-
题名高管个人特征与公司业绩——基于机器学习的经验证据
被引量：32
- 1
-
-
作者
陆瑶
张叶青
黎波
赵浩宇
-
机构
清华大学经济管理学院
-
出处
《管理科学学报》
CSSCI
CSCD
北大核心
2020年第2期119-139,共21页
-
基金
国家自然科学基金优秀青年基金资助项目(71722001)
清华大学自主科研计划课题项目(2015THZWYY09,2019THZWJC11)
+1 种基金
国家自然科学基金资助项目(71490723,71432004)
教育部人文社会科学重点研究基地项目(16JJD630006).
-
文摘
在目前的公司治理文献中,大部分的高管特征研究一方面仅关注单一的高管特征与公司业绩之间的关联,缺乏全面的高管特征分析;另一方面主要围绕因果推断进行研究,缺乏从预测能力出发的系统定量的结论.本文首次采用机器学习算法中的Boosting回归树,全面考察了多维度高管特征对公司业绩的预测性.以我国2008年~2016年的上市公司为样本,研究了高管的多维个人特征是否能预测公司业绩,并进一步分析了对公司业绩预测能力较强的高管个人特征及其预测模式.研究发现:1)整体而言,在我国公司CEO和董事长的特征对公司业绩的预测能力较弱;2)在众多高管个人特征之中,高管持股比例和年龄对公司业绩的预测能力较强;3)高管持股比例和年龄与公司业绩之间的关联都呈现出非线性的特点,与以往的理论较为吻合.本研究不仅利用机器学习方法从一个更为全面的视角对中国的高管特征进行了研究,也为公司高管聘任和激励机制设计等方面提供了有益的启发.
-
关键词
机器学习
boosting回归树
公司治理
公司业绩
-
Keywords
machine learning
boosting regression trees
corporate governance
corporate performance
-
分类号
C93
[经济管理—管理学]
F27
-
-
题名基于互补模型的汉语重音检测
被引量：3
- 2
-
-
作者
倪崇嘉
刘文举
徐波
-
机构
山东财政学院统计与数理学院
中国科学院自动化研究所模式识别国家重点实验室
-
出处
《计算机工程》
CAS
CSCD
北大核心
2011年第23期20-23,共4页
-
基金
国家自然科学基金资助项目(90820303
60675026
+3 种基金
90820011)
国家"863"计划基金资助项目(20060101Z4073
2006AA01Z194)
国家"973"计划基金资助项目(2004CB318105)
-
文摘
针对现有汉语重音检测方法正确率较低的问题,利用声学、词典和语法相关特征的不同分类器组合,基于Boosting分类回归树+条件随机场的互补模型,提出一种改进的汉语重音检测方法。在ASCCD语料库上的实验结果表明,该方法能获得84.9%的重音检测正确率,相比基于神经网络+决策树的基线系统提高2.7%。
-
关键词
重音
互补模型
boosting分类回归树
条件随机场
神经网络
支持向量机
-
Keywords
stress
complementary model
boosting Classification and Regression Tree（CART）
Conditional Random Fields（CRFs）
Neural Network（NN）
Support Vector Machine（SVM）
-
分类号
TP319
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于互补模型的汉语韵律间断自动检测
- 3
-
-
作者
倪崇嘉
刘文举
徐波
-
机构
山东财政学院统计与数理学院
中国科学院自动化研究所模式识别国家重点实验室
-
出处
《计算机科学》
CSCD
北大核心
2011年第12期242-246,共5页
-
基金
国家自然科学基金(90820303
60675026
+4 种基金
90820011)
国家高技术研究863计划(20060101Z4073
2006AA01Z194)
国家重点基础研究发展计划973计划(2004CB318105)
山东省优秀中青年科学家科研奖励基金项目(BS2009DX020)资助
-
文摘
自动韵律间断检测和标注对语音理解和语音合成有十分重要的作用。提出了利用声学、词典和语法相关特征的互补模型方法检测汉语韵律间断。该方法具有下列优点:(1)摒弃了声学相关特征和词典、语法相关特征的独立性假设;(2)互补模型方法不仅在特征层上利用当前音节的上下文信息,而且在模型层次上利用了当前音节的上下文信息。在ASCCD语料库上验证了该方法能够获得90.34%的韵律间断的检测准确率,较基线系统有6.09%的提高。
-
关键词
韵律间断
互补模型
boosting分类回归树
条件随机场
神经网络
支持向量机
-
Keywords
Prosodic break,Complementary model, boosting classification and regression tree（CART）, Conditional ran-dom fields（CRFs）, Neural network（NN）, Support vector machine（SVM）
-
分类号
TP319
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于声学相关特征与词典语法相关特征的汉语重音检测
被引量：8
- 4
-
-
作者
倪崇嘉
张爱英
刘文举
-
机构
山东财政学院统计与数理学院
中国科学院自动化研究所模式识别国家重点实验室
-
出处
《计算机学报》
EI
CSCD
北大核心
2011年第9期1638-1649,共12页
-
基金
国家自然科学基金(90820303
60675026
+3 种基金
90820011)
国家"八六三"高技术研究发展计划项目基金(20060101Z4073
2006AA01Z194)
国家"九七三"重点基础研究发展规划项目基金(2004CB318105)资助~~
-
文摘
重音对提高语音合成系统的自然度、可懂度以及语音识别系统的正确率等方面扮演着非常重要的作用.该文基于大规模韵律标注的语料库,利用声学相关特征及词典语法相关特征对汉语重音进行检测.采用Boosting集成分类回归树对当前音节的声学相关特征以及词典语法相关特征进行建模,Boosting集成分类回归树充分利用了当前音节的特性.同时还对词典语法相关特征采用条件随机场方法建模,条件随机场很好地利用了当前音节的上下文特性.最后,将Boosting集成分类回归树模型和条件随机场模型加权组合获得识别率更高的混合模型.该混合模型克服了Boosting集成分类回归树模型的不足,实现了Boosting集成分类回归树和条件随机场的优势互补.实验结果表明该方法具有较好的分类效果,在ASCCD语料库上能够获得84.82%重音检测正确率.同时,与之前其他人的工作在相同的条件下(相同的训练集和测试集)对比,在正确率方面,该方法分别有4.01%和1.67%的提高.另外,该文中,对英语的重音检测和汉语的重音检测做了对比,并通过特征分析方法从另一个层面验证了一些语言学上的结论.
-
关键词
重音
boosting集成分类回归树
条件随机场
神经网络
分类回归树
-
Keywords
stress
boosting classification and regression tree （boosting CART）
conditional random fields （CRFs）
neural network
classification and regression tree （CART）
-
分类号
TP319
[自动化与计算机技术—计算机软件与理论]
-
