软件工程一体化教学模式探讨与实践

软件工程是计算机科学与技术专业的一门专业核心课程,在分析该门课程传统教学过程中存在问题的基础上,提出一种集成"项目驱动+范型对照+案例复现+团队实践"的一体化教学模式。教学实践表明,该模式的实施已取得良好的效果。     

通用习题库中题目数据结构设计与题库设计语言的开发

习题库题目数据结构与题库设计语言是习题库设计的核心.题库数据结构与题库设计语言部分采用了标准的编译器模式,按照成熟的编译器原理解决传统的关系型数据库无法解决的数据存取编辑问题.并且创造性地将自定义的文法与国际通行的xml语言结合,增强了题型的可扩展性.本文研究的内容包括:题库设计语言文法的设计,自预向下的验证算法,自底向上的解析算法;与XML语言的同步函数.研究的难点包括文法的设计、First与Follow函数的编程及解析表的生成.     

通用习题库中题目数据结构设计与题库设计语言的开发

习题库题目数据结构与题库设计语言是习题库设计的核心。题库数据结构与题库设计语言部分采用了标准的编译器模式,按照成熟的编译器原理解决传统的关系型数据库无法解决的数据存取编辑问题。并且创造性地将自定义的文法与国际通行的xml语言结合,增强了题型的可扩展性。本文研究的内容包括：题库设计语言文法的设计,自顶向下的验证算法,自底向上的解析算法;与XML语言的同步函数。研究的难点包括文法的设计、First与Follow函数的编程及解析表的生成。     

用户行为序列个性化推荐研究综述

作为缓解信息过载的一种重要方式,推荐系统可以帮助用户从海量信息中快速找到有价值的信息,其应用也越来越广泛．用户行为序列个性化推荐,又简称为序列推荐,主要根据用户与物品交互行为对用户特征进行建模,进而使用不同方法捕捉用户的长期偏好和短期偏好,向用户推荐其可能感兴趣的物品．本文从用户偏好会随时间变化的视角出发,分为用户长期偏好、短期偏好和长短期偏好3个方面,重点探讨了现有用户行为序列个性化推荐研究取得的主要进展;分析了当前用户行为序列个性化推荐研究中存在的冷启动、数据稀疏和噪声干扰等主要问题,并进一步展望了该领域未来主要研究方向．     

图自编码器推荐研究综述

图自编码器GAE是一种源自图神经网络的学习框架,在编码器中引入聚合邻域节点的思想,解码器对图结构数据进行解码,重构图结构数据;在模型中引入监督模块,可以提高图结构数据在模型中的嵌入完整性和数据生成的准确性;编解码可以采用不同的神经网络,从而利用不同神经网络的优点。近年来GAE推荐逐渐成为推荐系统研究的热点。从无监督学习与半监督学习方面分析了已有GAE推荐研究取得的进展;探讨了已有GAE推荐模型存在用户冷启动问题、可解释性差、模型复杂度高和难以处理数据的多源异构性等方面的问题;并从跨领域推荐,结合传统推荐方法,引入注意力机制,融合各类场景等研究方向对未来GAE推荐进行展望。     

图神经网络推荐研究进展

图神经网络(graph neural network, GNN)具有从图的领域对数据进行特征提取和表示的优势,近年来成为人工智能研究的热点,图神经网络推荐也是推荐系统研究的一个新方向。本文对GNN模型进行深入研究的基础上,分析了GNN推荐过程,并从无向单元图推荐、无向二元图推荐、无向多元图推荐3个方面详细讨论了现有GNN推荐研究取得的主要进展及不足,阐明了现有GNN推荐研究中存在的主要难点,最后提出了GNN上下文推荐、GNN跨领域推荐、GNN群组推荐、GNN推荐的可解释性等未来GNN推荐的研究方向。     

基于改进CNN的局部相似性预测推荐模型

为缓解推荐系统中数据稀疏性问题,利用卷积神经网络CNN具有较强捕捉局部特征能力的优势,通过加入一个调节层,提出一种改进CNN的局部相似性预测推荐模型LSPCNN。新模型对初始用户-项目评分矩阵进行迭代调整,使用户兴趣偏好局部特征化,再融合CNN对缺失评分进行预测,从而实施个性化推荐。实验结果表明,LSPCNN模型在不同数据稀疏度下的MAE值较传统推荐方法平均下降4%,有效缓解了数据稀疏性,提高了推荐系统的性能。     

一种改进的文本特征选择方法的研究与设计

特征选择是文本挖掘技术的一个重要的环节。在中文分词的基础上,通过设计一个简单的应用程序,对文本进行预处理。然后,在分析比较几种用于文本分类的特征选择方法的基础上,提出了一种基于信息增益和互信息相结合的特征选择方法。利用它对文本文档进行特征选择,抽取代表其特征的元数据或特征词条构成特征向量,降低噪音。最后通过实验来和其它几种特征选择方法作比较,分析这种方法获取文本特征的精度。     

一种改进的文本特征选择方法的研究与设计

特征选择是文本挖掘技术的一个重要环节。在中文分词的基础上,通过设计一个简单的应用程序,对文本进行预处理。然后,在分析比较几种用于文本分类的特征选择方法的基础上,提出了一种基于信息增益和互信息相结合的特征选择方法。利用它对文本文档进行特征选择,抽取代表其特征的元数据或特征词条构成特征向量,降低噪音。最后通过实验来和其他几种特征选择方法作比较,分析这种方法获取文本特征的精度。     

RoughSet—NN模型在林业信息处理上的应用

运用计算机技术解决林业问题成为数字农业的一个热点研究领域.融合了粗糙集和神经网络的各自优势,利用粗糙集可以减少信息表达的属性数量,使用神经网络方法系统具有较强的容错及抗干扰能力,为处理不确定、不完整信息提供了一条解决方法,因此,将粗糙集约简技术和神经网络方法结合进行应用,建立了RoughSet-NN模型,并将该模型对给定立地条件的杨树生长状况进行预测.实验表明,该方法收敛,预测准确度高.