基于情境感知工具辅助碎片化学习行为的研究

碎片化学习难以集中记录,存在无法迅速定位到自己需要的学习内容等用户体验问题.传统方法不能采集真实情境下的用户数据,无法满足研究人员的研究需求.基于此,开发一种基于用户行为的捕捉工具——CAUX(Context-Aware User Experience,CAUX),设计了具有情境感知能力的数据采集模块,自动捕捉指定App内的用户行为数据.CAUX对用户干扰性低,可以辅助研究人员捕捉典型的碎片化学习行为.对利用CAUX采集到的数据进行处理,并结合人工方法进行分析,可以发现不同情境下的用户行为和用户体验问题.     

基于NR-Transformer的集群作业运行时间预测

高性能集群的作业调度通常使用作业调度系统来实现，准确填写作业运行时间能在很大程度上提升作业调度效率。现有的研究通常使用机器学习的预测方式，在预测精度和实用性上还存在一定的提升空间。为了进一步提高集群作业运行时间预测的准确率，考虑先对集群作业日志进行聚类，将作业类别信息添加到作业特征中，再使用基于注意力机制的NR-Transformer网络对作业日志数据建模和预测。在数据处理上，根据与预测目标的相关性、特征的完整性和数据的有效性，从历史日志数据集中筛选出7维特征，并按作业运行时间的长度将其划分为多个作业集，再对各作业集分别进行训练和预测。实验结果表明，相比于传统机器学习和BP神经网络，时序神经网络结构有更好的预测性能，其中NR-Transformer在各作业集上都有较好的性能。     

运动曲线在手机App动效中的应用

手机App设计中,交互动效的使用越来越广泛。在动效设计中需要同时兼顾产品层级表达和用户体验需求,考虑用户感受与操作反馈。运动曲线的使用有助于UI设计师正确地完成动效设计。本文对App动效的重要元素即运动曲线进行了分析,并详细介绍了标准运动曲线在实现缓入缓出中的作用,最后给出了AE(AdobeAfterEffects)运动曲线的设计方法。     

基于先验知识的文本实体识别方法

阐述文本实体识别作为医疗相关人工智能应用的关键中间任务，其效果直接决定下游任务表现上限，然而传统方法中通常忽略医学知识的应用，很难取得良好表现。提出一种基于RoBERTa与CRF并融合医学知识的医学文本实体识别方法，将医学知识作为先验引入到CRF最优路径搜索环节，极大程度地提升了标签转换的连贯性，并在相关数据集主指标上取得了改善。     

基于慕课堂数据的学生学习行为分析

本文结合慕课堂线上学习数据与线下考试成绩,研究学生在线学习的行为表现与学习效果之间的关联性,所获得的信息能够体现出不同学生群体的特点以及不同学习维度的作用,从而提醒教师适时调整教学策略,持续改进,有助于教师改进教学方法,提高教学质量.     

福特制在科学技术史上的体制变革与工业效应

本文将以福特制为主线,探索人类在社会生产实践中运用科学知识和管理知识对社会生产力的改革,梳理工业革命下美国大规模生产的时代进程,从多个角度剖析福特制生产管理模式的历史意义.福特制生产管理模式产生的联动效应改变了世界,是整个人类科学技术史上的福音,并引导着人类思维方式和生活方式的转变,进而也影响社会的方方面面,同时带动其他一些相关产业的发展,对我们的现在与未来具有重要的历史借鉴意义.     

Chapter 1 时计简史

在研究学习一门专业知识之前,如果能先对其有个整体、结构性的认识,就可以以此为基础逐步深入了解,收到事半功倍之效。诚所谓"历史可以断经纬",因此在本书的第一章,希望读者利用简短的钟表发展历史作为研习钟表知识的基础,再结合本书数量庞大的钟表专业名词以及详尽解释,跟着我们一起进入钟表殿堂。本章分为两个小节,先从16世纪初的怀表历史展开,接着来到20世纪初期,即第二节的腕表历史,两小节串接起长达将近五百年的时间轴线,让我们循着时间线,欣赏各种时计如何承载着时间,遨游于传统和现代,并展现机械与艺术的美感。     

基于用户体验的压路机操纵手柄交互品质研究

目的以压路机操纵手柄为对象,探讨交互品质研究方法,改进用户体验。方法对交互品质进行解析,由用户体验与交互品质的关联性,提出基于用户体验的交互品质研究方法;面向压路机操纵手柄典型任务进行用户体验研究,梳理压路机手柄的操作流程,并对交互行为进行聚类分析,结合语义分析构建用户体验词库,运用半结构式访谈与问卷调查,以定量与定性方法相结合对驾驶员的操纵体验进行调研;以专家研讨的形式进行驾驶员的操纵体验向交互特征的映射,构建交互特征集,进而对操纵手柄的交互品质进行分析与阐释。结果得出了压路机操纵手柄的交互特征与交互品质。结论通过用户体验可以映射交互特征,得到了交互品质,对于从交互品质的角度指导交互设计提供了借鉴。     

KSN:一种基于知识图谱和相似度网络的Web服务发现模型

服务发现旨在解决服务信息爆炸的问题,找到定位满足服务请求者需求的服务.由于服务描述信息主要由带有噪声的短文本组成,并且具有语义稀疏的特征,因此很难提取服务描述文档的隐含上下文信息,此外,传统的服务发现方法在获取服务的特征表示后,直接进行相似度计算,其使用的度量函数是不符合人类感知的.针对上述两个问题,文中提出了一种基于知识图谱和神经相似网络的服务发现框架(KSN).它使用知识图谱来连接服务描述和规格中的实体以获得丰富的外部信息,从而增强服务描述的语义信息,使用卷积神经网络(Convolutional Neural Network,CNN)提取服务的特征向量,并将其作为神经相似网络的输入,神经相似网络会学习一个相似度函数,用于计算服务和请求之间的相似度以支持服务发现过程.通过对ProgrammableWeb爬取的真实服务数据集的大量实验结果表明,就多种评估指标而言,KSN优于现有的Web服务发现方法.