基于Twitter和电视数据的人才突破率预测

及早检测晋升人才在广告领域至关重要。本文定义了人才突破的概念，提出了检测日本人才上升潮势的方法。研究的主要焦点是确定将Twitter数据和电视数据组合用于预测社交数据随时间变化效果。虽然传统时间序列模型在众多应用中已知表现稳健，但神经网络模型在诸多领域（如自然语言处理、计算机视觉、强化学习）取得的成功，持续激发了时间序列社区对新技术在实际中应用的兴趣。因此，为寻找最佳建模方法，我们对传统方法、神经网络方法和集成学习方法进行了实验。我们观察到，基于标准回归指标，集成学习方法优于传统和神经网络模型。然而，利用人才突破的概念，我们能够评估模型的真实预测能力，在精确率和召回率方面，神经网络在传统和集成学习方法方面表现更佳。