用户群体满意度最大化的Top-k在线服务评价

考虑用户评价准则不一致的在线服务评价通常以服务的完整排序作为评价结果,而不是选择出使用户群体满意度最大的Top-k在线服务集合,使评价结果难以满足Top-k在线服务评价场景的合理性和公平性需求.为此,提出了一种用户群体满意度最大化的Top-k在线服务评价方法.该方法首先定义用户群体满意度指标,以衡量选择的k个在线服务的合理性;其次,考虑用户评价准则不一致及用户偏好信息不完整的情况,采用Borda规则将用户对在线服务的偏好关系构造为用户-服务满意度矩阵;然后借鉴Monroe比例代表思想,将Top-k在线服务评价问题建模为寻找最大化用户群体满意度的在线服务集合的优化问题;最后采用贪心算法对该优化问题进行求解,将得到的在线服务集合作为Top-k评价结果.通过理论分析和实验验证了该方法的合理性和有效性.理论分析表明,该方法满足Top-k在线服务评价所需的比例代表性和公平性.同时,实验结果也表明,该方法能够在合理的时间内获得接近用户群体满意度理想上界的评价结果,可以有效地辅助用户群体做出正确的服务选择决策.另外,该方法还可以在用户偏好不完整的情况下实现Top-k在线服务评价.     

非结构化P2P网络中的动态信任模型研究

有效的非结构化Peer-to-Peer网络中的信任模型有利于提高P2P网络的安全性能和服务质量。提出了动态信任模型的概念。该模型主要解决诸如节点在线时间不规律、提供善意文件不稳定性的问题,是一种基于节点在线时间和真实服务能力的动态信任模型,对节点在线时间的评价是动态评价,对节点的真实服务能力也是进行动态评价,通过仿真实验证明了该模型能有效提高P2P网络的安全性能及服务质量。     

基于贝叶斯网络的在线商品评价质量评估

随着电子商务领域的迅速发展,在线商品评价规模日益庞大,评价质量参差不齐,用户难以筛选有用评价信息做出购买决策,因此如何有效识别高质量评价信息成为重要议题。以在线商品评价的有用性投票为基础定义评价质量,使用贝叶斯网络表示在线商品评价的相似性及不确定性,通过对在线商品评价信息进行多维度特征统计,构建在线商品评价质量评估模型,使用概率推理机制对在线商品评价质量进行分类预测,并给出评价质量分类置信度。在真实数据集上验证模型有效性及高效性。     

数据结构在线考试系统研究

针对数据结构的在线教学,分析不同知识点、不同题目类型、不同学习层次问题的评价准则,提出一套在线考试评价体系,通过对其整体的综合评价,给出今后学习建议及意见,最后通过系统测试说明优势。     

计算机应用在线课程质量评价体系构建研究

为了提升我国高校计算机应用基础在线课程质量,本文基于熵值法,从科学性、通识性和易量化3个方面出发,提出一个针对我国高校计算机学院计算机应用基础在线课程质量普适性的综合评价指标体系,对我国高校计算机学院开设的计算机应用基础在线课程质量问题进行客观评价。实践结果表明,该指标评价体系能够对我国高校计算机学院计算机应用基础在线课程质量进行客观评价,并总结影响计算机应用基础在线课程教学质量的核心因素。     

高职形成性评价在线系统的初步实现

在近年的高职教育中,形成性评价得到了越来越多的重视,但是目前尚无广泛采纳的形成性评价在线平台。已有的教学平台则尚欠缺的是对学生学习过程中的情感、动机等方面问题的非诊断性评价。因此有必要实现这样一个高职形成性评价在线系统。     

精品在线开放课建设促进高等教育公平的实践和思考

随着高等教育的不断普及,关于教育公平的问题得到了广大学生及大众的密切关注。针对于现存的我国国内高等教育的地区差异及不公平现状,本文借用课程例子及MOOC介绍了在线课程资源的应用及共享。在线教育在有效处理了所存在的优质高等教育资源区域分配不均的难题,与此同时的实践研究结果发现,精品在线课程在教育的各个环节中都极大程度的保证了公平。     

基于AHM的模糊综合评价法在网络安全风险评估中的应用

本文利用属性层次模型（AHM）法计算评价对象的指标权重集,合理地量化了安全风险评估指标的权重,避免了主观权重而产生的不公平评价;模糊综合评价法针对实际问题中评估项的模糊性能够客观地评估对象及指标的不确定性,能够对安全风险作出全面准确的评估。利用属性层次模型法与模糊综合评价法相结合,可以有效处理专家意见不一致的情形,易于对所得到的评价结果进行分析解释,从而提出合理化建议,是提高信息网安全风险等级的一种行之有效的方法。     

决策树技术在教学质量评价中的应用研究

对目前学校教学质量评价中因缺乏有效、科学的方法而造成的不合理现象进行分析,就如何将数据挖掘技术与教学质量评价相结合的问题进行研究。通过教学质量评价指标体系的有效挖掘,运用决策树技术来解决目前教学质量评价中的不合理性,提出基于决策树技术的教学质量评价方法,使教学质量评价公平、公正、合理、高效。     

基于云计算的精品在线开放课程管理平台设计

针对高职院校精品在线开放课程建设质量参差不齐、应用效果不明显、更新改进不及时、师生互动不多等问题,笔者研究与设计基于云计算的精品在线开放课程管理平台,基于云计算技术,开展了平台架构设计、功能设计,建成后的平台可实现精品课程的实时在线、完全开放、永久共享,方便教者与学者,推进教育创新,深化教学改革,推动教育信息化与公平化。     

基于数据挖掘的AHP算法在职业教育教学评价系统中的应用

以当前的职业学校教育教学为平台,就如何将数据挖掘与教学质量评价指标相结合的问题进行研究,通过借鉴国内外职业教师教学质量评价指标体系的有效挖掘,解决目前教学质量评价指标分数比例的不合理性,提出运用AHP算法来确定教学质量评价指标比例,使教学质量评价公平、公正、合理、高效。     

决策树技术在教学质量评价中的应用研究

对目前学校教学质量评价中因缺乏有效、科学的方法而造成的不合理现象进行分析,就如何将数据挖掘技术与教学质量评价相结合的问题进行研究.通过教学质量评价指标体系的有效挖掘,运用决策树技术来解决目前教学质量评价中的不合理性,提出基于决策树技术的教学质量评价方法,使教学质量评价公平、公正、合理、高效.     

关联规则挖掘理论及其应用研究

关联规则是数据挖掘的重要概念,其应用研究是目前数据挖掘研究的热点之一。本文针对目前学校教学评价中因缺乏有效、科学的方法而造成的不合理问题,为了解决这些问题,在查阅大量资料,并通过教学评价数据的有效挖掘,运用关联规则挖掘理论技术,构建教学评价新模式,从而使教学评价公平、公正、合理和高效,并通过实例阐述其在教学评价中应用的重要性。     

线下交易市场信用信息平台构建

为解决线下交易市场信用信息产生、传播及消费,主要依赖口碑,且易失公平的问题,构建了信用标准设定、多维度参与信用评价、综合计算信用等级三个模块来提高评价的公平公正性,构建了信用信息多渠道展示来提高信用结果的传播及消费。设计并实现了以B/S架构为基础的信用信息平台软件,在试运行中取得效果良好。     

关联规则挖掘理论及其应用研究

关联规则是数据挖掘的重要概念,其应用研究是目前数据挖掘研究的热点之一.本文针对目前学校教学评价中因缺乏有效、科学的方法而造成的不合理问题,为了解决这些问题,在查阅大量资料,并通过教学评价数据的有效挖掘,运用关联规则挖掘理论技术,构建教学评价新模式,从而使教学评价公平、公正、合理和高效,并通过实例阐述其在教学评价中应用的重要性.     

基于Struts+Spring+Hibernate的在线大学生评价系统的应用研究

针对当前大学生评价系统在运行过程中不稳定等问题,采用现在主流的Struts、Spring和Hibernate开源框架设计并实现了在线大学生评价系统,它不但弥补了传统Web技术开发信息系统的不足,而且以其轻量级、跨平台等优势实现了系统层次和组件间的高内聚、低耦合的目标,提高了系统的可维护性、可扩展性和可重用性。     

最小支持度在教学质量评价系统中的数据挖掘应用

以当前的高职高专院校教育教学为平台,研究分析最小支持度关联规则挖掘技术与教学质量评价相结合的问题,针对教学质量评价结果中的盲目性、不易把握等问题,提出利用最小支持度来分析质量评价体系,获取以影响因素为条件,以评价分析为结论的关联规则来解决目前教学质量评价中的不合理性,使教学质量评价公平、公正、合理、高效,并给教学管理人员提供决策分析资料。     

数字水印系统性能评价研究的现状与展望

为了促进数字水印技术的发展,指出了对于数字水印系统性能评价研究的重要性.介绍了国内外数字水印系统性能评价研究现状,包括鲁棒性评价、保真度评价、容量评价、防利用性能评价和可靠性评价5个方面以及基准测试软件的介绍,接着对其中存在的主要问题进行了详细的分析探讨,提出了改进方向,展望了数字水印系统性能评价的前景.研究表明,建立公平统一的数字水印系统性能测试与评价体系对于信息隐藏性能的提高和系统的完善是至关重要的.     

P2P信任模型研究

在Peer-to-Peer网络中,由于节点的异构性、自治性等特点,节点兴趣和评价标准的不同会造成对服务节点的不公平评价,影响P2P网络的服务质量.针对这一问题,提出一种基于节点兴趣差异的P2P信任模型,用于量化和评估推荐的可信程度,根据节点间的兴趣相似性来确定对推荐的采纳程度,访问节点更倾向于相信与自身兴趣相似的推荐节点的评价.给出了推荐信息的放置方法及信任值求解算法.分析及仿真实验表明,该模型可以有效地提高P2P网络的服务质量.     

基于Hadoop-Mahout的分布式课程推荐算法

针对MOOC(Massive Open Online Course)平台上同类及相似课程繁杂,在线学习者不易找到适合自己的课程,而导致学习效率降低,学习效果较差等问题,提出一种IRS课程评价方法,对在线课程进行相关的评价。结合用户偏好及IRS方法改进了机器学习框架Apache-Mahout的协同过滤推荐算法,对在线学习者进行个性化课程推荐。面对MOOC平台上大量的课程信息及学习者信息,基于Hadoop分布式云计算平台,设计了在线课程推荐并行算法。实验结果表明,提出的IRS推荐算法有效且适用于分布式云计算环境,同时验证了该算法在分布式环境下并行计算的高效性。