基于离散泊松混合模型的教学评价数据建模

分析学生在教学评价系统中对于教师的评价数据有助于教师了解学生对授课教师的真实态度,总结教学经验,改进后续的教学方式,提高教学质量。但是进行教学评价时,学生中可能会出现随意评价或者恶意评价等问题,导致评价数据中包含大量噪声,造成反馈数据的不理想。因此,提出了一种离散泊松混合模型来对包含噪声的学生的评价数据进行建模,将混合模型中的每一个离散泊松分量对应一类具有相似评价模式的学生,借由离散泊松分布中的模型参数来表示对应评价模式中的评价分数。通过构建对数似然函数来衡量混合模型和评价数据的拟合程度,采用梯度下降的方法求解拟合程度最高的模型参数,找到学生对于教师的真实评价,保证教学评价系统中师生间的有效沟通。大量实验结果表明,模型能够快速准确地从含有噪声的评价数据中识别出具有不同评价模式的学生,掌握学生对于教师的真实评价情况。     

无需感染时间信息的传播网络快速推断算法

现有的大多数传播网络推断方法需要节点的感染时间信息,但是在许多现实传播过程中,准确的感染时间信息往往是难以获得的。以准确、高效且无需感染时间信息的传播网络推断方法为目标,研究了如何仅利用多次传播过程结束时观测到的各节点的感染状态来推断节点间的影响关系和感染传播概率。为此,该方法首先利用节点感染状态间的互信息来量化它们之间的相互关联,找出可能的节点间影响关系。然后,构建以感染传播概率为变量的节点感染状态观测数据的对数似然函数,并采用期望最大化的方法最大化该对数似然函数并求解感染传播概率。实验结果表明,相较现有方法,该方法有效提高了传播网络推断的准确性,并且大幅缩短了算法运行所需时间。