分类： 未分类

问题1：什么数据可以体现行业趋势？

·  需要确定行业目前及未来的发展趋势（如新兴技术、市场需求变化、岗位技能要求等）。

·  研究主要企业的招聘要求、岗位职责、薪资水平等，以量化行业的需求。

·  参考行业报告、政府政策、专业协会指南，确保需求的权威性和前瞻性。

可能需要的数据：

微观数据：

1. 企业概要-标签信息
   • 提供企业规模、类型、行业领域等标签，有助于了解企业需求和行业分布。
2. 企业概要-圈子/技术领域/产品与服务/拓展度
   • 揭示企业在特定技术领域和产品服务的布局，反映行业技术发展趋势。
3. 企业概要-产业布局
   • 显示企业在产业链中的位置和贡献，有助于分析产业内部结构和发展趋势。
4. 企业专利信息
   • 专利数据反映企业的创新活动，是衡量行业创新趋势的重要指标。
5. 产业链基本信息
   • 提供产业链的整体视图，有助于理解产业链的结构和发展状况。
6. 产业节点信息
   • 细化产业链的各个节点，有助于分析产业链的细分领域和关键环节。
7. 地区信息
   • 地区相关的经济和社会数据可以反映区域经济发展和行业分布。
8. 职位信息
   • 职位描述和要求直接反映劳动力市场的需求，是评估专业课程体系匹配度的关键数据。尤其是职位发布的时间，可以通过评价在一段时间内职位发布的数量来量化需求和趋势
9. 产业活跃度分析
   • 通过统计产业的活跃度，可以评估行业的当前发展状况和未来趋势。
10. 产业规模分析
    • 产业规模的变化可以反映行业的增长或衰退趋势。
11. 产业创新力分析
    • 创新力是推动行业发展的关键因素，创新力分析有助于预测行业发展趋势。
12. 产业链投资统计表
    • 投资活动反映资本对行业的关注和信心，是评估行业发展潜力的重要指标。
13. 产业链吸引投资统计表
    • 吸引投资的能力可以反映行业的吸引力和发展前景。
14. 产业链创投资统计表
    • 创业投资活动显示行业的创新和创业活力，是评估行业创新趋势的重要数据。

宏观数据：

行业报告提供行业的历史发展情况和未来趋势，是了解行业发展趋势的重要资料。

社交媒体和新闻报道

反映公众对行业的看法和行业的社会关注度，可以作为行业趋势的参考。

政策信息数据（政策、法规、司法）

政策和法规的变化直接影响行业的发展，是评估行业趋势的重要因素。

产业/行业报告

问题2：岗位如何匹配行业趋势？专业课程体系的匹配度评估？如何建立可量化的评估标准？
 

·  需要分析当前专业培养方案（课程设置、学时安排、实践环节等）是否涵盖了行业需求的核心技能。

·  评估知识结构是否匹配行业发展趋势（如AI、大数据、绿色能源等前沿技术的加入）。

·  检查实践教学（实习、项目制学习、企业合作等）是否能够有效连接学校与企业。

·  采用哪些指标来衡量匹配度？如就业率、毕业生起薪、用人单位反馈、课程与岗位技能的对应关系等。

·  是否可以建立数据驱动的方法，如文本分析（对比课程大纲和岗位描述）、毕业生跟踪调查等？

需要的数据：

1. 院校信息：提供院校的基本信息，有助于了解不同院校的专业设置和课程体系。
2. 学院基本信息：包括资质、专业、校企合作班、实习培训基地、共建双学位班等信息，有助于评估实践教学环节与行业需求的匹配度。
3. 学科专业信息：涵盖学科专业的编码、名称、级别等，有助于分析某一项专业核心课程（不同专业在同一类别下，都开设相关专业课）是否匹配行业
4. 学校招生信息：包括招生简章、培养方案、教学大纲等，有助于评估当前专业培养方案是否匹配行业发展趋势。
5. 教师基本信息：包括教师的擅长领域、履历、获奖专利、文章等，有助于了解教师团队是否具备行业前沿技术的教学能力。
6. 简历数据-基本信息、教育背景、求职期望：包括学生的基本信息、教育背景、实习经历、项目经验、技能专长、求职期望等，有助于评估知识结构是否匹配行业发展趋势。有助于评估学校是否应该加强某些课程的培训（例如学生专业实际上有开设，但简历上没有体现）
7. 学籍数据：包括学生的学籍信息，有助于进行毕业生跟踪调查，收集毕业生就业数据。
8. 企业信息：提供企业的基本信息，有助于了解行业需求和岗位技能要求。
9. 企业概要-标签信息：包括企业规模、企业类型、行业领域标签等，有助于分析行业发展趋势。
10. 企业概要-圈子/技术领域/产品与服务/拓展度：包括技术领域标签、产品与服务标签等，有助于评估专业课程体系是否包含了行业前沿技术。
11. 职位信息：包括职位名称、职位性质、需求专业、招聘人数、职位类别代码、最低月薪、最高月薪、职位详情等，有助于分析课程与岗位技能的对应关系。
12. 产业活跃度分析、产业规模分析、产业创新力分析：提供产业的活跃度、规模、创新力等指标，有助于评估行业发展趋势。

补充项：学生就业数据 -可用于间接评判行业趋势

这段代码通过事件序列的平移和叠加来实现数据增强，目的是提高模型对时间特征的建模能力，同时增加数据的鲁棒性。具体增强的过程和原理如下：

---

1. 数据增强的概念

在时间序列建模中，数据增强是一种增加训练数据多样性的方法。通过对事件序列进行平移、叠加、排序等操作，可以模拟更多的潜在时间序列分布，使模型对不同时间模式和扰动更鲁棒。

one_step_superpose 函数采用了一种特别的增强方式：事件序列平移叠加。

---

2. 代码是如何增强数据的

2.1 平移事件序列

shift = int(batch / 2)
shift_type = torch.cat((event_type[shift:, :], event_type[:shift, :]), dim=0)
shift_time = torch.cat((event_time[shift:, :], event_time[:shift, :]), dim=0)

• 操作：将事件序列（事件类型和事件时间）按照批次大小的一半进行平移。
  • 前一半序列：event_type[shift:, :] 表示从 shift 到 batch 的部分。
  • 后一半序列：event_type[:shift, :] 表示从 0 到 shift 的部分。
  • 平移后的序列通过拼接组合：将后一半放到前一半之前，得到 shift_type 和 shift_time。
• 意义：这种平移操作打乱了原有序列的顺序，增加了数据的多样性。

2.2 原始序列与平移序列叠加

new_type = torch.cat((event_type, shift_type), dim=1)  # batch * (2seq_len)
new_time = torch.cat((event_time, shift_time), dim=1)  # batch * (2seq_len)

• 操作：将原始序列和经过平移的序列进行拼接（叠加），使每个序列的长度变为原来的两倍。
  • 形状从 (batch_size, seq_len) 变为 (batch_size, 2 * seq_len)。
• 意义：通过叠加，增加了序列中事件的丰富性，使得模型能够看到更多的可能事件组合。

2.3 按时间排序

new_type, new_time = sorting(new_type, new_time)

• 操作：对叠加后的事件类型和事件时间进行排序，确保事件按照时间升序排列。
  • 排序的目的是恢复时间序列的因果关系。
• 意义：在时间序列建模中，事件的顺序非常重要，因为后续事件的预测依赖于先前事件的时间和类型。

2.4 重新组织事件

new_type, new_time = reorganize(new_type, new_time)

• 操作：将零值事件（无意义的占位符）移动到序列的末尾。
  • 零值事件通常是填充事件，在序列数据中没有实际意义。
  • 通过重新组织，可以确保有效事件在序列的开头，便于模型处理。
• 意义：减少无效事件对模型训练的干扰，提高模型的学习效率。

---

3. 数据增强的效果

这种增强方法通过平移和叠加，引入了时序数据的扰动和结构多样性：

1. 生成更多样的数据分布：通过叠加原始序列和平移序列，生成了更多的可能序列。
2. 模拟潜在的时间依赖性：排序后生成的新序列仍保留了时间上的顺序性，使模型可以学习事件之间的潜在依赖。
3. 提高模型的鲁棒性：模型在训练时接触到更多种类的序列（原始序列与平移版本的组合），对不同时间模式的适应性更强。
4. 扩增数据集：相当于将原始数据翻倍，减少了模型对有限数据的过拟合风险。

---

4. 与论文中的增强策略的联系

这段代码与论文中提到的Hawkes过程的随机拼接和叠加直接对应：

1. 随机平移：通过平移操作模拟不同的时间偏移。
2. 叠加增强：通过原始序列和平移序列的叠加生成新的序列。
3. 排序与组织：确保叠加后的序列仍然保留时间因果关系，且具有有效事件的优先性。

这种方法结合了时间序列的特性和事件的时序依赖，既可以提升数据多样性，又不会破坏序列的时间结构。

---

5. 总结

one_step_superpose 的增强方法通过 平移、叠加 和 排序：

• 提高了数据的丰富性；
• 增强了模型对时间相关性的理解；
• 减少了对有限数据的依赖，增加了训练数据的多样性。

如果有其他数据增强需求，还可以基于这种方法进一步扩展，例如改变平移量或引入其他扰动！

背景：事件和非事件的建模

• 事件发生：模型预测某些时刻会发生特定类型的事件。
  • 事件的对数似然（event_ll）用于评估模型在正确预测事件上的性能。
• 非事件建模：在没有事件发生的时间区间（非事件区间）中，模型需要正确预测“没有事件发生”的可能性。
  • 非事件对数似然（non_event_ll）用于评估模型对空窗期的预测能力。

在 Hawkes 过程和类似的时间序列建模中，事件发生概率和非事件发生概率需要同时被建模，才能全面描述时间序列。

为什么要计算非事件的对数似然？

2.1 补全概率分布

• 在时间序列建模中，事件发生的概率和非事件发生的概率需要共同描述整个时间过程。
• 如果只考虑事件的对数似然，模型可能会忽视事件之间的空窗期（即非事件的部分），导致预测偏差。
• 非事件的对数似然弥补了这一空白，确保模型能够平衡事件和非事件的预测。

2.2 避免过拟合事件

• 如果只优化事件对数似然，模型可能会倾向于过拟合现有事件，而忽视没有事件的时间段（空窗期）。
• 计算非事件的对数似然，模型需要在空窗期内预测“事件不应该发生”，从而提高模型对真实数据的拟合能力。

2.3 强化时间动态的学习

• 非事件的对数似然依赖于事件发生率（intensity function），即 type_lambda。
  • 高强度：非事件的对数似然会较低（模型认为事件更有可能发生）。
  • 低强度：非事件的对数似然会较高（模型认为事件不太可能发生）。
• 通过优化非事件的对数似然，模型能够更准确地学习时间动态变化，区分事件和非事件的边界。

2.4 对比学习的核心

• 在对比学习中，正样本（事件）和负样本（非事件）需要一起优化。
  • 优化事件对数似然：让模型在事件时刻更自信。
  • 优化非事件对数似然：让模型在非事件时刻更谨慎。
• 非事件对数似然帮助模型更好地区分正负样本。

总结

计算非事件的对数似然有以下意义：

1. 补充事件的对数似然：完整描述时间序列的概率分布。
2. 提升模型鲁棒性：避免模型过拟合事件，增强对非事件区间的预测能力。
3. 强化时间动态的学习：通过优化非事件对数似然，模型能更准确地学习强度函数的变化趋势。
4. 优化生成模型：在对比学习中，正负样本需要共同训练，非事件对数似然优化负样本的学习。

正样本：根据重要性移除事件：

优先移除重要性较低的事件（即不重要的事件）。

使用 significance 参数来决定哪些事件更重要。

在序列中随机选取一部分事件，按比例 ratio_remove 删除？

负样本：显著改变序列，使其与原始序列的特征差异明显。

比如说就和正样本反着来，优先移除正样本不移除的事件？

(1) loglikelihood (对数似然)

• 表示对模型预测的评估，衡量模型输出的概率分布是否与目标标签匹配。
• 数值越大，说明模型预测的概率分布越接近目标分布。

(2) accuracy (准确率)

• accuracy 是分类任务中的一个指标，表示模型预测正确的样本占总样本的比例。

(3) RMSE (均方根误差, Root Mean Squared Error)

数值越小越好，表示模型预测更接近真实值。

(4) elapse (耗时)

阶段的区分

• Training (训练)：
  • 记录模型在训练集上的表现指标，显示模型的学习进度。
• Validating (验证)：
  • 验证集用于模型评估，以检查模型是否过拟合或欠拟合。
• Testing (测试)：
  • 测试集是独立于训练集和验证集的，用来评估模型的最终性能。

上图为MLE+Reg的训练结果

上图为MLE+DA的训练结果,验证集和测试集对数似然为负数，均方误差也比训练集上要差，疑似有一点过拟合。训练集上来看的话表现是比上一种方法要好的

上图为Dis的训练结果，对数似然都是负数，均方误差表现也一般般

上图为HCL+MLE的训练结果，训练集上的均方误差有点高，但到了验证集和测试集就不算高，表现反而变好了

上图为HCLeve+MLE的训练结果，和上面一样，在训练集上表现弱于验证集和测试集

上图为HCLseq+MLE的训练结果和上面一样，在训练集上表现弱于验证集和测试集

网络为什么这么卡

欢迎使用 WordPress。这是您的第一篇文章。编辑或删除它，然后开始写作吧！