以学为中心的混合式教学方式实施与评价——以数据结构与算法课程为例

分析数据结构与算法课程的教学现状,提出一种以学为中心的混合式教学方式,介绍该方式的设计、实施过程及评价方式,最后说明教学效果。     

铸牢网络空间中华民族共同体意识的知识图谱实践探索

构建社会主义核心价值观垂直领域知识图谱,铸牢网络空间的中华民族共同意识,实现思想政治教育、计算机学科、新兴交叉学科多学科融合。知识图谱构建包括知识建模,知识抽取、知识融合、知识存储四部分。。构建完成的知识图谱有助于增强网络空间中华民族共同体意识传播的智力支持,丰富网络传播内涵,提升中华民族的凝聚力和向心力。     

利用源域结构的粒迁移学习及词性标注应用

迁移学习在一定程度上减轻了目标域的数据稀疏问题对泛化能力的影响,然而泛化能力的提高仍然受到负迁移等问题的影响。为了解决负迁移问题,该文提出使用源域结构的文本语料的信息粒化方法,用区间信息粒表示出源域数据集的结构对数据集中统计量的影响。然后提出区间二型模糊隐马尔可夫模型(Interval Type-2 fuzzy Hidden Markov Model, IHMM) 以处理区间信息粒。给出了IHMM的构建方法和去模糊化方法。在文本的词性标注任务中进行了多个实验,可以证实利用源域结构信息的粒迁移学习方法避免了负迁移,提高了模型的泛化能力。     

基于异构多种群的一种改进遗传算法

针对简单遗传算法存在的问题，基于提高遗传算法搜索效率和收敛性，提出了一种基于异构多个种群的改进的遗传算法IMGA。该算法首先利用多个异构子种群并行进化的结果初步确定较好解，进化到一定时间后，把得到的优质解按照新的变异算子进一步寻找最优解。仿真结果验证了算法的良好性能。     

基于CNN的方面级跨领域情感分析研究

近年来,方面级情感分析吸引了越来越多学者的关注,但方面级跨领域情感分析存在没有标注数据,难以获得好的分类结果的问题。将上下文特征与方面特征进行融合,构建基于卷积神经网络和门控单元的情感分类模型,并利用少量目标领域数据集对模型进行微调来实现迁移学习,再用迁移学习后的模型对目标领域的数据进行方面级情感分析,有效解决了训练样本不足、准确率低的问题。人工标注了适用于方面级跨领域情感分析的中、英文语料,所提出的方法在中文数据集最优的F1值达到92.19%,英文数据集最优的F1值达到了86.18%,实验结果表明基于卷积神经网络的方面级跨领域情感分析方法有效提高了目标领域的情感分类准确性。     

Stiefel流形上沿测地线搜索的自适应主(子)分量分析对偶学习算法

神经网络在线提取子分量并不成功。基于Oja-Brockett-Xu并行神经网络拓扑结构,通过紧致Stiefel流形上加权Rayleigh商目标函数的优化框架,提出一个通过改变搜索方向并行提取主分量和子分量的自适应对偶学习算法。在正交矩阵群上采用基于右平移不变的Killing度量,通过在单位元处基于指数映射的测地线搜索,得到Stiefel流形上主(子)分量分析的对偶学习算法,提出的算法通过简单的变换步长参数符号,从主分量分析切换至子分量分析,权值矩阵在任意迭代时刻保持正交归一性。数值仿真验证了该算法的有效性。     

具有自识别能力的遗传算法求解旅行商问题

为解决基本遗传算法求解旅行商(TSP)问题收敛速度慢、种群过早成熟和局部搜索能力差的问题,提出了一种具有自识别能力的遗传算法。算法的主要改进手段是,通过双向贪婪算法来构建初始种群,以提高寻找到最优解的速度;建立个体之间相似度的概念,用自识别交叉算子进行交叉操作,避免种群过早成熟。实验结果表明,与基本遗传算法相比,该算法很好地保持了群体的多样性,并具有较好的收敛速度。仿真结果验证了算法的良好性能。     

基于智能推荐的电子商城购物系统设计

为提高网络购物的个性化体验,设计和实现了一个基于智能推荐的电子商城购物系统.为达到用户网页浏览行为的分析与预测,推荐算法结合了基于用户和基于项的协同过滤算法,系统构建用户具有偏序结构的关键浏览路径层次图.数据分析结果表明,改进后的推荐算法有助于提升推荐系统的性能,从而满足用户个性化需求.     

多头注意力与字词融合的中文命名实体识别

命名实体识别（named entity recognition,NER）是自然语言处理中重要的基础任务,而中文命名实体识别（Chinese named entity recognition,CNER）因分词歧义和一词多义等问题使其尤显困难。针对这些问题,提出多头注意力机制（multi-heads attention mechanism,Multi-Attention）与字词融合的中文命名实体识别模型（CWA-CNER）。将汉语文本字向量与其在句中可能成词的词向量进行拼接,并将其送入长短时记忆网络（bidirectional long short-term memory neural network,BiLSTM）提取上下文语义信息,进而利用多头注意力机制捕获句中元素间联系的紧密程度,最后通过条件随机场（conditional random field,CRF）进行实体标注。该模型在Boson数据集,1998和2014年《人民日报》三种语料上进行实验,其F1值均达到90%以上,结果表明了模型的有效性。     

基于胶囊网络的方面级跨领域情感分析

在跨领域情感分析任务中,目标领域带标签样本严重不足,并且不同领域间的特征分布差异较大,特征所表达的情感极性也有很大差别,这些问题都导致了分类准确率较低。针对以上问题,提出一种基于胶囊网络的方面级跨领域情感分析方法。首先,通过BERT预训练模型获取文本的特征表示;其次,针对细粒度的方面级情感特征,采用循环神经网络（RNN）将上下文特征与方面特征进行融合;然后,使用胶囊网络配合动态路由来区分重叠特征,并构建基于胶囊网络的情感分类模型;最后,利用目标领域的少量数据对模型进行微调来实现跨领域迁移学习。所提方法在中文数据集上的最优的F1值达到95.7%,英文数据集上的最优的F1值达到了91.8%,有效解决了训练样本不足造成的准确率低的问题。