基于学生知识追踪的多指标习题推荐算法

个性化习题推荐是教育信息化时代的重要课题，传统的习题推荐算法忽略了学生在学习过程中的遗忘规律，未能充分挖掘学生的知识掌握水平和相似学生的共性特征，推荐习题的评价指标单一，推荐习题的新颖度和多样性不足，不能合理地促进学生对新知识的学习或帮助学生查缺补漏。针对上述缺陷，提出一种基于学生知识追踪的多指标习题推荐方法，该方法分为习题初筛和再过滤两个模块，围绕习题推荐的新颖度、难度以及多样性 3 个指标展开研究，首先构造了一个结合学生遗忘规律的知识概率预测（student forgetting behavior based knowledge concept coverage prediction，SF-KCCP）模型，保证推荐习题的新颖性；接着基于动态键值的知识追踪（dynamic key-value memory networks for knowledge tracing，DKVMN）模型精准挖掘学生的知识概念掌握水平，以保证推荐合适难度的习题；最后将基于用户的协同过滤（user-based collaborative filtering，UserCF）算法融入再过滤模块，利用学生群体之间的相似性实现推荐结果的多样性。通过大量的实验证明，所提方法比一些现有的基线模型取得了更好的性能。     

2D/3D多模态医学图像配准算法研究

2D/3D多模态配准在医学影像导航手术中起着重要作用,主要用于提供术前三维图像和术中二维图像的实时信息,帮助医生精准定位病灶,规划手术路径,从而提高手术的安全性和效率。提出了一种2D/3D多模态医学图像配准算法,首先利用Swin Transformer优秀的特征提取能力,构建了初始姿态估计模型,实现姿态参数的快速预测;接着,为了提升整个配准方法的鲁棒性,引入基于Grangeat关系的粗配准方法;最后设计了基于梯度下降的精配准模块,以提升整个配准过程的精确性,且在该模块将Sobel微分算子与归一化互相关结合,提升了参数优化过程中的灵敏度。实验结果表明,所提配准方法在正位和侧位配准中的误差满足配准要求,配准成功率有显著提升。