基于深度学习的短视频智能推荐算法技术

采用目前方法对短视频进行智能推荐时,没有对用户的长短期喜好分别进行考虑,导致点击率和推荐准确率低、综合推荐效果差的问题。提出基于深度学习的短视频智能推荐算法技术,首先提取目标短视频的场景特征和行为特征,从而得到联合特征,然后采用深度学习分别对用户的长短期喜好进行建模分析,最后结合目标短视频的联合特征和用户短视频喜好特征计算相似度和喜好度,选取喜好度最高的若干短视频构成推荐列表,完成短视频的智能推荐。实验结果表明,所提方法具有更高的点击率、推荐准确率和更好的综合推荐效果。     

基于SPOC的混合式学习的学习分析与应用

在自主开发的个性化教学平台基础上,探索了课堂教学与网络MOOC教学相融合的混合学习模式.根据学习分析结果,有针对性地对学生的学习过程进行干预,并发现教学中的问题,进而不断改善混合学习的教学设计与实施.研究表明, 从群体的行为数据均值考虑,学生的在线学习表现和学生成绩是正相关的,网上MOOC学习对学习效果的提升有较大促进作用.     

基于深度学习的混合兴趣点推荐算法

针对现有兴趣点推荐的初始化和忽视评论信息语义上下文信息的问题,将深度学习融入推荐系统中已经成为兴趣点推荐研究的热点之一。该文提出一种基于深度学习的混合兴趣点推荐模型(MFM-HNN)。该模型基于神经网络融合评论信息与用户签到信息来提高兴趣点推荐的性能。具体地,利用卷积神经网络学习评论信息的特征表示,利用降噪自动编码对用户签到信息进行初始化。进而,基于扩展的矩阵分解模型融合评论信息特征和用户签到信息的初始值进行兴趣点推荐。在真实签到数据集上进行实验,结果表明所提MFM-HNN模型相比其他先进的兴趣点推荐具有更好的推荐性能。     

云计算环境下的学习资源个性化推荐技术研究

针对学习资源的个性化推荐,提出了一种基于用户影响关系的协同过滤推荐方法,使用传统协同过滤推荐采用的用户项目评分信息,通过挖掘用户时序交互评论和回复行为数据发现用户之间的相互影响关系,从而优化用户兴趣矩阵,在此基础上改善基于用户的协同过滤方法进行推荐。在数据集上的实验结果表明,通过利用用户之间时序交互行为数据,挖掘隐藏的用户影响关系信息可以有效提高预测的准确度。     

一种基于多任务学习的科学文献推荐算法

传统推荐算法通过主题模型或者词语向量化的平均值对文本内容进行映射。针对现有方法不能充分利用文本信息或忽略词序信息这一问题,文中面向科学文献,提出了一种多任务学习推荐方法。该方法基于多任务学习框架,设计编码器并搭建了GL模型。该模型被训练为内容推荐与文本元数据预测的组合,可改善传统协同过滤的稀疏性问题,使得协同过滤模型正则化。最后,分别在公开数据集与私有数据集上进行了评估测试,结果表明所提方法性能优于现有的经典方法。     

基于SpringBoot的在线学习系统与用户画像构建

传统的学习方式存在着时间和空间的限制,随着数字化学习时代的到来与疫情的影响,通过数字化学习平台进行线上学习已越来越普遍。在线学习运用计算机网络所特有的信息数据库管理技术和双向交互功能,对每个网络学员的资料、学习过程和阶段情况等实现系统跟踪记录,且针对不同学习者提出个性化学习建议。文章利用SpringBoot与Vue框架完成对学习系统的构建,使用MySQL数据库对系统数据和用户数据进行存储,并且通过分类算法为用户推荐更加符合用户兴趣爱好的学习课程,同时为学习者进行相关的内容推荐。该方法和所构建的系统能够使学习者的学习方式有所改变,可以广泛应用于在线教育领域。     

基于深度学习的工业车辆驾驶行为识别

文章提出一种基于深度学习的工业车辆驾驶行为识别的方法。该方法对工业车辆在实际工厂环境中行驶的特点进行分析,将三轴加速度传感器和三轴角速度传感器采集到的数据进行预处理,根据处理结果将数据送入深度神经网络训练,完成对工业车辆驾驶行为的识别。系统先对样本数据使用数据插值、标准化处理等方法进行预处理,通过数据增强算法减少过拟合的影响,再基于长短期记忆网络(LSTM)处理时间序列数据,构建出CNN+LSTM的深度网络模型,用于驾驶行为的识别。测试结果表明,所提模型识别整体准确率可达96.51%,能够准确地识别出工业车辆行驶的状态。     

基于深度学习的医疗辅助诊断数据分析方法

针对海量医疗诊断数据缺乏高效且准确的分析方法,文中提出了一种基于深度学习的医疗辅助诊断数据处理方法.该方法对医疗诊断数据进行预处理,包括归一化处理与主成分分析,以得到医疗数据特征;利用部署多层感知器的神经网络分析已完成预处理的数据,从而实现诊断分类,为医生提供智能化的辅助诊断;基于Python软件平台对所提方法展开实验...     

基于自编码器与多模态数据融合的视频推荐方法

现今常用的线性结构视频推荐方法存在推荐结果非个性化、精度低等问题,故开发高精度的个性化视频推荐方法迫在眉睫。提出了一种基于自编码器与多模态数据融合的视频推荐方法,对文本和视觉两种数据模态进行视频推荐。具体来说,所提方法首先使用词袋和TF-IDF方法描述文本数据,然后将所得特征与从视觉数据中提取的深层卷积描述符进行融合,使每个视频文档都获得一个多模态描述符,并利用自编码器构造低维稀疏表示。本文使用3个真实数据集对所提模型进行了实验,结果表明,与单模态推荐方法相比,所提方法推荐性能明显提升,且所提视频推荐方法的性能优于基准方法。     

浅析移动学习平台现状及应对策略——以大学生学习平台为例

2020年新冠肺炎疫情暴发,全国学生无法开学,网上学习成为学生们学习的主要形式。重点研究了现代移动学习平台发挥的作用,对大学生使用移动学习平台使用现状及存在的问题进行了探索,并提出了移动学习平台的发展前景。     

神经网络中将任务学习与模型学习相结合的E-H和E-H-W学习方法

本文从获取好的神经网络泛化能力出发,首先提出了将Hebbian学习与增加问题复杂性统一起来的思想,并通过在总的误差函数中增加一限制函数来实现Hebbian学习.基于此,提出了一种将误差驱动的任务学习与Hebbian规则的模型学习相结合的E-H方法.然后,根据模型学习应同时考虑减小网络复杂性和增加问题复杂性的思想,又提出了一种将误差驱动的学习与Hebbian规则、简单的权退化法结合起来,共同来提高神经网络的泛化能力的E-H-W方法.最后通过大量实例仿真将它们与纯误差驱动的方法、权退化法、其它文献中的相关方法进行了比较.结果表明我们的方法具有最好的泛化能力,是很有效的神经网络学习方法.     

移动学习正在成为一种新的学习革命

<正>移动学习是移动通信与数字化学习的结合。移动学习在数字化学习的基础上,通过有效结合移动通信技术,给学习者带来了随时随地学习的全新感受。移动学习是利用各种移动智能终端实现的数字化学习,具有供学习者随时随地获取的学习资源,强大的搜索能力,丰富的交互性,对有效学习的强力支持和基于绩效的评价等特点。移动学习所使用的移动智能终端能有效地呈现学习内容,提供教师与学习者之间的双向交流。移动学习除了具有数字化学习的所有特征之外,还有其独一无二的移动性特征,使学习者能突破     

Mobile Learning

Works in progress from selected papers presented at the 2006 IADIS International Conference on Mobile Learning provide an overview of the diverse research being conducted in this field.     

基于深度学习的学习行为感知研究

文中探讨了如何利用深度学习技术解决在线教育中的学生情绪识别问题，首先介绍了卷积神经网络的结构和训练过程，然后介绍了AffectNet数据集的特点，接着详细描述了CNN在人脸识别和情绪识别中的应用，以及模型训练和评估方法。实验结果表明，在使用AffectNet数据集进行情绪识别的实验中，CNN模型可以实现较高的准确率、精确率、召回率和F1分数，达到了预期的效果，有望应用于智能教育领域，以提高课堂教学效果。     

精确学习模型下确定的有穷自动机的学习

利用多态自动机和有穷自动机的关系，根据多态自动机的学习算法，给出了EXACT学习模型下，确定的有穷自动机的学习算法，并对算法复杂度做了分析，说明确定的有穷自动机在EXACT模型下可以在多项式时间内进行学习。这样就可以用软件来模拟确定的有穷自动机的学习。     

Learning to see

The mind cannot make sense of the visual world out of raw image data alone. In an approach to visual processing known as learning from examples, computational neural networks and physiological studies suggest how neurons and machines adapt to novel images on the basis of past experience     

Learning new skills

Issues surrounding the retraining of engineers are examined. Some available programs are described. Guidelines for engineers considering retraining are given     

Ubiquitous Learning Environment: Smart Learning Platform with Multi-Agent Architecture

Ubiquitous learning (u-learning) has become popular nowadays in education area. The key factor of u-leaning is that the learners are situated in a context-aware learning environment and they may not even be conscious of the learning process. This paper aims to develop the ubiquitous learning environment (ULE) being able to provide the content to the learners appropriately and adaptively. The developed ULE consists of several leaning objects (LOs) having the multi-agent architecture to achieve adaptability. Each LO consists of three different agents coordinating together including a personal agent for keeping the users’ profiles and their historic actions, a content agent for selecting LO to the learners, and a representation agent for presenting the content to the learners. Two empirical studies are conducted in this paper including architecture and learning mode empirical study. For both empirical studies, the learning efficiency enhancement and students’ satisfaction in terms of functionality and adaptability are evaluated. The results show that the developed ULE with multi agent architecture can enhance the students’ learning efficiency significantly for both individual and collaborative learning modes. Additionally, the students satisfy their learning through the developed ULE in the “satisfied” level in terms of functionality and adaptability for both empirical studies.