提高制图课程教学质量探讨

教学质量的高低直接影响到学生掌握知识的能力,影响学生的学习质量,本文从发挥学生的积极性、采用直观的教学手段、精心安排作业、教书育人四个方面探讨如何提高制图教学质量。     

我国商业银行利率风险分析

在利率市场化改革过程中,商业银行面临多种风险.文章分析了我国商业银行需面对的与利率波动有关的重新定价风险、基准风险、收益率曲线风险和期权性风险,并就这些风险的防范提出了对策建议.     

一种基于概率分布的投标报价方法

投标报价不准确是投标失败的主要原因。旨在介绍一种新的、适用的投标报价方法,以克服报价不准确的缺陷。文章利用历史资料,分析了报价比的概率分布规律,找出报价比的概率分布函数,建立报价与成本间的回归模型和投标人中标项目的期望利润模型,最后建立项目的投标报价模型。     

对提高信息技术课堂效率的一些探讨

21 世纪是信息时代,科技进步日新月异。信息技术学科的教学目标就提到要提高学生的信息素养,为未来的 科技进步培养人才。当前很多中学的信息技术课是每周一节课,课时量少,学生不重视,信息技术教师积极性受到打击,信息 技术课堂效率低下。如何提高信息课堂效率,让学生学有所获是一线信息技术教师的常规课题。     

儿童食品包装设计的安全性、趣味性与人性化

安全性、趣味性以及人性化是儿童食品包装设计达成其满足市场和消费者需要目标必须注意的方面。然而,目前的儿童食品包装设计依然存在缺乏儿童视角、过度追逐利润忽视安全性、不能正确处理趣味性和安全性之间的关系等阻碍这些价值实现的问题,有必要通过强调用户体验、将安全性置于首位,以及在确保安全的基础上实现趣味性等途径,以保证儿童食品包装设计相应价值的实现。     

基于内容的推荐与协同过滤融合的新闻推荐方法

针对基于内容的新闻推荐方法中用户兴趣多样性的缺乏问题和混合推荐方法存在的冷启动问题,提出一种基于内容与协同过滤融合的方法进行新闻推荐。首先利用基于内容的方法发现用户既有兴趣;再用内容与行为的混合相似度模式,寻找目标用户的相似用户群,预测用户对特征词的兴趣度,发现用户潜在兴趣;然后将用户既有兴趣与潜在兴趣融合,得到兼具个性化和多样性的用户兴趣模型;最后将候选新闻与融合模型进行相似度计算,形成推荐列表。实验结果显示,与基于内容的推荐方法相比,所提方法的F-measure和整体多样性Diversity均有明显提高;与混合推荐方法相比,性能相当,但候选新闻无需耗时积累足够的用户点击量,不存在冷启动问题。     

基于尺度自适应局部时空特征的足球比赛视频中的多运动员行为表示

为提高足球比赛视频中的多运动员行为识别的准确率,提出一种基于尺度自适应局部时空特征的足球比赛视频中的多运动员行为表示方法,利用时空兴趣点来表示足球比赛视频中的多运动员行为。首先将足球比赛视频序列中的多运动员行为看作是三维空间中的时空兴趣点的集合,然后采用直方图量化技术将时空兴趣点集合量化为维数固定的直方图（即时空单词）,最后采用K-means聚类算法生成时空码本。在聚类生成码本之前,对每个时空兴趣点都进行了归一化,以保证其缩放和平移不变性。实验结果表明,该方法能够大大减少足球比赛视频中的多运动员行为识别算法的计算量,显著提高识别的准确率。     

情感分析在电影推荐系统中的应用

基于用户的协同过滤推荐算法是通过分析用户行为寻找相似用户的集合,其核心是用户兴趣模型的建立以及用户间相似度的计算。传统的用户推荐算法是根据用户评分或者物品信息等行为数据进行个性化推荐,准确率比较低。充分考虑在线评论对于用户之间兴趣相似度的作用,通过对评论的情感分析,构建准确的用户兴趣模型,若用户在评论中表现出来的相似度越高,则表示用户之间的兴趣越相似。实验表明,和传统的基于用户的协同过滤推荐算法相比,基于评论情感分析的协同过滤推荐算法,无论准确率还是召回率都有明显提高。     

基于主题的Web文本聚类方法

在推荐系统中,为了在一定程度上减少用户评分数据稀疏对推荐效果的负面影响,提出了一种基于用户共同评分项目数和用户兴趣的协同过滤推荐算法。此算法将用户共同评分项目数和用户兴趣相似度相结合,使用户之间的相似度计算更加准确,为目标用户提供更好的推荐结果。仿真实验结果表明:所提算法比基于Pearson相似度计算方法的算法推荐效果更优,具有更小的平均绝对误差(MAE),表明了其有效性和可行性。     

结合信任的推荐系统的性质

结合信任的推荐系统可以有效地缓解传统协同过滤算法中存在的数据稀疏问题,并能给每个用户提供可信且准确的推荐。然而系统中的每个用户都是不同的,因此考虑针对不同用户应采用不同推荐模式来查找推荐群体,以做出更具个性化的推荐。研究了微观层次上的节点特性,引入了兴趣的概念,证明了被推荐者的多种节点特性对于推荐结果的影响效果。最后通过多组实验验证了推荐系统在具有不同特性的节点上的推荐效果差异。