民主黨派結(jié)構(gòu)界別特色的智能大數(shù)據(jù)分析

摘? 要：本文采用大數(shù)據(jù)和人工智能技術(shù)手段，擬合規(guī)律公式，通過分析某省九三學(xué)社全體社員的數(shù)據(jù)樣本發(fā)現(xiàn)：社員結(jié)構(gòu)界別特色明顯，存在主體界別占比緩慢下降、新的社會(huì)階層界別發(fā)展迅速、科學(xué)研究界別發(fā)展人數(shù)下降較快、高層次人才發(fā)展困難4個(gè)主要特點(diǎn)。提升結(jié)構(gòu)界別特色，應(yīng)堅(jiān)持主體界別和中高級(jí)知識(shí)分子特色，培養(yǎng)高層次人才;放緩新的社會(huì)階層界別發(fā)展速度，改良新發(fā)展社員結(jié)構(gòu);加大發(fā)展科學(xué)研究界別人士力度，培育科技精英。

關(guān)鍵詞：民主黨派;結(jié)構(gòu)界別特色;大數(shù)據(jù);機(jī)器學(xué)習(xí);多項(xiàng)式擬合

中圖分類號(hào)：D613?? 文獻(xiàn)標(biāo)識(shí)碼：A?? ?文章編號(hào)：2096-3378（2020）01-0092-12

我國的各民主黨派力圖保持結(jié)構(gòu)界別特色。然而，各民主黨派在組織發(fā)展上試圖保持長(zhǎng)期堅(jiān)持的結(jié)構(gòu)界別特色時(shí)遇到了共性問題，如主體界別人數(shù)比例下降、新的社會(huì)階層人士明顯增多等[1]，導(dǎo)致有觀點(diǎn)認(rèn)為長(zhǎng)期堅(jiān)持的結(jié)構(gòu)界別特色難以維系[2-3]。準(zhǔn)確分析民主黨派結(jié)構(gòu)界別特色的發(fā)展?fàn)顩r，有助于發(fā)現(xiàn)問題，進(jìn)而精準(zhǔn)施策。目前，學(xué)界針對(duì)民主黨派結(jié)構(gòu)界別特色的分析，多采用簡(jiǎn)單傳統(tǒng)的統(tǒng)計(jì)分析方法，尚未發(fā)現(xiàn)運(yùn)用大數(shù)據(jù)及人工智能技術(shù)作此項(xiàng)研究?，F(xiàn)狀統(tǒng)計(jì)和未來趨勢(shì)分析正是大數(shù)據(jù)及人工智能技術(shù)的長(zhǎng)項(xiàng)[4]，運(yùn)用先進(jìn)信息技術(shù)和算法有助于探討統(tǒng)戰(zhàn)領(lǐng)域相關(guān)問題。本文運(yùn)用大數(shù)據(jù)和人工智能技術(shù)，以某省九三學(xué)社全體社員數(shù)據(jù)為樣本，對(duì)社員發(fā)展總量及界別特色作出量化分析。

一、研究路線和關(guān)鍵技術(shù)

（一）研究路線

1.準(zhǔn)備工作。（1）準(zhǔn)備1臺(tái)開發(fā)用的PC服務(wù)器。采用云服務(wù)器，以便安裝數(shù)據(jù)庫服務(wù)軟件并開展大數(shù)據(jù)、人工智能計(jì)算服務(wù)。（2）從九三學(xué)社某省委獲取全省的社員數(shù)據(jù)。九三學(xué)社某省委在脫敏處理后，提供了屏蔽社員姓名的全省社員原始數(shù)據(jù)。（3）準(zhǔn)備好大數(shù)據(jù)與人工智能的分析軟件工具。采用TensorFlow作為軟件工具，Anaconda3 Spyder作為集成開發(fā)工具。（4）準(zhǔn)備好大型關(guān)系型數(shù)據(jù)庫系統(tǒng)。采用SQL Server 2017作為數(shù)據(jù)庫開發(fā)平臺(tái)。

2.以全省社員數(shù)據(jù)為樣本開展定量研究。研究工作重點(diǎn)包括3個(gè)部分，以下的第1個(gè)部分是其他兩個(gè)部分的基礎(chǔ)。（1）作數(shù)據(jù)分析。包括數(shù)據(jù)清洗、數(shù)據(jù)分析、結(jié)果呈現(xiàn)。（2）發(fā)現(xiàn)問題，描述問題的程度。（3）提出解決對(duì)策。對(duì)策可供統(tǒng)戰(zhàn)部門和九三學(xué)社某省委組織發(fā)展工作決策參考。

3.編制軟件程序。（1）研發(fā)SQL數(shù)據(jù)清洗程序。使用SQL Server數(shù)據(jù)導(dǎo)入工具獲取社員Excel數(shù)據(jù)，生成SQL Server二維表格，建立ER（Entity Relationship，實(shí)體關(guān)系）;編制SQL代碼消除異常數(shù)據(jù)的影響。處理的最為典型的問題是數(shù)據(jù)錄入存在明顯偏差（如社員入社時(shí)間在1944年以前或2019年啟動(dòng)研究的時(shí)間點(diǎn)以后等）、數(shù)據(jù)不規(guī)范（如界別字段為空、職稱級(jí)別字段為空等）。（2）研發(fā)Python人工智能程序。主要包括獲取數(shù)據(jù)的程序代碼、分析數(shù)據(jù)的程序代碼和展現(xiàn)數(shù)據(jù)的程序代碼。其中分析數(shù)據(jù)的程序代碼相對(duì)復(fù)雜，主要運(yùn)用了多維數(shù)組、多項(xiàng)式擬合的機(jī)器學(xué)習(xí)算法，挖掘數(shù)據(jù)規(guī)律，開展數(shù)據(jù)預(yù)測(cè)。

（二）關(guān)鍵技術(shù)

研究用到的關(guān)鍵技術(shù)是人工智能中的多項(xiàng)式擬合機(jī)器學(xué)習(xí)算法，主要是運(yùn)用TensorFlow中的Scikit-learn庫的多項(xiàng)式擬合算法[5-7]。本文的做法是先將已獲得的社員數(shù)據(jù)集分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集兩部分，編制程序用流水線技術(shù)計(jì)算出1-10階多項(xiàng)式的準(zhǔn)確度，按比例設(shè)置測(cè)試數(shù)據(jù)集，通過10次交叉驗(yàn)證計(jì)算繪制學(xué)習(xí)曲線，選擇準(zhǔn)確度收斂的階數(shù)，根據(jù)階數(shù)擬合出多項(xiàng)式公式[8-10]。最后用得到的多項(xiàng)式公式作數(shù)據(jù)預(yù)測(cè)。

該多項(xiàng)式擬合算法采用公式（1）計(jì)算成本函數(shù)[11]：

擬合出的多項(xiàng)式應(yīng)盡可能地使該成本函數(shù)更小，并且準(zhǔn)確度收斂在60%以上[12]。由于本文的研究?jī)?nèi)容不涉及分類問題，不必作查準(zhǔn)率和召回率的分析[13]。

二、數(shù)據(jù)分析

九三學(xué)社的章程寫明社員“以科學(xué)技術(shù)界高、中級(jí)知識(shí)分子為主”，結(jié)合對(duì)九三學(xué)社歷史、組織發(fā)展的通常做法及九三學(xué)社界別特色的理解，本文將九三學(xué)社的界別特色具體界定為以“科教文衛(wèi)”（科技、高等教育、基礎(chǔ)教育、文化、衛(wèi)生）界別組成為主體界別，社員普遍擁有中級(jí)或中級(jí)以上職稱[14-15]。本部分將從社員發(fā)展總量的數(shù)據(jù)分析與預(yù)測(cè)、界別特色的數(shù)據(jù)分析與預(yù)測(cè)、中高級(jí)知識(shí)分子數(shù)據(jù)分析3個(gè)方面展開。

（一）發(fā)展總量數(shù)據(jù)分析與預(yù)測(cè)

截至2019年5月30日，某省九三學(xué)社共有社員6 927人。社員數(shù)據(jù)庫中未登記入社時(shí)間的52人，2019年已發(fā)展社員200人（全部登記了入社時(shí)間），故2018年及以前共發(fā)展社員6 675人。由于研究啟動(dòng)時(shí)間原因，2019年發(fā)展的社員數(shù)據(jù)不作為社員發(fā)展總量數(shù)據(jù)分析與預(yù)測(cè)的原始數(shù)據(jù)。

1.發(fā)展總體數(shù)量數(shù)據(jù)分析與預(yù)測(cè)

根據(jù)每年社員發(fā)展數(shù)據(jù)可以看出，1980年以前發(fā)展的社員數(shù)量很少，1980—1990年之間經(jīng)歷過10年的振蕩期（發(fā)展人數(shù)激增和驟降），自1990年后又開始逐步上升。

因此，可以認(rèn)為1990年以前是社員人數(shù)發(fā)展的振蕩期，1990年以后進(jìn)入穩(wěn)步發(fā)展期。通過實(shí)驗(yàn)發(fā)現(xiàn)由1944—2018年的社員發(fā)展數(shù)據(jù)不能擬合出一個(gè)訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集在精確度上均收斂的多項(xiàng)式。為了建立能預(yù)測(cè)2019年及2019年以后發(fā)展社員數(shù)據(jù)的模型，取1990年以后的社員發(fā)展數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。

本文采用了最小二乘法和多項(xiàng)式來擬合歷年社員發(fā)展數(shù)量的曲線，通過Python的機(jī)器學(xué)習(xí)庫Scikit-learn中的LinearRegression工具和Pipeline工具10次交叉驗(yàn)證數(shù)據(jù)集，繪制了將1990—2008年的29年社員發(fā)展數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集的學(xué)習(xí)曲線（如圖1、2、3所示）。從這3個(gè)圖可以看出，測(cè)試數(shù)據(jù)集比例為40%、50%時(shí)，1階、2階、3階多項(xiàng)式的準(zhǔn)確度均無法收斂，呈過擬合狀態(tài)，如采用更高階的多項(xiàng)式模型會(huì)更加過擬合。如圖3所示，當(dāng)測(cè)試集占比為60%，1階多項(xiàng)式的測(cè)試集、訓(xùn)練集的準(zhǔn)確度收斂于72%，2階和3階多項(xiàng)式的準(zhǔn)確度均呈過擬合狀態(tài)。故選定多項(xiàng)式的階數(shù)為1，即簡(jiǎn)單的直線線性關(guān)系。經(jīng)擬合，線性方程為：

公式（2）中，y為發(fā)展社員數(shù)量，x為年份。本文將公式（2）稱為“某省九三學(xué)社社員發(fā)展數(shù)量公式”，可用于預(yù)測(cè)2019年及2019年以后的社員發(fā)展數(shù)量，預(yù)測(cè)準(zhǔn)確度為72%。據(jù)公式（2）預(yù)測(cè)，某省九三學(xué)社2019年社員發(fā)展數(shù)據(jù)為315人，2020年為323人，2021年為331人。

2.滾動(dòng)發(fā)展總體比例數(shù)據(jù)分析與預(yù)測(cè)

下面通過社員滾動(dòng)發(fā)展總體比例情況作分析與預(yù)測(cè)。社員發(fā)展?jié)L動(dòng)比例計(jì)算公式（3）如下：

公式（3）中，R_n表示第n年的社員滾動(dòng)發(fā)展比例，S_n表示第n年的社員發(fā)展數(shù)量，S_i表示第i年的社員發(fā)展數(shù)量，∑_1^（n-1）?S_i 則表示第1至n-1年的累計(jì)社員發(fā)展數(shù)量。

根據(jù)公式（3）計(jì)算出歷年社員滾動(dòng)發(fā)展比例如表2所示。

可以看出，某省九三學(xué)社社員滾動(dòng)發(fā)展的比例同社員發(fā)展的數(shù)量一樣，在1990年以前是振蕩期，滾動(dòng)發(fā)展比例不穩(wěn)定。1990年以后進(jìn)入相對(duì)穩(wěn)定期，2005年以后滾動(dòng)發(fā)展比例保持在5%左右。為便于預(yù)測(cè)分析，本文參照社員發(fā)展總數(shù)量預(yù)測(cè)的做法展開多項(xiàng)式擬合，發(fā)現(xiàn)擬合不出理想的多項(xiàng)式，示例的學(xué)習(xí)曲線如圖4所示。

從示例中可以看出，在采用5階和10階多項(xiàng)式擬合時(shí)，訓(xùn)練數(shù)據(jù)準(zhǔn)確度很高，10階多項(xiàng)式的準(zhǔn)確度接近100%，但看不到測(cè)試數(shù)據(jù)的準(zhǔn)確度曲線，說明為嚴(yán)重的過擬合現(xiàn)象。積累的數(shù)據(jù)不足，找不出理想模型。

（二）界別特色數(shù)據(jù)分析與預(yù)測(cè)

1.界別特色總體數(shù)據(jù)分析

某省九三學(xué)社的社員數(shù)據(jù)中有159人未登記界別數(shù)據(jù)，其余的6 768名社員共來自16個(gè)界別，界別分布的情況如圖5和6所示。從圖中可以看出，科學(xué)研究、高等教育、基礎(chǔ)教育、文化藝術(shù)、醫(yī)藥衛(wèi)生這5個(gè)界別（合稱為主體界別或“科教文衛(wèi)”）所占人數(shù)及比例分別達(dá)到4 613人、66.6%（包括未知界別人數(shù)）。表3列出了主體界別的人數(shù)及占比情況，從表中數(shù)據(jù)來看，主體界別特色總體上仍然明顯，仍以“科教文衛(wèi)”為主，其中高等教育、科學(xué)研究、醫(yī)藥衛(wèi)生3個(gè)界別排名前3。

2.按年度的界別特色數(shù)據(jù)分析

在總體數(shù)據(jù)分析基礎(chǔ)上，從滾動(dòng)發(fā)展比例、每年發(fā)展人數(shù)變化兩個(gè)角度分析數(shù)據(jù)。在九三學(xué)社某省委的社員數(shù)據(jù)庫中有159人未登記界別數(shù)據(jù)，53人未登記入社時(shí)間，因此實(shí)際上有212人為無效數(shù)據(jù)，故共計(jì)6 715人為按年度界別特色數(shù)據(jù)分析的有效數(shù)據(jù)。其次，考慮到啟動(dòng)研究時(shí)2019年暫未到期，分析時(shí)不考慮2019年的發(fā)展社員數(shù)據(jù)。

為關(guān)注重點(diǎn)界別，取排名前5的界別、主體界別（“科教文衛(wèi)”）及總體情況作為分析對(duì)象對(duì)比，下面按有效數(shù)據(jù)分析發(fā)展人數(shù)和滾動(dòng)發(fā)展比例。發(fā)展人數(shù)的所有年份折線圖和1990年以后的發(fā)展人數(shù)折線圖分別如圖7和圖8所示。從這兩個(gè)圖可以看出，主體界別（“科教文衛(wèi)”）與所有界別的發(fā)展人數(shù)折線圖很接近，2015年以后新的社會(huì)階層界別發(fā)展人數(shù)增長(zhǎng)較快，但科學(xué)研究界別發(fā)展人數(shù)在下降且較快。因此本文重點(diǎn)關(guān)注4個(gè)方面的2015年以后的發(fā)展人數(shù)數(shù)據(jù)，如表4所示。

經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)，對(duì)自1990年以后的主體界別人數(shù)數(shù)據(jù)作擬合不能得到準(zhǔn)確度收斂的擬合多項(xiàng)式，但對(duì)自1990年以后的新的社會(huì)階層界別人數(shù)數(shù)據(jù)作擬合可以得到準(zhǔn)確度收斂的擬合多項(xiàng)式。如圖9所示的學(xué)習(xí)曲線示例，這是測(cè)試集比例占20%的實(shí)驗(yàn)結(jié)果，階數(shù)為1、3時(shí)過擬合，階數(shù)為2時(shí)測(cè)試準(zhǔn)確度和訓(xùn)練準(zhǔn)確度在83%收斂，因此，選擇階數(shù)為2。

經(jīng)擬合，2階多項(xiàng)式方程為：

公式（4）中，y為新的社會(huì)階層界別社員發(fā)展數(shù)量，x為年份?？蓪⒐剑?）稱為“某省九三學(xué)社新的社會(huì)階層界別社員發(fā)展數(shù)量公式”，用于預(yù)測(cè)2019年及以后的社員發(fā)展數(shù)量，準(zhǔn)確度為83%。據(jù)公式（4）預(yù)測(cè)，某省九三學(xué)社2019年新的社會(huì)階層界別社員發(fā)展數(shù)據(jù)為54人，2020年為58人，2021年為63人。本文將1990—2018年的新的社會(huì)階層界別社員發(fā)展折線和“某省九三學(xué)社新的社會(huì)階層界別社員發(fā)展數(shù)量公式”繪制在一張圖中，如圖10所示。

至此，本文獲得了兩個(gè)計(jì)算公式，即“某省九三學(xué)社社員發(fā)展數(shù)量公式”和“某省九三學(xué)社新的社會(huì)階層界別社員發(fā)展數(shù)量公式”，據(jù)此預(yù)測(cè)未來的情況，如圖11和表5所示。

根據(jù)預(yù)測(cè)，2019年以后，新的社會(huì)階層界別滾動(dòng)發(fā)展比例會(huì)逐年減小，但年度占社員總數(shù)的比例會(huì)逐年上升，至2029年新的社會(huì)階層界別人數(shù)將達(dá)到1 252人，當(dāng)年占社員總數(shù)的比例將達(dá)到12.5%。

3.主體界別特色數(shù)據(jù)分析

如前所述，本文已對(duì)主體界別的發(fā)展人數(shù)作了分析，但未對(duì)滾動(dòng)發(fā)展比例和當(dāng)年占比作出分析。

從圖12、13可以看出，1980年以前發(fā)展的社員幾乎都是主體界別，之后比例逐年下降，滾動(dòng)發(fā)展比例總體上自1995年呈緩慢下降趨勢(shì)。近10年的具體數(shù)據(jù)如表6所示?？梢钥闯?，從2009—2018年的10年間主體界別占比共下降了4.8個(gè)百分點(diǎn)。盡管如前文所述，對(duì)主體界別發(fā)展人數(shù)擬合失敗，但可以對(duì)主體界別占比作數(shù)據(jù)擬合。經(jīng)實(shí)驗(yàn)，采用1階多項(xiàng)式即可取得很好的擬合效果，準(zhǔn)確度達(dá)到97%，如圖14所示。

從圖14可見，測(cè)試準(zhǔn)確度和訓(xùn)練準(zhǔn)確度快速收斂。得到的擬合公式（5）如下：

本文稱公式（5）為“某省九三學(xué)社社員主體界別占比公式”。據(jù)此，可預(yù)測(cè)出未來20年的主體界別占比，至2028年時(shí)，預(yù)計(jì)主體界別占比為67.4%;至2038年時(shí)，預(yù)計(jì)主體界別占比為64.6%?？傮w呈緩慢下降趨勢(shì)，但仍能保持主體界別特色。

（三）中高級(jí)知識(shí)分子數(shù)據(jù)分析

可將中高級(jí)知識(shí)分子理解為具有中級(jí)或中級(jí)以上職稱的人員。當(dāng)前某省九三學(xué)社社員的職稱等級(jí)分布情況如圖15和16所示。當(dāng)前正高職稱、副高職稱、中級(jí)職稱人數(shù)分別達(dá)到801人、1 984人、3 846人，占比分別為11.6%、28.6%、55.5%;中級(jí)及以上職稱人員共計(jì)6 631人，占比95.7%，為絕大多數(shù)。接下來考察新發(fā)展的社員中各種職稱的人數(shù)情況，如圖17和18所示。

考慮到數(shù)據(jù)庫系統(tǒng)中登記的職稱信息是當(dāng)前狀態(tài)，不能反映歷史變更情況，本文盡量考察1990年以后新發(fā)展社員中的各種職稱人數(shù)。從圖18可以看出，近年來中級(jí)職稱社員人數(shù)增長(zhǎng)較快，總體呈增長(zhǎng)趨勢(shì);正高職稱社員發(fā)展速度放緩;早些年初級(jí)職稱社員發(fā)展得較少，近年來其發(fā)展速度緩慢增長(zhǎng)。各種職稱近5年發(fā)展的人數(shù)如表7。

三、問題梳理與建議

根據(jù)前文的分析，對(duì)某省九三學(xué)社社員的結(jié)構(gòu)界別特色情況及問題總結(jié)如下：

（一）主體界別特色仍然明顯，以“科教文衛(wèi)”為主，但主體界別占比呈緩慢下降趨勢(shì)。根據(jù)獲得的公式（5），至2038年時(shí)，預(yù)計(jì)主體界別占比為64.6%，將比2018年再下降3.9個(gè)百分點(diǎn)。

（二）新的社會(huì)階層界別發(fā)展迅速，將成為九三學(xué)社社員的主要界別之一。根據(jù)獲得的公式（4），新的社會(huì)階層界別滾動(dòng)發(fā)展比例會(huì)逐年減小，但年度占社員總數(shù)的比例會(huì)逐年上升，至2029年新的社會(huì)階層界別人數(shù)將達(dá)到1 252人，當(dāng)年占社員總數(shù)的比例將達(dá)到12.5%。

（三）科學(xué)研究界別發(fā)展人數(shù)在下降且速度較快，2018年僅發(fā)展了10人。本研究雖然不能擬合出該界別的多項(xiàng)式公式，但可以明顯看出其近3年的快速下降趨勢(shì)。

（四）保持了中高級(jí)知識(shí)分子特色，但高層次人才發(fā)展困難，近5年發(fā)展人數(shù)為個(gè)位數(shù)。從數(shù)據(jù)分析可以看出，近些年大量發(fā)展中級(jí)職稱社員，初級(jí)職稱發(fā)展人數(shù)上升，正高職稱發(fā)展人數(shù)呈下降趨勢(shì)。總體上，當(dāng)前社員內(nèi)中高級(jí)職稱人數(shù)比例仍較高，為95.7%，保持了中高級(jí)知識(shí)分子的特色。

針對(duì)上述情況及問題，對(duì)某省九三學(xué)社的社員發(fā)展提出以下對(duì)策建議：

（一）堅(jiān)持主體界別和中高級(jí)知識(shí)分子特色，培養(yǎng)高層次人才。在保持中高級(jí)知識(shí)分子特色的前提下，總體上偏向發(fā)展主體界別（科教文衛(wèi)）人士。在加大正高職稱人員的數(shù)量和比例上，一方面要想方設(shè)法發(fā)展代表人士、有影響力的主體界別、正高職稱人員加入九三學(xué)社;另一方面應(yīng)促進(jìn)中級(jí)職稱、副高職稱的社員成長(zhǎng)，如采取社員導(dǎo)師制、社內(nèi)精英人才培養(yǎng)計(jì)劃等。

（二）放緩新的社會(huì)階層界別發(fā)展速度，改良新發(fā)展社員結(jié)構(gòu)。建議放緩發(fā)展新的社會(huì)階層界別人士，一方面促進(jìn)已發(fā)展的新的社會(huì)階層界別人士成長(zhǎng)成才，轉(zhuǎn)化為主體界別人員或成長(zhǎng)為代表性人士;另一方面應(yīng)重點(diǎn)發(fā)展主體界別人士。

（三）加大發(fā)展科學(xué)研究界別人士力度，培育科技精英。考慮到科學(xué)研究界別一直是九三學(xué)社社員產(chǎn)生代表人士的主要領(lǐng)域、一大批從事前沿技術(shù)的老前輩為九三學(xué)社獲得了崇高的社會(huì)聲譽(yù)和影響的歷史現(xiàn)實(shí)，一方面應(yīng)在新社員發(fā)展上注重發(fā)展科學(xué)研究界別人士，另一方面應(yīng)在科學(xué)研究領(lǐng)域培育人才，采取多種形式促進(jìn)其發(fā)展，如舉辦前沿科技論壇形成社會(huì)影響和吸引科學(xué)研究界別人士，廣泛宣傳九三學(xué)社的科學(xué)研究界別代表性人士，發(fā)揮已在科學(xué)研究界別有聲望的老社員的影響力和作用等。

參考文獻(xiàn)：

[1]? 桑晨奔.論吸收新社會(huì)階層對(duì)民主黨派組織發(fā)展的影響[D].上海：復(fù)旦大學(xué)，2013.

[2]? 唐長(zhǎng)久.政黨適應(yīng)性理論的民主黨派組織發(fā)展界別特色問題研究[J].求索，2013（5）：262-264.

[3]? 劉曉琳.新時(shí)期九三學(xué)社自身建設(shè)問題研究——以山東省九三學(xué)社為例[D].濟(jì)南：山東大學(xué)，2015.

[4]? 鄧子云，何庭欽.區(qū)域人工智能產(chǎn)業(yè)發(fā)展戰(zhàn)略研究[J].科技管理研究，2019（7）：32-43.

[5]? 黃永昌.scikit-learn機(jī)器學(xué)習(xí)：常用算法原理及編程實(shí)戰(zhàn)[M].北京：機(jī)械工業(yè)出版社，2018.

[6]? 鄧春林，楊柳，王涵之.高校網(wǎng)絡(luò)群體性事件輿情演化規(guī)律初探——基于多項(xiàng)式擬合的定量分析[J].現(xiàn)代情報(bào)，2016（5）：16-20.

[7]? Ziyun Deng，Tinqing He，etc.A Multimodel Fusion Engine for Filtering Webpages[J].IEEE Access，2018（6）.

[8]? 薛理，楊樹文，馬吉晶，劉燕.多項(xiàng)式擬合的尺度不變特征變換改進(jìn)算法[J].遙感信息，2019（4）：54-61.

[9]? 李振昌，李仲勤.滑動(dòng)式切比雪夫多項(xiàng)式擬合法在BDS精密星歷內(nèi)插中的應(yīng)用[J].測(cè)繪工程，2019（4）：49-53.

[10]? 萬新軍，賓博逸，呂宋，等.基于Zernike多項(xiàng)式擬合的非球面點(diǎn)云數(shù)據(jù)自動(dòng)調(diào)平[J].光學(xué)技術(shù)，2019（2）：170-175.

[11]? 吳桐，張陽陽，孫妍艷，等.一種基于改進(jìn)外點(diǎn)法的多項(xiàng)式擬合解法[J].大地測(cè)量與地球動(dòng)力學(xué)，2019（1）：57-60.

[12]? 王雪標(biāo)，張奇松.利率期限結(jié)構(gòu)靜態(tài)擬合方法研究[J].商業(yè)研究，2018（12）：116-124.

[13]? 劉金釗，王同慶，陳兆輝，等.利用滑動(dòng)窗口的多項(xiàng)式擬合算法進(jìn)行重力位場(chǎng)區(qū)域-剩余異常分離[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2018（10）：1478-1482.

[14]? 彰顯九三學(xué)社界別特色? 助推科技創(chuàng)新政策落地[J].民主與科學(xué)，2018（2）：9.

[15]? 唐長(zhǎng)久，周密.民主黨派在組織發(fā)展趨同中保持自身特色的思考[J].湖南省社會(huì)主義學(xué)院學(xué)報(bào)，2018（6）：38-39.

責(zé)任編輯：龔靜陽