学习者知识模型的在线学习算法

学习者知识模型是智能授导系统(ITS)中教学过程实现和策略实施的基础,然而由于判别学习者知识掌握程度的不确定性和学习者知识掌握水平的实时变化,构建能正确反映学习者知识掌握程度及其变化的知识模型十分困难。基于贝叶斯网络,以知识项为基本节点构建学习者知识模型的结构;引入问题节点,根据学习者的学习测试结果,采用Voting EM算法来对知识模型的参数进行在线学习和更新;同时,通过设置置信因子和更新时间标记来改进在线学习的效果。实验表明,模型能够较好地反映学习者知识掌握状况和快速适应学习者知识掌握水平的变化,有助于ITS更好地评价学习者学习效果。     

基于ISM的在线学习参与度影响因素模型研究

学习参与度不高是导致在线学习辍学率高和结业率低的重要原因,探究在线学习参与度影响因素对提高在线学习质量具有重大价值。首先采用文献分析法和访谈研究法确定在线学习参与度的18个影响因素。然后分析各因素之间的逻辑关系,建立邻接矩阵,计算可达矩阵,通过层级分解,绘制在线学习参与度影响因素的结构模型。研究发现,学习动机、学习氛围是影响在线学习参与度的直接原因;知识呈现方式、平台易用性、课程难度、课程时长以及活动安排是最基础因素;其余因素作为间接因素发挥作用。最后,尝试提出改善在线学习参与度的建议,以期为后续在线课程建设提供新思路。     

基于在线学习的自动修正组合投资选择算法

提出了一个基于在线学习的自动修正组合投资选择算法(AU)。AU算法不基于任何股票市场模型,能够取得接近最佳固定重平衡组合投资(BCRP)的投资收益,并且超过了在线多阶段组合投资算法的投资收益,在同类型的在线组合投资选择算法上有明显的优势。     

学习分析技术支持的在线深度学习的模型构建

本文将深度学习与学习分析相结合,从评价学习层次、教师深度教学能力、反思且主动地学习、学习内容的适切性四个方面阐释了学习分析对在线深度学习的影响,并在分析在线学习行为和学习分析过程的基础上,构建了学习分析技术支持的在线深度学习的模型,试图促进学习分析与在线学习融合模式的深入讨论.     

一种回归神经网络的快速在线学习算法

针对回归神经网络BP学习算法收敛慢的缺陷,提出了一种新的快速在线递推学习算法.本算法在目标函数中引入了遗忘因子,并借助于非线性系统的最大似然估计原理成功地解决了动态非线性系统回归神经网络模型权系数学习的实时性和快速性问题.仿真结果表明,该算法比传统的回归BP学习算法具有更快的收敛速度.     

在线学习RBF神经网络的模型参考自适应控制器

本文给出一种在线学习RBF神经网络的快速算法,并设计了在线学习RBF神经网络的MARAC。通过仿真表明,在线RBF神经网络的MRAC计算量小、在线学习、跟踪时间短、控制精度高的优点。     

非线性CC神经元模型的原理及其学习算法

1 M-P神经元模型的工作原理和几何意义 1943年,MoCulloch和Pitts根据神经元传递规律,第一次提出了神经元的数学模型。M-P神经元模型一直沿用至今,它对神经网络的发展起到了奠基性的作用。每个神经元的状态由M-P方程决定:S=f(∑W_iX_i-θ),θ为阈值,f为激励函数,一般取符号函数。令:它代表了n维空间中,以X为坐标变量,以W为坐标系数,θ为常数项的一个超平面。当 I(X)=sum from i=1 to n W_iX_i-θ=0样本点X落入超平面的正半区,即I(X)>0时,有f(I)=1;当样本点X落入超平面的负半区,即I(X)<0时,有f(I)=0。从分类的角度看,一个神经元按输入将     

基于EE-XGBoost算法的在线课程学习行为研究

在线课程目前已经是一种重要的教学形式,是现代“智慧教育”的主要表现形式之一,以其无监督模式的自主学习而著称。因其无监督,所以学习过程就纷繁芜杂,真假莫辨。关于在线课程学习行为的研究和分析一直以来都是大数据领域的热门话题之一。基于经典的XGBoost算法模型的分析方法存在检测效率不高、处理数据样本不均衡、效率低等问题,文章试图将EasyEnsemble算法和XGBoost算法相结合,形成一个复合算法,提高了工作效率,从而可以更好地对教学过程进行反馈和指导。     

在线学习RBF神经网络的模型参考自适应控制器

本文给出一种在线学习RBF神经网络的快速算法,并设计了在线学习RBF神经网络的MARAC。通过仿真表明,在线RBF神经网络的MRAC计算量小、在线学习、跟踪时间短、控制精度高的优点。     

面向大数据分析的在线学习算法综述

大数据时代,越来越多的领域出现了对海量、高速数据进行实时处理的需求.如何对大数据流进行抽取转化成有用的信息并应用于各行各业变得越来越重要.传统的批量机器学习技术在大数据分析的应用中存在许多限制.在线学习技术采用流式计算模式,在内存中直接进行数据的实时计算,为流数据的学习提供了有利的工具.介绍了大数据分析的动机与背景,集中展示经典和最新的在线学习方法与算法,这种在线学习体系很有希望解决各种大数据挖掘任务面临的困难与挑战.主要技术内容包括3方面: 1) 线性模型在线学习;2) 基于核的非线性模型在线学习;3) 非传统的在线学习方法.各类方法尽量给出详细的模型和伪代码,讨论面向大数据分析的大规模机器学习研究与应用中的关键问题;给出大数据在线学习的3种典型应用场景,并探讨现今或将来在线学习领域进一步的研究方向.     

一种新的在线社会网络演化模型

现有吸引力演化模型的聚类系数较低,并且忽略了对网络增长有阻碍作用的因素。为此,提出一种基于阻尼因子的在线社会网络演化模型。该模型在BA网络模型的基础上,考虑网络节点吸引力并研究网络中节点阻尼因子的存在及作用。将阻尼因子细分为初始吸引力的衰退、节点热度的减退和不可抗拒的自然因素,解决了BA模型和CALW模型中仅考虑网络节点度和吸引力对网络影响的问题。引入三角形形成机制,提高模型的聚类系数。应用平均场理论对该模型生成网络的度分布进行理论分析,运用Matlab工具对度分布进行数值仿真,结果验证了该模型的正确性和有效性。     

一种在线社会网络的信息扩散预测模型*

论文针对在线社会网络中的信息扩散问题,提出了一个信息扩散的预测模型。首先给出了以好友关系作为用户距离度量的方法;然后将信息扩散看作是“社会扩散”和“内部扩散”两种方式同时作用的结果,并分别将Fick扩散理论和Logistic增长模型用于描述这两个过程,设计了Fick‐Logistic扩散预测模型。最后,用该模型对Digg数据集中最具代表性的新闻实例进行预测。较高的预测准确率表明,论文提出的Fick‐Logistic扩散预测模型能较好描述Digg在线社会网络中的信息扩散过程,具有较好的预测性能。     

基于PageRank的在线社交网络消息传播模型

经典的消息传播模型没有充分考虑在线社交网络的复杂性以及网络节点间的拓扑结构差异。针对这种情况,提出一种基于PageRank的在线社交网络的消息传播模型P-SIR。该模型利用节点的PageRank值作为节点权威度并考虑在线社交网络传播机理,刻画不同类型节点随着时间变化的状态演化关系,反映消息传播过程受到网络拓扑结构和传播机理的影响。该模型还考虑在线社交网络中影响消息传播过程中的一些实际因素,动态指定节点的权威度以适应非均质网络,并考虑外部社会加强效应。采用3种不同类型的网络模拟消息传播过程,通过仿真实验验证P-SIR模型可以有效反映在线社交网络中的消息传播过程。     

基于HMM的动态社会网络社团发现算法

随着互联网的不断发展,大多数社会网络已逐渐显示出动态特性,动态社会网络社团分析对理解现实生活中社会网络结构和功能具有非常重要的意义.针对动态社会网络中的社团发现问题,提出一种基于隐Markov模型(hidden Markov model, HMM)的HMM_DC算法.该算法考虑到社会网络的动态特性,结合历史信息,将社团发现转化为求解隐马尔可夫模型中的最优状态序列问题,将网络中的社团结构和节点信息分别采用状态链和观察链表示,在无须指定额外参数的情况下实现动态网络的社团结构发现.最后,利用该算法和其他算法对VAST数据集、ENRON数据集和Facebook social network数据集进行实验仿真.仿真结果表明：该算法能够快速、准确地发现真实动态网络中的社团,其模块度Q值和互信息NMI值有很大提升.     

基于情感的社会网传播模型及影响最大化算法研究

针对社会网传播领域的影响最大化问题的研究，将节点本身具备的情感对事件传播的影响力进行了忽略，提出了基于情感的社会网传播模型（Emotion Independent Cascade model，E-IC），关于E-IC模型重点强调了情感影响的最大化基本问题（Influence Maximization Problem based on Emotion，IMPE），在传播整个进程中，融合了用户位置的计算值、后置情感的计算值以及交互概率值。论证并确认基于情感的社会网传播模型问题就是NP-hard问题，并给出近似算法EMS-Greedy。在训练集上调整模型参数，使得传播过程更符合传播规律，通过大规模真实数据集上的实验验证了E-IC模型的有效性。与其他模型相比，E-IC模型在传播范围上扩大了7%左右。     

大学生在线学习效果调查研究

疫情爆发以来,为响应中央"停课不停教、停课不停学"的指导意见,在线学习在大学生间真正普及。虽然现已基本的资源平台、通讯渠道、设备要求等等外部条件得到满足,但在内部真正影响大学生在线学习效果的因素仍然存在。本文将从大学生在线学习的效果、对在线学习的态度以及影响在线学习效果的各种因素进行分析,得到启示,并由此给相关方面的完善提供参考意见。     

移动社会网络中基于全局信任模型的用户影响力计算

针对现有算法和模型对于网络中用户影响力计算大多只考虑拓扑结构和贪心算法而较少考虑真实社会网络中信任度对于节点影响力的重要性这一问题, 该文提出一种全局信任模型(global trust model, GTM)用于评估节点的影响力. 首先计算节点与邻居节点间的信任关系作为局部信任度, 其次利用Beta信誉模型在节点局部信...     

基于引力学的在线社交网络空间谣言传播分析模型

社交网络空间的谣言传播行为具有极大的危害性,探索谣言传播规律与分析模型成为当前研究的热点之一.传统谣言传播分析模型大都基于SIR等传染病传播模型,能对在线社交网络空间的谣言传播过程进行粗粒度刻画,但并未充分考虑社交网络本身特征.鉴于此,结合引力学思想,提出了一种新的在线社交网络空间谣言传播分析模型GRPModel.该模型借鉴引力学思想,从用户和谣言信息2个角度出发,探索谣言在用户间的传播规律.以用户为核心,基于用户间的关系、信息在用户间的传播关系、谣言接触率、转发率等对用户影响力、谣言影响力进行建模,对谣言信息的传播进行量化,并充分考虑用户的个性化特征,构建相应的建模与分析函数.最后利用新浪微博真实社交网络空间信息,对GRPModel进行分析验证,验证结果证明了所做模型的正确性和有效性.     

基于共同好友数的在线社会网络社区发现算法

为了快速准确地找到在线社会网络的社区结构,提出了一种基于共同好友数和节点邻居信息的社区结构发现算法。该算法以共同好友数最多的两个节点为初始社区,不断寻找与社区连接性最强的节点,并以节点Q值为衡量标准,判断是否将该节点加入到初始社区中,最后根据节点邻居所在初始社区信息确定最终的社区划分。针对两个经典社会网络和人工生成网络数据的实验划分结果表明,该算法是可行和有效的。     

基于区块链技术的在线社会网络舆情传播模型与干预治理

区块链的快速发展和普及,为网络社会网络舆情的传播提供了便捷的平台,这使得网络舆情逐渐成为人民群众最活跃的反映方式.当网络舆情涉及社会热点等问题时,会引起网民的快速关注,甚至引发突发事件和连锁反应,考察政府的治理干预能力,甚至对国家社会安全和稳定构成紧张.本文根据网络舆情传播的特点,从个体行为和群体社会强化两个方面揭示网...