基于Aglets开发平台的智能采集问题研究

文章论述了在分布式数据采集中使用移动代理技术的必要性，重点研究了网络信息智能采集的有关问题，并基于Aglets开发平台设计实现了网络学习者学习信息采集系统。该系统结构设计合理、功能完善、使用方便，能够高效准确地采集网络学习者的学习信息，很好地完成与分布式数据库的交互。     

基于JADE的学习网络构建系统研究与实现

针对远程教育环境中,学习者分散、缺乏个性化学习指导等问题,构建了一个基于JADE的学习网络与个性化学习系统.系统为每个学习者创建一个JADE代理,用以动态监控学习行为并实现感兴趣资源的共享、推荐和评估,同时基于其他学习者代理对不同资源的感兴趣程度,通过发现相似性、更新信任权值和调整潜在邻居等方法,动态调整学习者之间的信任关系,构建学习网络,为远程学习者提供更准确地学习资源推荐.实验结果表明系统可以非常迅速的将具有相同兴趣的学习者聚合在一起,并很好的满足他们的查询、推荐需求.     

基于语义网的农业学习资源推荐系统研究

为了提高农业学习资源推荐准确性,构建基于语义网的农业学习资源推荐系统模型。该系统综合考虑学习者评价的核心概念和学习资源两个影响学习者相似度的因素,利用核心概念间及学习资源间的语义相似度,算出学习者的相似度,并以此作为学习资源推荐的依据。实验表明该系统不仅能提高农业学习资源推荐的有效准确,而且能解决新学习者由于无访问记录而找不到邻居,无法实现推荐的"冷启动"问题。     

基于本体的智能学习资源分配模型构建

网络学习系统的核心是学习资源的分配和管理。学习资源的分配原则是按照教学策略依据学习者特征和学习资源特征进行匹配,从存储学习资源的信息库中调出所需的学习资源内容进行学习。引入领域本体进行建模,对学习资源进行语义描述,引入本体知识,利用本体描述学习者信息和学习资源信息,建立相关本体模型。主要针对资源的组成部分的显示形式和操作进行描述,支持个性化学习产     

协作学习中基于协同过滤的学习资源推荐研究

符合学习者特征的学习资源对于提高协作学习效率具有重要的影响。但是传统的学习资源推荐,没有充分考虑学习者、学习资源的特征和高效的推荐算法。针对上述问题,提出了基于协同过滤的学习资源推荐算法,根据学习者学习特征、学习资源特征和学习者对学习资源历史评价信息,采用协同过滤推荐算法,实现学习资源推荐。首先,通过学习者特征和学习资源的评分,寻找相似学习者并计算学习资源预测评分,然后根据该评分值和学习资源与学习者匹配度推荐学习资源,从而为学习者推荐符合自己兴趣爱好最合适的学习资源。实验结果表明该算法在个性化学习资源推荐的准确性上优于传统算法。     

基于知识图谱和图嵌入的个性化学习资源推荐

面对海量的在线学习资源,学习者往往面临“信息过载”和“信息迷航”等问题,帮助学习者高效准确地获取适合自己的学习资源来提升学习效果,已成为研究热点.针对现有方法存在的可解释性差、推荐效率和准确度不足等问题,提出了一种基于知识图谱和图嵌入的个性化学习资源推荐方法,它基于在线学习通用本体模型构建在线学习环境知识图谱,利用图嵌入算法对知识图谱进行训练,以优化学习资源推荐中的图计算效率.基于学习者的学习风格特征进行聚类来优化学习者的资源兴趣度,以获得排序后的学习资源推荐结果.实验结果表明,相对于现有方法,所提方法能在大规模图数据场景下显著提升计算效率和个性化学习资源推荐的准确度.     

个性化小学英语学习系统的设计与实现

针对目前资源学习系统缺乏个性化导致小学英语学习者的资源选择迷航问题,构建以个性化资源组织为核心的学习系统。通过纪录用户信息和个性化学习行为,建立小学英语学习者信息模型;以知识点标注的方式描述英语学习资源,建立学习资源库;运用学习偏好算法和学习水平算法计算学习者偏好,采用新型智能推荐技术,向用户推荐个性化的学习资源。通过原型系统运行实例,其结果验证了个性化学习和智能推荐的有效性。     

基于微博的网络学习社区的设计与构建

构建了一个基于微博的网络学习社区,采用.NET技术框架和ASP.NET MVC架构设计模式,使用LINQ技术访问数据库,将学习内容以碎片的形式直观地表达出来,并通过收听和被收听机制形成学习共同体,整合学习资源、学习计划和学习主题的更新、使用和评价等信息,学习者之间以及学习者和引导者之间达到了良好的互动协作效果,对精品课程的网络学习建设具有重要的借鉴意义。     

实用的桌面多元搜索引擎——飓风搜索通

随着网络化学习的迅速发展，如何使学习者更好地利用网络资源来提高学习效率是我们教育工作者所关注的问题之一。搜索引擎是帮助学习获取资源的有效工具。而多元搜索引擎是一种可同时调动多个搜索引擎，对多个独立搜索引擎进行整合、调用、控制和优化利用，从而为学习者呈现丰富而多元的信息的工具。     

领域本体学习资源分配模型设计

领域本体是某领域中信息语义的基本单位，是对领域信息资源进行分类与描述的概念化体系，通过领域本体所定义的严格语义内涵和概念之间的相互关系，可以建立起信息资源在本体层的映射关系。本文介绍了通过引入领域本体，构建智能授导系统中的学习者和学习资源相关本体模型，同时对学习资源进行语义描述，主要针对资源的组成部分的显示形式和操作进行描述。     

Encouraging contributions in learning networks using incentive mechanisms

Abstract We investigate incentive mechanisms to increase active participation in Learning Networks (LNs). The LN under study is LN4LD, an LN for the exchange of information about the IMS Learning Design specification. We examine how to encourage learners in LN4LD to contribute their knowledge, and whether incentive mechanisms can increase the level of active participation. We describe an incentive mechanism based on constructivist principles and Social Exchange Theory, and experimentation using the mechanism designed to increase the level of active participation. The incentive mechanism allows individual learners to gain personal access to additional information through the accumulation of points earned by making contributions. Repeated measurements according to a simple interrupted time series with removal design show that the level of participation was indeed increased by the introduction of the reward system. It can therefore be considered worthwhile to use incentive mechanisms in LNs.     

全卷积语义分割与物体检测网络

目的 目前主流物体检测算法需要预先划定默认框,通过对默认框的筛选剔除得到物体框。为了保证足够的召回率,就必须要预设足够密集和多尺度的默认框,这就导致了图像中各个区域被重复检测,造成了极大的计算浪费。提出一种不需要划定默认框,实现完全端到端深度学习语义分割及物体检测的多任务深度学习模型（FCDN）,使得检测模型能够在保证精度的同时提高检测速度。方法 首先分析了被检测物体数量不可预知是目前主流物体检测算法需要预先划定默认框的原因,由于目前深度学习物体检测算法都是由图像分类模型拓展而来,被检测数量的无法预知导致无法设置检测模型的输出,为了保证召回率,必须要对足够密集和多尺度的默认框进行分类识别;物体检测任务需要物体的类别信息以实现对不同类物体的识别,也需要物体的边界信息以实现对各个物体的区分、定位;语义分割提取了丰富的物体类别信息,可以根据语义分割图识别物体的种类,同时采用语义分割的思想,设计模块提取图像中物体的边界关键点,结合语义分割图和边界关键点分布图,从而完成物体的识别和定位。结果 为了验证基于语义分割思想的物体检测方法的可行性,训练模型并在VOC（visual object classes）2007 test数据集上进行测试,与目前主流物体检测算法进行性能对比,结果表明,利用新模型可以同时实现语义分割和物体检测任务,在训练样本相同的条件下训练后,其物体检测精度优于经典的物体检测模型;在算法的运行速度上,相比于FCN,减少了8 ms,比较接近于YOLO（you only look once）等快速检测算法。结论 本文提出了一种新的物体检测思路,不再以图像分类为检测基础,不需要对预设的密集且多尺度的默认框进行分类识别;实验结果表明充分利用语义分割提取的丰富信息,根据语义分割图和边界关键点完成物体检测的方法是可行的,该方法避免了对图像的重复检测和计算浪费;同时通过减少语义分割预测的像素点数量来提高检测效率,并通过实验验证简化后的语义分割结果仍足够进行物体检测任务。     

基于深度语义信息的查询扩展

随着互联网时代的到来，搜索引擎开始被普遍使用。在针对冷门数据时，由于用户的搜索词范围过小，搜索引擎无法检索出需要的数据，此时查询扩展系统可以有效辅助搜索引擎来提供可靠服务。基于全局文档分析的查询扩展方法，提出结合神经网络模型与包含语义信息的语料的语义相关模型，来更深层地提取词语间的语义信息。这些深层语义信息可以为查询扩展系统提供更加全面有效的特征支持，从而分析词语间的可扩展关系。在近义词林、语言知识库“HowNet”义原标注信息等语义数据中抽取局部可扩展词分布，利用神经网络模型的深度挖掘能力将语料空间中每一个词语的局部可扩展词分布拟合成全局可扩展词分布。在与分别基于语言模型和近义词林的查询扩展方法对比实验中，使用基于语义相关模型的查询扩展方法拥有较高的查询扩展效率；尤其针对冷门搜索数据时，语义相关模型的查全率比对比方法分别提高了11.1个百分点与5.29个百分点。     

基于深度语义信息的查询扩展

随着互联网时代的到来,搜索引擎开始被普遍使用。在针对冷门数据时,由于用户的搜索词范围过小,搜索引擎无法检索出需要的数据,此时查询扩展系统可以有效辅助搜索引擎来提供可靠服务。基于全局文档分析的查询扩展方法,提出结合神经网络模型与包含语义信息的语料的语义相关模型,来更深层地提取词语间的语义信息。这些深层语义信息可以为查询扩展系统提供更加全面有效的特征支持,从而分析词语间的可扩展关系。在近义词林、语言知识库“HowNet”义原标注信息等语义数据中抽取局部可扩展词分布,利用神经网络模型的深度挖掘能力将语料空间中每一个词语的局部可扩展词分布拟合成全局可扩展词分布。在与分别基于语言模型和近义词林的查询扩展方法对比实验中,使用基于语义相关模型的查询扩展方法拥有较高的查询扩展效率;尤其针对冷门搜索数据时,语义相关模型的查全率比对比方法分别提高了11.1个百分点与5.29个百分点。     

基于贝叶斯权函数的模型无关元学习算法

模型无关的元学习(MAML)是一种多任务的元学习算法,能使用不同的模型,并快速地在不同任务之间进行适应,但MAML在训练速度与准确率上还亟待提高.从高斯随机过程的角度出发对MAML的原理进行分析,提出一种基于贝叶斯权函数的模型无关元学习(BW-MAML)算法,该权函数利用贝叶斯分析设计并用于损失的加权.训练过程中,BW...     

Perception granular computing in visual haze-free task

In the past decade, granular computing (GrC) has been an active topic of research in machine learning and computer vision. However, the granularity division is itself an open and complex problem. Deep learning, at the same time, has been proposed by Geoffrey Hinton, which simulates the hierarchical structure of human brain, processes data from lower level to higher level and gradually composes more and more semantic concepts. The information similarity, proximity and functionality constitute the key points in the original insight of granular computing proposed by Zadeh. Many GrC researches are based on the equivalence relation or the more general tolerance relation, either of which can be described by some distance functions. The information similarity and proximity depended on the samples distribution can be easily described by the fuzzy logic. From this point of view, GrC can be considered as a set of fuzzy logical formulas, which is geometrically defined as a layered framework in a multi-scale granular system. The necessity of such kind multi-scale layered granular system can be supported by the columnar organization of the neocortex. So the granular system proposed in this paper can be viewed as a new explanation of deep learning that simulates the hierarchical structure of human brain. In view of this, a novel learning approach, which combines fuzzy logical designing with machine learning, is proposed in this paper to construct a GrC system to explore a novel direction for deep learning. Unlike those previous works on the theoretical framework of GrC, our granular system is abstracted from brain science and information science, so it can be used to guide the research of image processing and pattern recognition. Finally, we take the task of haze-free as an example to demonstrate that our multi-scale GrC has high ability to increase the texture information entropy and improve the effect of haze-removing.     

自然语言信息抽取中的机器学习方法研究

信息抽取是一种用于处理各种类型文本文档的非常有效的方法,然而建立一个文本信息抽取系统却是非常困难和耗费时间的。近年来,基于统计的机器学习方法在信息抽取领域的研究受到了广泛关注。本文深入探讨了当前自然语言信息抽取领域广泛采用的几种非常有效的统计学习方法,比较分析了各种方法的统计推断过程和学习算法及其优缺点,讨论了各种统计学习方法所面临的训练语料匮乏问题的主要解决方法,并指出了今后进一步研究的方向。     

结合多尺度特征与掩码图网络的小样本学习

对样本所含信息的提取能力决定网络模型进行小样本分类的效果,为了进一步提高模型挖掘信息的能力,提出一种结合多尺度特征与掩码图网络的小样本学习方法。设计由1×1卷积、全局平均池化和跳跃连接组成的最小残差神经网络块,与卷积块拼接成特征提取器,以提取样本不同尺度的特征,并通过注意力机制将不同尺度特征融合;使用融合的多尺度特征构建包含结点与边特征的图神经网络,并在其中加入一个元学习器（meta-learner）用于生成边的掩码,通过筛选边特征来指导图结点聚类与更新,进一步强化样本特征;通过特征贡献度和互斥损失改进类在嵌入空间表达特征的求解过程,提升模型度量学习能力。在MiniImagenet数据集上,该方法1-shot准确率为61.4%,5-shot准确率为78.6%,分别超过传统度量学习方法12.0个百分点与10.4个百分点;在Cifar-100数据集上分别提升9.7个百分点和6.0个百分点。该方法有效提升了小样本学习场景下的模型分类准确率。     

关键点图对比图像分类方法

深度学习是目前图像分类的主流方法之一,其重视感受野内的局部信息,却忽略了类别的先验拓扑结构信息。本文提出了一种新的图像分类方法,即Key-D-Graph,这是基于关键点的图对比网络方法,在识别图像类别时可以显式地考虑拓扑先验结构。具体地,图像分类需要2个步骤,第一步是基于关键点构建图像的图表达,即采用深度学习方法识别图像中目标类别的可能关键点,并采用关键点坐标生成图像的拓扑图表达;第二步基于关键点的图像图表达建立图对比网络,以估计待识别图与目标类别之间的结构差异,实现类别判断,该步骤利用了物体的拓扑先验结构信息,实现了基于图像全局结构信息的物体识别。特别的,Key-D-Graph的中间输出结果为类别关键点,具有语义可解释性,便于在实际应用中对算法逐步分析调试。实验结果表明,提出的方法可在效率和精度上超过主流方法,且通过消融实验分析验证了拓扑结构在分类中的作用机制和有效性。     

Vector quantization using information theoretic concepts

The process of representing a large data set with a smaller number of vectors in the best possible way, also known as vector quantization, has been intensively studied in the recent years. Very efficient algorithms like the Kohonen self-organizing map (SOM) and the Linde Buzo Gray (LBG) algorithm have been devised. In this paper a physical approach to the problem is taken, and it is shown that by considering the processing elements as points moving in a potential field an algorithm equally efficient as the before mentioned can be derived. Unlike SOM and LBG this algorithm has a clear physical interpretation and relies on minimization of a well defined cost function. It is also shown how the potential field approach can be linked to information theory by use of the Parzen density estimator. In the light of information theory it becomes clear that minimizing the free energy of the system is in fact equivalent to minimizing a divergence measure between the distribution of the data and the distribution of the processing elements, hence, the algorithm can be seen as a density matching method.