碼:A文章編號:1672-3198(2009)23-0186-02
1主成分分析法(PCA)的基本原理
主成分分析法一種較為客觀的多指標評價方法,是考察多個變量間相關性的一種多元統計分析方法,它是研究如何通過少數幾個主成分(即原始數據的線性組合)來解釋多變量的方差―協方差結構。其簡要數學過程如下:
設估計樣本組的信貸用戶為n家,選取評價指標為p個,xij表示第i個對象的第j項指標的值,X=(xij)n×p=(x1,x2,…,xp)。
(1)對X進行標準化處理。
(2)計算相關系數矩陣R。
(3)計算相關系數矩陣R的特征值λ與特征向量α。
(4)建立主成分。
2BP神經網絡(NN)原理
對于第t組樣本,設BP網絡輸出層第k節點,隱層第j個節點,輸人層第i個節點的輸人、輸出分別由intk,intj,inti和outtj,outti表示,ωkj,υji分別為隱層與輸出層,輸人層與隱層之間的連接權值,隱層及輸出層神經元采用Sigmoid函數作為輸出函數,輸出層的誤差函數E定義為:
E=12tt=1kk=1(dk-outtk)2
式中dk―相應的期望輸出值。
BP算法學習的實質就是不斷修改權值,使誤差函數趨于0,根據誤差梯度下降的原則,對ωkj與vji進行調整。
3主成分分析―神經網絡方法信用風險實現過程
首先,應用PCA將信貸用戶風險評估的指標(高維數據)變換到低維空間上,然后應用BP神經網絡對變換后的樣本進行訓練,從而建立信貸風險評估模型的隱函數,最后,利用訓練函數預測檢驗樣本。
4實證分析
4.1樣本數據和指標量的選取
從某農村信用社的貸款數據中,選取該地區信貸用戶合格樣本516個,其中300個作為模型訓練樣本,216家作為檢驗樣本。
從償債能力、家庭經濟狀況、過去信用狀況、貸款情況確定9個指標作為本文研究的指標變量。他們分別是:貸款余額:x1;利率:x2(由于貸款年限的不可獲性,用貸款利率反應貸款年限);總財產:x3;流動財產:x4;文化程度:x5;總收入:x6;違約次數:x7;性別:x8;村委會綜合評價:x9;貸款四級分類:x10。
4.2對原始數據提取主成分
本文運用2所介紹的主成分方法原理,用Matlab軟件對原始數據提取主成分。其9個特征值分別為:1.806,1.3168,1.2794,1.1249,0.98948,0.909,0.61892,0.52564,0.4299。因為(λ1+λ2+…+λ6)/(λ1+λ2+…+λ9)≈83%,考慮到對指標既要降維,又要使主成分盡量包含原來的信息,故我們提取前六個主成分,如下:
F1=-0.49882x1+0.46955x2-0.050964x3+0031373x4+0.031373x5-0.011706x6+0.56915x7+014793x8-0.32576x9
F2=-0.12681x1-0.27747x2-0.62487x3-0067053x4+0.238x5-0.15602x6-0.058489x7-033332x8-0.56255x9
F3=0.10864x1-0.11817x2-0.43956x3-0.38012x4-0.48887x5+0.0046893x6-0.20097x7+0.59701x8+0026393x9
F4=-0.21281x1-0.22974x2-0.10688x3+060936x4-0.15952x5+0.66355x6-0.18299x7+010908x8-0.089751x9
F5=0.24225x1+0.24253x2+0.058956x3+0.5572x4-0.25372x5-0.54867x6-0.33519x7+0.098407x8-028476x9
F6=-0.47724x1-0.4155x2+0.06178x3+0036945x4-0.48906x5-0.34367x6-0.030206x7-034927x8+0.33799x9
原來的樣本數據通過主成分分析將變化只有6個指標的新的數據表。對新的學習樣本通過BP神經網絡進行訓練。
4.3BP網絡訓練結果
本文輸入層神經元的個數為6,輸出層的神經元個數為4,將516個四級分類訓練樣本提取主成分后的六個新的指標F1、F2、F3、F4、F5、F6數據輸入神經網絡學習,通過不斷的試驗發現,將隱層神經元的個數設為16時,可以最大限度的提高預測的準確率,經過連續訓練,達到訓練的均方誤差為8.631371e-006.下圖所示:
圖1
表1模型對檢驗樣本預測精度
由表1可知,PCA-NN的對每類的預測準確率均達80%以上,PCA-NN對整個檢驗樣本的預測準確率達84.26%。這表明,在國家對農村信用社實行從四級分類到五級分類的過渡時期,本文所提供的方法具有一定的實際價值。
參考文獻
[1]遲國泰,鄭杏果,楊中原.基于主成分分析的國有商業銀行競爭力評價研究[J].管理學報,2009,6(2).
[2]飛思科技產品研發中心.經網絡理論與MATLABR2007實現[M].北京:電子工業出版社,2008.
網絡經濟糾紛范文6
引言
酒店網絡團購營銷的發展狀況
自美國網絡團購經營商Groupon將網絡團購營銷模式引入市場后，網絡團購營銷模式迅速蔓延至各個行業。酒店行業也出現了許多網絡中間商，以幫助酒店銷售團購產品，最為典型的包括攜程、去哪兒、藝龍等在線旅游商及美團、大眾點評等生活團購類網站。在過去的幾年中，酒店團購營銷的基本規律表現為：參加團購的酒店多以經濟型酒店和中低端單體酒店為主；大多酒店在推出團購產品后會設置一些消費條件，比如必須提前預約或者節假日不可用等，這些限制性條件降低了團購用戶的消費滿意度，使得一些對產品品質要求較高的顧客在消費團購產品后感覺不佳，從而放棄日后再次消費團購產品的意愿，只有對價格敏感的顧客群體才會在日后繼續保持消費團購產品。
一、高端酒店實施網絡團購營銷的背景
2015――2016年間，政府治理三公消費并出臺了國八條政策，公務消費市場趨冷，由于之前許多高端酒店（特指四星級高檔酒店和五星級豪華酒店）主要以公務會議作為主力客源，在這樣的經濟調整背景下，高端酒店經營收入和利潤受到了極大的沖擊，受此形勢影響，各大高端酒店開始放下身段，從商務散客、公務會議的消費市場走向普通散客消費市場。為了打破普通散客對于高端酒店一貫敬而遠之的心理，高端酒店開始嘗試以團購營銷方式為突破點，打開普通散客市場的通道，以達到拓展市場、提高客房出租率及企業盈利的目的。但高端酒店的團購營銷是否可以奏效，能否長期持續，酒店需要在部分先行軍的試水進程中尋找規律，深入分析，得出正確的判斷。
二、高端酒店網絡團購營銷實施效果的實證分析
為了對當前高端酒店網絡團購營銷現象的合理性及其具體營銷效果做出深入的研究，探索高端酒店網絡團購營銷持續實施的可行性，2016年2月至2016年7月期間，筆者在當前中國最具有影響力的酒店OTA網站攜程網上進行了數據搜集工作。由于北京地區高端酒店云集，且受整體經濟形勢影響較大，因此在本次調查中，筆者以北京地區的高端酒店作為主要調查對象展開研究。根據搜集到的數據及相關資料，高端酒店網絡團購營銷情況分析如下。
（一）參與網絡團購營銷的高端酒店數量分析
筆者以“北京、四星（高檔）和五星（豪華）、500元以上”和“北京、五星（豪華）、500元以上”為搜索條件，對攜程網網絡團購頻道的團購產品進行了搜索，自2016年初始，在半年內，在攜程網團購頻道推出500元以上團購產品的北京地區四星和五星酒店，由2月13日的453家，增長為7月23日的471家，增幅為3.9%，推出800元以上團購產品的五星酒店由2月13日的156家，增長為7月23日的172家，增幅為9.6%，這些數據表明在經濟調整時期，確實是越來越多的高端酒店開始采取團購營銷手段，以期增加自己的盈利，而且新推出團購產品的五星級酒店數量增幅大于四星級酒店增幅。表明在長期中涌入團購市場的五星級酒店數量在增加，有越來越多的五星級酒店在團購市場試水，而推出團購產品的四星級酒店數量保持相對穩定。
（二）高端酒店團購營銷銷量與價格分析
從2016年2月至2016年7月，受各種因素包括北京酒店業慣常的淡旺季規律影響，實施團購營銷的高端酒店在團購成交量上發生了顯著的變化，而且高端酒店團購營銷成交量最高的酒店名單及銷量最高的酒店團購價格平均水平也發生了巨大的變化。本文僅以高端酒店團購營銷銷量排名前十的酒店作為代表，對2月和7月兩個時間段高端酒店團購營銷的銷量、價格等能夠反映團購營銷策略銷售效果的指標進行分析。具體兩個時期團購銷量最高的酒店列表如下
如表1和表2，可看出，從2016年2月份到7月份，在攜程網投放團購產品的高端酒店數量雖然增多，但每家酒店團購成交的最高量卻有明顯下滑，2月高端酒店中成交量最大的團購數量為4484間，7月時高端酒店團購成交量最高值就降為2128間。如果以排名前十的高端酒店的合計量為樣本，作為團購市場的代表研究對象，2月份排名前十的高端酒店團購銷量總量合計為23542間，而7月份排名前十的高端酒店團購銷量總量合計僅為12214間，下降了48.3%。如果再將價格因素考慮進來，以銷量與價格相乘，計算因推出團購而產生的銷售額，則2月份排名前十的高端酒店團購銷售額總計為19224908元，而7月份排名前十的高端
酒店團購銷售總額合計僅為7174217，下降了62.7%。說明大量高端酒店進入團購市場，稀釋了改善型消費者對高端酒店的需求量，團購市場供給增加量大于需求增加量，需求增長速度無法跟上供給增長的速度。
在2016年2月期間的攜程網上，北京市高端酒店業中，團購銷量最高的酒店類型以五星級豪華型酒店為主，團購銷量排名前十的高端酒店中，五星級豪華型酒店占據八席，四星級高檔型酒店僅有兩家，而到2016年7月時，團購銷售量最高的主力軍已經轉為四星級高檔型酒店，在高端酒店團購排名前十強中，五星級豪華型酒店的數量下滑到三家，且這3家五星酒店的團購實際售價僅在五六百元上下（如僅以價位而言，這些酒店的價格應當列入四星水準），四星級高檔型酒店的團購銷量排名迅速攀升至七家，受此影響，團購銷量前十酒店的團購產品平均價格由2月份的836.9元下降為7月份的589.6元，下降了30%。
表3是2016年2月份團購銷售排位前十的北京高端酒店在7月份團購市場上的表現。通過此表可以看出，之前團購成績表現優異的酒店中，僅有兩家四星級酒店推出了更低價格的團購產品，而其它的8家五星級酒店，有2家選擇退出團購市場，有4家團購價格上漲，有1家保持原有團購產品不變，只有1家五星級酒店團購價格下降（注：這家酒店的特點為規模大、客房數量偏多，提升出租率難度較大）。這一現象表明，在原有推出團購產品且團購銷量較好的五星級酒店中，多數酒店在長期中選擇提高產品價格，而非長期維持低價銷售策略，說明低價促銷雖然能夠提高銷量，但對酒店整體利潤而言則并沒有太大的貢獻。而四星級酒店則更多選擇堅持團購營銷，且在團購市場上有更佳的表現。
三、高端酒店實施團購營銷效果的結論與建議
