提出了一种基于经验分布和KL散度的协同过滤推荐质量评价方法 RQE-EDKL(recommendation quality evaluation based on empirical distribution and KL divergence)。RQE-EDKL首先利用历史用户-商品数据生成不同商品数量下的商品历史使...提出了一种基于经验分布和KL散度的协同过滤推荐质量评价方法 RQE-EDKL(recommendation quality evaluation based on empirical distribution and KL divergence)。RQE-EDKL首先利用历史用户-商品数据生成不同商品数量下的商品历史使用概率分布;然后,利用该分布与各个协同过滤推荐方法得到的用户商品使用概率进行比较,计算其KL散度;最后,将KL散度最小的推荐结果视为最佳推荐结果并推送给用户。在Talking Data数据集上的实验结果表明,RQE-EDKL评价方法能够有效地在不同的推荐结果中选择更为切合用户真实需求的推荐结果,从而提高了协同过滤推荐的质量。展开更多
VaR (Value at Risk)在风险管理领域一直深受银行业和金融机构的重视,GARCH模型对VaR的测量是一个重要研究领域。然而在实际应用中,利用传统参数GARCH模型建模时需要指定条件分布形式,一旦分布指定错误将会导致模型失效。因此,我们在标...VaR (Value at Risk)在风险管理领域一直深受银行业和金融机构的重视,GARCH模型对VaR的测量是一个重要研究领域。然而在实际应用中,利用传统参数GARCH模型建模时需要指定条件分布形式,一旦分布指定错误将会导致模型失效。因此,我们在标准的GARCH(1,1)模型下,结合累积经验分布函数对残差进行修正,避免了传统参数分布由于事先指定错误带来的模型风险。经过实证研究发现,我们采用的方法比指定参数分布下的标准GARCH(1,1)模型在测量VaR方面有了很大改进,其失败频率和相对误差都显著降低。因此,文中采用这种创新的尾部分布形式在估计VaR值方面具有一定的实际应用价值。展开更多
X为m维随机向量,X_1,X_2,…,X_n是来自母体X的子样,Z～N_m(0,I_m),{B_m>0}为实数列,经验分布 F^n_(Z/(BM))(x)=1/n#{i:Z＇X_4/B_4<x,i=1,2,…,n} 本文获结论(1)X～B(K:P_1,P_2,…,P_m),P_4≥0,d_m=sum form i=1 to m P_4~Z。若m...X为m维随机向量,X_1,X_2,…,X_n是来自母体X的子样,Z～N_m(0,I_m),{B_m>0}为实数列,经验分布 F^n_(Z/(BM))(x)=1/n#{i:Z＇X_4/B_4<x,i=1,2,…,n} 本文获结论(1)X～B(K:P_1,P_2,…,P_m),P_4≥0,d_m=sum form i=1 to m P_4~Z。若m→∞时,B_m^(-2)·K→σ~2,Kd_m→0 那么F_n^(Z/(BM))(?)N(0,→∞)当n→∞,M→∞(2)V>0,X～N_m(u,V),若M→∞时, B_m^(-2)T_r(V)→σ~2,B_M^(-2)∥u∥~2→0,B_m^(-2)(T_r(V_2)+2u＇Vu)→0,那么 F_n^(Z/(Bm))(x)(?)N(0,σ~2) 当n→∞ m→∞。展开更多
X为m维随机向量,X_1,X_2,…,X_n是来自母体X的子样;Z～N_m(0,I_m),{B_m>0}为实数列,经验分布■_n^(Z/Bm)(x)=1/n#{i: Z＇X_i/B_m<x, i=1,2,…,n)。本文获结论:若X的密度函数为C_mG_m(‖X‖~2)multiply from i=1 to m|x_i|^(2r-1)...X为m维随机向量,X_1,X_2,…,X_n是来自母体X的子样;Z～N_m(0,I_m),{B_m>0}为实数列,经验分布■_n^(Z/Bm)(x)=1/n#{i: Z＇X_i/B_m<x, i=1,2,…,n)。本文获结论:若X的密度函数为C_mG_m(‖X‖~2)multiply from i=1 to m|x_i|^(2r-1),每个r_i>0,那么■_n^(Z/Bm)(x)■N(0,σ~2)或■_n^(Z/Bm)(x)■φ(T_k),其中φ(T_k)为具有自由度为k的学生在T_k分布。展开更多
文摘提出了一种基于经验分布和KL散度的协同过滤推荐质量评价方法 RQE-EDKL(recommendation quality evaluation based on empirical distribution and KL divergence)。RQE-EDKL首先利用历史用户-商品数据生成不同商品数量下的商品历史使用概率分布;然后,利用该分布与各个协同过滤推荐方法得到的用户商品使用概率进行比较,计算其KL散度;最后,将KL散度最小的推荐结果视为最佳推荐结果并推送给用户。在Talking Data数据集上的实验结果表明,RQE-EDKL评价方法能够有效地在不同的推荐结果中选择更为切合用户真实需求的推荐结果,从而提高了协同过滤推荐的质量。
文摘VaR (Value at Risk)在风险管理领域一直深受银行业和金融机构的重视,GARCH模型对VaR的测量是一个重要研究领域。然而在实际应用中,利用传统参数GARCH模型建模时需要指定条件分布形式,一旦分布指定错误将会导致模型失效。因此,我们在标准的GARCH(1,1)模型下,结合累积经验分布函数对残差进行修正,避免了传统参数分布由于事先指定错误带来的模型风险。经过实证研究发现,我们采用的方法比指定参数分布下的标准GARCH(1,1)模型在测量VaR方面有了很大改进,其失败频率和相对误差都显著降低。因此,文中采用这种创新的尾部分布形式在估计VaR值方面具有一定的实际应用价值。
文摘X为m维随机向量,X_1,X_2,…,X_n是来自母体X的子样,Z～N_m(0,I_m),{B_m>0}为实数列,经验分布 F^n_(Z/(BM))(x)=1/n#{i:Z＇X_4/B_4<x,i=1,2,…,n} 本文获结论(1)X～B(K:P_1,P_2,…,P_m),P_4≥0,d_m=sum form i=1 to m P_4~Z。若m→∞时,B_m^(-2)·K→σ~2,Kd_m→0 那么F_n^(Z/(BM))(?)N(0,→∞)当n→∞,M→∞(2)V>0,X～N_m(u,V),若M→∞时, B_m^(-2)T_r(V)→σ~2,B_M^(-2)∥u∥~2→0,B_m^(-2)(T_r(V_2)+2u＇Vu)→0,那么 F_n^(Z/(Bm))(x)(?)N(0,σ~2) 当n→∞ m→∞。
文摘X为m维随机向量,X_1,X_2,…,X_n是来自母体X的子样;Z～N_m(0,I_m),{B_m>0}为实数列,经验分布■_n^(Z/Bm)(x)=1/n#{i: Z＇X_i/B_m<x, i=1,2,…,n)。本文获结论:若X的密度函数为C_mG_m(‖X‖~2)multiply from i=1 to m|x_i|^(2r-1),每个r_i>0,那么■_n^(Z/Bm)(x)■N(0,σ~2)或■_n^(Z/Bm)(x)■φ(T_k),其中φ(T_k)为具有自由度为k的学生在T_k分布。
