打开文本图片集

摘要：目的：在企业数字化转型中，尊重用户隐私权利的会员体系建设应用始终一个难点问题。方法：本课题通过OpenID技术收集消费者数据并进行数据预处理，形成消费者-卷烟零售客户-品牌画像体系，设计消费者品牌忠诚度预测模型，在试点地市开展标签体系验证。结果：由此构建了基于前馈神经网络的OpenID隐性会员建设应用体系，即“支付即会员”的无感知隐性会员体系，形成基于营销实用场景的画像体系，打造基于数据驱动的精准营销模式。结论：研究基于前馈神经网络模型的OpenID隐性会员建设应用体系，不仅丰富了隐性会员建设应用理论体系，也为更好服务隐性会员提供了实践依据，有利于企业分析预测市场、优化产品投放、提高销售业绩、增强客户满意。

关键词：OpenID；前馈神经网络；隐形会员；画像体系；精准营销

0 引言

2021年，国家烟草专卖局党组明确提出实施行业数字化转型战略，由此，全行业拉开了以“上云、用数、赋智”为主线的数字化转型帷幕。卷烟营销数字化转型作为行业数字化转型的题中要义，应用数字技术重构卷烟营销价值链，依靠数字技术重塑卷烟营销服务场景，依托数字技术赋能卷烟营销高质量发展。如何通过使用数字化手段和有效的数据分析工具，建设会员应用体系对驱动数字品牌建设和数字化转型具有重要意义。曹晖[1]提出要通过会员关联消费行为，积累消费数据，利用大数据智能分析，准确把握消费者的消费习惯和特征，增强服务消费、引导消费的驱动力。陈娟等[2]构建基于单项品规的主要客群画像模型，运用RFM模型得到现有会员的价值特征，为优化营销策略贡献提供新方法。曾建新等[3]基于RFM模型，以实际运维数据为依据将会员分为8类，采用分层的方式构造会员成长模型，完成了会员生命周期模型的构造。翁金香等[4]以零售“商品、终端、消费者、数据”四要素构建流通品牌“四角”运营管理模式，为烟草商业企业提升流通品牌价值提供有价值的参考与借鉴。黄曦等[5]以客户画像为基础，通过线性回归模型，建立了烟草投放的影响因素模型，实现了主要烟草单品的精准投放。潘滨[6]基于大数据技术对烟草行业的广告宣传、产品创新、消费跟踪、客户挖掘、品牌培育和终端改革等主要功能的影响，进而建立烟草“研、供、宣、消、商、监”六位一体的精准营销体系。综上所述，会员建设应用体系研究始终是营销数字化领域的重点热点话题之一，目前行业内的研究目前主要集中在画像构建、营销策略等层面，对数字驱动下的隐形会员建设应用体系的研究仍存在探索和开发空间。

OpenID作为一种开放标准的身份认证系统[7]，可用于实现在不同的网站和服务之间的用户身份识别与无缝登录，这为隐形会员建设应用体系提供了数据基础和分析渠道。本课题旨在探讨基于前馈神经网络的OpenID隐形会员建设应用体系，通过系统构建与验证基于消费行为特征的消费者画像指标体系，以隐性会员体系框架为基础，深入剖析消费者的多样化行为模式，融合数据分析和营销实践领域内成熟的数据挖掘技术与模型算法，建立精准反映消费者忠诚度的预测模型，从而实现研判市场状态、精准服务会员、高效培育品牌等业务工作的优化，提升卷烟营销数字化水平。

1 隐性会员建设应用体系构建

1.1构建思路

在营销数字化转型和数字品牌建设中，探索和研究特定消费者群体在特定场所的特定产品消费模式，以及特定产品在特定场所对特定消费者群体的销售特点是重要的破题点。首先，本课题从业务实际需求出发，确定适合的消费者行为特征指标，涵盖购买时间、地点、品牌偏好等多个维度。通过市场调研和数据分析，确保所选指标能够真实反映卷烟消费规律，并对各指标进行权重分配，确保权重设置的科学性和合理性。其次，评估多种数据模型算法，选择最适合的模型来构建消费者忠诚度预测模型。通过对模型运行结果的测试和验证，确保模型的准确性和稳定性。再次，基于确定的指标和模型算法，构建一套全面的消费者分析及画像体系。通过深度挖掘消费者的各类行为特征，将其转化为直观的消费者画像，并基于消费者画像，开发一套多元化的标签体系。最后，在实际运营环境中对所选数据模型进行测试与优化，确保模型的实用性和可靠性。并通过实际业务案例，展示消费者画像体系的应用效果。在试点地市开展标签体系验证，评估体系对品牌培育、选点投放等应用的实际效果，并不断优化完善标签体系。本课题研究框架及技术路线如图1所示。

1.2 关键技术

1.2.1 OpenID身份认证

OpenID身份认证主要确保用户在不同零售终端间能够具有统一的身份标识码。在消费者无感知的条件下，将不同身份识别码归集为一个OpenID，实现消费者身份识别码的统一。即消费者无需使用会员卡或填报手机号，通过支付行为即可实现交易信息和会员身份的关联。通过消费者OpenID身份的统一，可以准确跟踪和研判消费者购买行为，即建立可应用的隐性会员体系，为消费行为分析与应用提高可靠的数据基础。

1）身份识别码的统一归集

将分散于各银行机构及零售终端的身份识别码通过加密与脱敏处理，映射至一个唯一的OpenID身份标识。此OpenID身份基于分散式身份识别协议构建，确保在遵守隐私保护原则的同时，实现跨平台、跨机构的身份识别码统一归集。

2）支付行为与会员身份的自动关联

这一过程依赖于支付系统中的交易数据解析与OpenID身份映射引擎，实时捕捉并分析消费者的支付行为，自动将交易记录与对应的OpenID身份相匹配。

3）用户行为数据的采集

依托部署于用户终端或服务器端的高效日志采集系统和OpenID身份认证模块，实现对用户通过聚合支付手段在不同零售终端的购买数据进行全面捕获。

1.2.2 前馈神经网络

前馈神经网络作为人工神经网络领域的典型模型，其原理基于生物神经元工作，由多层神经元组成，分为输入层、隐藏层和输出层[8]。信号从输入层向输出层单向传播，每个神经元通过权重和激活函数对输入进行加权求和，并输出到下一层[9]。前馈神经网络结构直观，数据处理迅速，结果可读性强，被广泛应用于多领域、多场景中，包括图像识别与处理、自然语言处理、个性化推荐系统等[10]。

1）前馈神经网络模型

前馈神经网络模型示意图如图1所示，输入层负责接收外部数据，隐藏层负责非线性变换和特征提取输入数据，输出层则负责将隐藏层的输出转化为预测的最终结果。

在训练前馈神经网络之前，需要对其参数进行初始化，给网络的权重和偏置赋予合理的初始值，以便后续的训练过程能够顺利进行。然后通过重复执行前向传播、反向传播步骤，直到损失函数收敛或达到一定的迭代次数[11]。

其中前向传播是指数据从输入层经过各隐藏层，最终到达输出层，并生成预测结果的过程[12]。在此过程中，每一层神经元都会将前一层神经元的输出作为输入，通过加权求和和激活函数处理，生成自己的输出，并传递给下一层神经元。假设输入为x，输出为y，则传播过程可以表示为：

其中公式（1）中的代表第i层的权重矩阵，代表第i层的激活值，代表第i层的偏置向量，公式（2）中的代表第i层的激活函数，激活函数的选择应根据具体任务和数据特性来确定。

前向传播即在得到预测结果后，需要使用损失函数来计算预测结果与真实结果之间的误差[13]。然后计算损失函数对网络中每个参数的偏导数（即梯度），来更新网络参数的过程[14]。参数更新的基本思想是根据梯度的方向和大小来调整参数的值，以减小损失函数的值。参数更新过程可以表示为：

其中公式（4）中的代表损失函数，即预测结果与真实结果之间的误差，式（5）中的a代表学习率，即参数更新的步长

综上所述，前馈神经网络模型构建是一个复杂且需要不断优化的过程。通过合理的网络结构设计、参数初始化、激活函数选择、训练算法确定以及模型评估与调整等步骤可以构建出性能良好的前馈神经网络模型。

2）参数确定

本研究构造前馈神经网络的具体参数如表1所示。其中输入特征数量为5个，即经过数据预处理后的特征变量，包括品牌购买数量、品牌购买金额、品牌购买频次、品牌金额数量占比和品牌复购行为，输出为品牌忠诚度，激活函数使用Relu函数，是一种常用的非线性激活函数，其数学表达式如公式（6）所示。采用随机梯度下降法（SGD）与对数损失函数（Log Loss）来优化及评估模型的训练效果，Log Loss的数学表达式如公式（7）、公式式（8）所示。

其中公式（7）中的y代表样本的真实标签，代表样本属于正类的概率，代表单个样本的Log Loss，公式（8）中的代表整个训练集上的Log Loss。

2 结果与分析

2.1 消费者-卷烟零售客户-品牌画像体系构建

2.1.1消费者画像

在构建消费者会员画像体系时，采用系统性的标签分类方法，可以对消费者行为进行深入分析和准确描绘。消费者会员画像系统中根据不同标签，设立了不同维度的统计与计算方式。

1）基本信息标签

基本信息标签包括“OpenID”，这是一个静态标签，用于唯一标识每个消费者，确保数据的准确性和连贯性。其他与基本信息相关的标签，如“卷烟价位段”和“价类标签”，则为动态标签，用于持续跟踪消费者的购买行为和偏好。这些标签通过聚合支付数据收集，并每月更新一次，能及时反映消费者在过去一个月内的购买趋势。

2）消费行为标签

消费行为标签集中在卷烟的购买数量和支出上。例如，“卷烟月支出”按金额等级分类（如100元以下、100-200元等），帮助识别不同消费水平的用户。“卷烟消费额占比”标签更进一步，区分了低、中、高三个层次，帮助精准把握消费者在卷烟消费中的经济占比。

3）购买习惯标签

标签“主吸品规”和“品规标签”是对消费者卷烟品牌偏好的细致划分。通过计算一周平均购买4包以上的品牌数量，帮助了解消费者的品牌忠诚度和多样性。此外，“常去店铺”、“常购时间（日、周、年）”等标签，则从购买场所和时间维度，提供了消费者的购买行为模式。这些数据通常按周或季度更新，确保能与消费者实际行为保持一致。

4）区域和环境标签

消费者的购物地点也是画像的重要维度，“常购店铺”“常购区县”和“常购销售环境”标签，通过记录消费者在各个地域和环境中的购买行为，有助于品牌在不同市场区域进行精准投放。

5）客户价值标签

RFM模型是一种经典且高效的客户价值评估方法，结合“最近购买时间”、“购买频次”和“购买金额”，可以清晰地分辨出高价值客户、重点发展和挽留客户等，以便品牌制定相应的客户关系管理策略。

通过以上标签的有机结合和动态更新，构建出的消费者会员画像不仅具有高精度和灵活性，更能及时反映市场和消费者行为的变化，助力品牌进行精准营销，提高市场竞争力和客户满意度。

2.1.2卷烟零售客户画像

在构建卷烟零售客户画像体系时，通过系统性的标签分类和数据分析，可以精确描绘卷烟零售客户的经营状况及行为特征。卷烟零售客户画像系统中的各类标签及其计算方法如下：

1）基本信息标签

基本信息标签包括客户编码、客户名称、所属营销部、客户经理、许可证号和经纬度，这些都是静态标签，用来标识每一位卷烟零售客户。这些标签通过一体化平台获取，并保持长期稳定性，不定期更新，确保信息的准确性和一致性。

2）动态标签

动态标签则是对卷烟零售客户历史和当前经营情况进行持续跟踪与记录。例如，“客户档位”标签按卷烟零售客户的经营规模分类，从1档到30档不等，每季度更新一次，以反映卷烟零售客户的最新经营状态。标签“品牌画像”和“价位段”则通过分析过去一年的订购数据，标识出卷烟零售客户主要销售的品牌及价位段，为品牌培育和投放策略提供数据支持。

3）商品销售行为标签

商品销售行为标签主要包括卷烟档位和新品培育能力。“卷烟档位”标签记录了卷烟零售客户销售的主要档位卷烟种类，通过过去一年的数据分析选取前二种类进行标记。“新品培育能力”标记为强、中、弱三个等级，按过去一个季度订购新品的金额排名来评估，每季度更新，为市场新品推广策略提供参考依据。

4）经营环境标签

经营环境标签包含商圈类型、经营业态和市场类型扩展，这些静态标签旨在表示卷烟零售客户所处的经营环境和市场条件。不同的商圈类型（如商业区、学区）以及经营业态（如便利店、超市）反映了卷烟零售客户所面对的消费群体和业务特点，从而有助于制定针对性的营销策略。

5）销售情况标签

标签“聚合支付扫码金额占卷烟购进金额的比重”属于卷烟销售情况中的一个关键动态标签，用于衡量卷烟零售客户使用聚合支付扫码的质量。该比例通过计算订货周期内的聚合支付扫码金额与卷烟购进金额的比值来确定，并按周更新。这一数据有助于了解卷烟零售客户是否养成扫码支付习惯及其对数字化支付手段的适应程度。

通过上述多维度、多层次的标签体系，建立起了一个全面、细致和动态的卷烟零售客户画像。这不仅有助于精准定位和服务各类卷烟零售客户，还能为后续的市场分析和策略制定提供重要的数据支撑，增强市场竞争力，优化品牌推广和营销效果。

2.1.3 品牌画像

在构建品牌画像体系时，通过细致的标签划分和数据分析，能够全面描绘品牌在各个维度的表现及特点，提供科学有效的市场策略依据。

1）品牌零售终端标签

品牌零售终端标签即直接面向消费者，负责销售特定品牌卷烟的零售场所，其标签主要包括热点地区、价位段、商圈类型、新品培育能力、经营业态和经营档位。这些标签通过对各城市区县的订购数据进行分析，每月更新一次，动态反映品牌在不同地域、不同经营类型和档次零售户中的表现。例如，通过分析品牌订购金额前三的地市及其前二的区县，可以确定品牌的区域热点分布，从而优化区域市场资源配置。

2）品牌受众标签

品牌受众即关于特定品牌卷烟的消费群体，其标签包含卷烟价位段、价类标签、卷烟月支出和卷烟类型。这些动态标签通过对打上品牌忠诚消费者标签的顾客进行分类统计，选出各项指标中的第一名进行标记，每月更新一次。例如，卷烟价位段标签通过分类忠诚消费者的购买价位，反映品牌在各价位段的市场渗透情况，帮助品牌制定更精确的定价策略。

3）品牌生命周期和市场状态

品牌生命周期和市场状态属于品牌的基本属性标签，前者每半年更新一次，用于评估品牌在市场中的发展阶段；后者按周更新，通过综合文档中的运算规则计算，提供品牌在市场中的最新状态分析。这些标签可以帮助品牌精准把握市场的动态变化，及时调整策略以保持市场竞争力。

4）订足率和订足面

“订足率”和“订足面”两个标签反映品牌产品在市场中的供需情况，按周更新。订足率计算某规格的订货量与投放量的比值，反映该规格产品的市场需求程度；订足面计算订货达到上限的客户数量与投放客户数量的比值，反映某规格产品在市场中的接受度和受欢迎程度。通过这些数据，可以及时了解市场反应，进行生产和供应调控。

5）热销商圈

标签“热销商圈”主要用于分析品牌在不同商圈（如商业区、居民区等）的销售表现，每月更新一次。通过对比不同商圈的销售数据，可以识别品牌的主要销售渠道和潜力市场，帮助品牌优化渠道布局和营销策略。

通过上述多维度、多层次的标签体系，品牌画像体系能够全面、准确地描绘品牌在市场中的表现。这不仅有助于精准定位品牌在不同消费群体和零售环境中的影响力，还为品牌的市场分析和策略制定提供重要的数据支撑，提升市场占有率和品牌竞争力。

2.2 消费者品牌忠诚度预测模型构建

2.2.1数据预处理

1）数据准备

数据获取自会员数据。为了保证研究的可靠性与代表性，提取关键特征列，包括消费者的品牌购买数量、品牌购买金额、品牌购买频次、品牌金额数量占比和品牌复购行为，这些特征用于表示消费者的品牌消费行为模式。其中品牌复购行为指标采取用“1”代表有卷烟复购行为，“0”则代表无卷烟复购行为。

特征列的标准化处理采用了MinMaxScaler归一化方法，以确保不同特征之间的量纲一致性。并将会员数据按照80%的比例进行训练集和测试集的划分，确保模型性能，充分学习训练数据的特征。

其中式（9）中的X为原始数据，是归一化后的数据，是是该特征的最大值，是该特征的最小值。

2）数据清洗

在零售终端的实际运营过程中，可能会由于各类主客观原因，导致数据质量不高、数据代表性差，并且当数据中存在噪声或异常值时，模型可能会受到较大影响。基于以上因素，为了保证数据质量和分析结果的准确性，本课题对原有数据按照给定的清洗规则进行清洗和整合，具体清洗规则如下所示：

本课题通过品牌购买数量、品牌购买金额、品牌购买频次、品牌金额数量占比和品牌复购行为来测算不同消费者对于不同品规卷烟的品牌忠诚度，对消费者OpenID代码使用虚拟代码替代，部分经过数据预处理后的消费数据如表3所示：

3）特征工程与数据标签

通过在数据集中添加一个新的字段“品牌忠诚度”，用于存储消费者的品牌忠诚度标签。根据商品名称匹配忠诚度判断标准，通过计算各项特征列的加权和（权重分别为0.353、0.343、0.3、0.002和0.002），并利用忠诚度判断标准中的前10%和前20%值来确定忠诚度标签。忠诚度分为高、中、低三类。

2.2.2模型验证

1）模型效能分析

本研究重点对不同隐藏层和不同神经元数量下的模型准确率进行了研究，在设置的3种情形中，通过最大1000次迭代来训练模型，首先，对训练集的特征进行标准化处理（StandardScaler），然后使用训练好的神经网络模型对训练集数据进行拟合。训练结束后，分别对训练集和测试集的数据进行预测，并计算了模型在这两个数据集上的准确性。通过“accuracy_score”函数，发现各情形模型在训练过程中的模型准确率见表2。结果表明档隐藏层层数为3，神经元数量为64+32+16时，模型准确率为95.05%，故本课题选取情形2来进行测算。

2）模型结果分析

基于前馈神经网络模型的OpenID隐性会员建设应用体系研究中的重要模块就是要研究消费者对不同品牌的品牌忠诚度。通过使用机器学习中的前馈神经网络技术，搭建的消费者品牌忠诚度预测模型，可以精准评估消费者对品牌的忠诚度，从而为品牌营销策略提供有力支持。本课题将经过预处理的数据输入模型进行测算得到最终测算结果。由于本次选取数据为来宾市所有在销品规，数据规模较大，节选部分品规忠诚度的测算结果如下图所示：

本研究通过前馈神经网络计算得出会员对于不同品规卷烟的忠诚度，选取忠诚度“前第10%数值”和“忠诚度前第20%数值”为忠诚度值（高）和忠诚度值（中）的标准，当会员对某品规卷烟品牌忠诚度值高于忠诚度值（高），则可认为该会员对于该品规的品牌忠诚度为“高”；当会员对某品规卷烟品牌忠诚度值介于忠诚度值（高）和忠诚度值（中）之间时，则可认为该会员对于该品规的品牌忠诚度为“一般”；当会员对某品规卷烟品牌忠诚度值低于忠诚度值（中），则可认为该会员对于该品规的品牌忠诚度为“低”。

3 隐形会员建设应用体系效果验证

项目选取试点样本点开展工作，采集相关数据开展分析研究。

3.1整体数据说明

本次零售客户选点分析基于1-7月云POS数据，通过扫码数据进行分析。原始数据总量为14，460，448条，经过数据清洗、去重、删除刷单和无OpenID数据处理后，最终得到可用的有效数据共4，629，370条。本次分析主要依据这些有效数据进行分析。

3.2标签选择

本次卷烟零售客户选点主要依据消费者标签进行筛选。由于市局对卷烟零售客户与品牌状态了解较深，但对消费者状态了解相对较少，因此此次分析侧重于消费者标签。品牌培育对象为“真龙（甲天下）”。

3.2.1卷烟价位段标签

主要关注价位在80元以上的消费者。

3.2.2.品规标签

选择主吸品规和副吸品规为“真龙（甲天下）”的消费者。由于“真龙（甲天下）”的购买记录较少，因此需加入副吸品规标签以增加消费者标签数量。

3.2.3.常去店面标签

锁定目标消费者主要聚集的卷烟零售客户点，并进行排序，选出前50个卷烟零售客户点进行推荐。

3.2.4.品牌忠诚度

选择品牌忠诚度为高和中的消费者，并锁定其常购卷烟零售客户点进行推荐。

3.3验证过程及验证结果

通过数据清洗、特征提取和模型训练，提炼卷烟购买行为模式并生成相应的消费者标签。最终根据这些标签筛选出“真龙（甲天下）”消费者集中度最高的前50个卷烟零售客户点。

3.3.1品规、价位段标签的生成

基于每个消费者（OpenID）的销售数量，对卷烟品规进行分类。定义三个品规标签：备选品规、副吸品规和主吸品规，并将这些标签关联到每个消费者。关于消费者购买卷烟的价位段，则主要标注80元以上价位段，并将这些标签也关联到每个消费者。

3.3.2品牌忠诚度预测模型

使用多层前馈神经网络模型，根据购买数量、购买金额以及购买频次等特征，预测每个消费者对特定品牌的忠诚度。忠诚度分为“高”、“中”、“低”三个等级，识别忠诚消费者群体。

3.3.3综合消费者标签数据

在为消费者打上相应标签后，将其对应的卷烟零售客户许可证和地址等信息与消费者标签数据合并，构建综合消费者标签数据库。这为进一步的市场细分和精准营销提供了数据支撑。

3.3.4前50名卷烟零售客户筛选

筛选出含有特定品规，如“真龙（甲天下）”的记录，并根据这些标签，统计出最频繁出现的前50名卷烟零售客户。此步骤有助于识别高价值零售商，以便优先进行市场推广和维护。

3.3.5验证结果

本次分析构建了综合消费者标签数据库，包括消费者购买行为、品规偏好、价位段、品牌忠诚度以及对应的卷烟零售客户信息等，为市场细分和精准营销提供了强有力的数据支撑。通过优先对这50名高价值卷烟零售客户点进行市场推广，提高“真龙（甲天下）”品牌的曝光度和销售量。针对高、中忠诚度的消费者群体，制定个性化的触达与服务策略，促进复购，提升品牌忠诚度。通过数据分析与消费者反馈，不断优化产品品规和营销策略，以满足消费者的多元化需求。综上所述，本次零售客户选点数据分析为“真龙（甲天下）”品牌的精准培育提供了科学的数据支撑和具体的营销建议，有助于推动品牌市场拓展。

4 结论

为贯彻落实“数字中国”的战略部署，充分发挥数据对行业发展放大、叠加、倍增作用，以数字技术驱动营销业务变革，本课题基于前馈神经网络构建OpenID隐性会员建设应用体系。课题的主要研究结果包括：构建一套消费者-卷烟零售客户-品牌的画像体系，画像体系15个主标签以及若干个子标签；搭建了一个消费者品牌忠诚度预测模型，基于前馈神经网络和OpenID，实现消费者对不同品牌的忠诚度测算；在试点地市开展标签体系验证，验证体系指标对品牌培育、选点投放的应用效果。在理论层面，本研究将前馈神经网络应用于隐形会员管理领域，提供了隐形会员管理新视角，丰富隐性会员管理理论体系。在实践层面，本研究能够提升营销效率，增强用户感知，优化资源配置，促进业务增长。

参考文献

[1]曹晖.论新零售时代卷烟零售运营模式的转型升级[J].全国流通经济，2019，（05）：5-6.

[2]陈娟，任战斌，侯昌华.大数据营销背景下烟草消费者会员画像分析[J].中国市场，2023，（26）：130-133.

[3]曾建新，李中华，舒康，等.会员运营评估监测模型与工具应用[J].科技创新与应用，2021，11（17）：151-153.

[4]翁金香，于宁波.基于“四角”模型的企业流通品牌运营管理提升思路与策略探讨——以信阳烟草“金叶”流通品牌为例[J].企业改革与管理，2024，（04）：101-103.

[5]黄曦，李清沛，张帆，等.客户画像的烟草货源投放策略研究[J].活力，2023，41（19）：193-195.

[6]潘滨.基于大数据技术的烟草营销模式研究[J].经济研究导刊，2022，（17）：62-64.

[7]甘仕振.第三方互联网身份验证平台的开发与应用[D].华南理工大学，2011.

[8]徐梓荐.蒙特卡洛方法神经网络的激活函数研究及应用[D].兰州大学，2018.

[9]邢世威.基于CMOS模拟IC技术人工神经网络的研究与实现[D].苏州大学，2021.

[10]张晓刚.基于深度学习的视频UCL自动标引及智能化推荐研究[D].东南大学，2019.

[11] Yalçın O G. Feedforward Neural Networks[M]//YALÇIN O G. Applied Neural Networks with TensorFlow 2： API Oriented Deep Learning with Python. Berkeley， CA： Apress， 2021： 121‐ 143.

[12]王天泽.基于一种组合预测模型的自动伸缩Docker集群关键技术研究[D].西安工程大学，2018.

[13]华一畅，黄杰，姚卫星.高超声速飞行器热环境快速预测方法[J].机械设计与制造工程，2021，50（12）：93-96.

[14]王保敏，王睿，阮进军，等.基于TensorFlow的深度神经网络优化方法研究[J].兰州文理学院学报（自然科学版），2021，35（06）：71-74+94.