一种基于贝叶斯网客户购物模型的商品推荐方法

提出一种新的基于客户购物模型的推荐系统框架,它把推荐过程形式化为客户购物信息的知识表达、知识推理过程。该方法首先对客户的购物历史数据进行学习,得到贝叶斯网客户购物模型,然后结合客户当前的购物行为,提出并实施了一种基于概率推理的推荐算法。实验表明该算法能高效实时地为客户产生个性化的商品推荐集合,且在覆盖率和准确率方面优于某些传统方法。     

一种基于贝叶斯网客户购物模型的商品推荐方法*

提出一种新的基于客户购物模型的推荐系统框架。它把推荐过程形式化为客户购物信息的知识表达、知识推理过程。该方法首先对客户的购物历史数据进行学习, 得到贝叶斯网客户购物模型, 然后结合客户当前的购物行为, 提出并实施了一种基于概率推理的推荐算法。实验表明该算法能高效实时地为客户产生个性化的商品推荐集合, 且在覆盖率和准确率方面优于某些传统方法。     

基于用户反馈记录的自适应博客推荐模型

传统的自适应推荐技术无法准确把握用户的兴趣并推荐出适合用户兴趣的博客,为了提高掌握用户兴趣的准确度和及时性,提出一种启发式自适应推荐算法.通过对于用户反馈记录的分析,掌握用户的兴趣趋向,然后通过学习用户的阅读方式来对用户的兴趣进行跟踪,达到一定条件后使用贝叶斯修正法更新用户模型,同时调整推荐结果.通过真实数据集进行实验,结果表明算法能准确把握用户的兴趣趋向,能提高自适应推荐质量.     

贝叶斯网模型在推荐系统中的应用研究

针对网上智能中推荐系统的个性化问题,提出了一种新的基于贝叶斯网模型的商品推荐方法,它包括贝叶斯网客户购物模型的建立和基于概率推理的推荐集的产生两个过程。实数据上的实验表明该方法是一种有效的能为不同客户产生准确而个性化的商品推荐方法。     

基于拓扑序列和量子遗传算法的贝叶斯网结构学习

贝叶斯网是处理不确定性问题知识表示和推理的最重要的理论模型之一,其结构学习是目前研究的一个热点。提出了一种基于拓扑序列和量子遗传算法的贝叶斯网结构学习算法,新算法首先利用量子信息的丰富性和量子计算的并行性,设计出基于量子染色体的拓扑序列生成策略提高了搜索效率,并为K2算法学得高质量的贝叶斯网结构提供了保障;然后采用带上下界的自适应量子变异策略,增强了种群的多样性,提高了算法的搜索能力。实验结果表明,与已有的一些算法相比,新算法不仅能获得较高质量的解,而且还有着较快的收敛速度。     

基于变参数动态贝叶斯网的态势评估

针对态势估计系统建立过程中不确定性的知识表示问题,探讨了采用变参数动态贝叶斯网络进行态势评估的方法的必要性和可行性,构建了一种自适应变参数动态贝叶斯网的态势评估系统,提出了基于变参数动态贝叶斯网络的态势评估优化算法,利用数据挖掘技术实现了态势评估变参数的学习;实验结果表明该方法可以通过实时数据动态地修改、完善评估知识库及模型库的信息,使评估模型自适应战场形势的变化,以获得更准确评估结果.     

基于浏览偏好挖掘的实时商品推荐方法

在分析了当前推荐技术中各种算法的优缺点和及其存在的主要问题的基础上,提出一种浏览偏好挖掘的实时商品推荐方法。该算法通过分析用户Web游览记录,并使用贝叶斯网预测其浏览偏好,然后将用户偏好与商品特征进行匹配计算进而产生商品推荐。实验表明该方法能为用户提供更为精确有效的个性化推荐。     

贝叶斯网络在学生模型建模中的应用分析

将课程教学资源融合到学生模型构建中,描述了包括领域知识拓扑结构的建立、条件概率表学习算法的推理的详细过程,最终得到了学生模型中关于章节知识项的贝叶斯网络结构图,并通过一个实验系统对个性化教学系统中学生模型建构的整个框架的可行性进行了验证.     

一种BP网的学习速率与动量项自适应算法

针对BP网络学习速率和动量项参数较难选取以及学习过程中学习效率较为低下的问题,提出BP网络的改进算法模型—AB网络模型,来选取学习速率和动量项的参数值,即通过一个为给定先验知识的A网,动态调节另一个执行实际应用的B网中的学习速率和动量项的参数值,并以此提高整个网络的学习效率.实验结果表明,通过AB网络自适应调整参数的算法比普通BP算法的学习效率大大提高.在实际应用中,我们可以通过AB网络自适应调节的方法,对学习速率参数和动量项参数进行合适的选取.     

融合行为和遗忘因素的贝叶斯知识追踪模型研究

贝叶斯知识追踪模型(Bayesian knowledge tracing,BKT)被用于智能教学系统中追踪学习者的知识状态并预测其掌握水平和未来表现.由于BKT容易忽视记忆遗忘现象,以及未考虑学习行为对表现结果产生的影响,导致模型预测结果与实际情况出现偏差.针对此问题,提出了一种融合学习者的行为和遗忘因素的贝叶斯知识追踪模型(behavior-forgetting Bayesian knowledge tracing,BF-BKT).首先,采用决策树算法处理学习行为数据,引入行为节点;然后初始化遗忘参数并赋值,更新学习者知识掌握水平的算法;最后,利用ASSISTMENTS提供的公开数据集对相关模型的预测精度进行对比.实验验证,BF-BKT能够达到更好的预测精度.     

A Bayesian Diagnostic Algorithm for Student Modeling and its Evaluation

In this paper, we present a new approach to diagnosis in student modeling based on the use of Bayesian Networks and Computer Adaptive Tests. A new integrated Bayesian student model is defined and then combined with an Adaptive Testing algorithm. The structural model defined has the advantage that it measures students' abilities at different levels of granularity, allows substantial simplifications when specifying the parameters (conditional probabilities) needed to construct the Bayesian Network that describes the student model, and supports the Adaptive Diagnosis algorithm. The validity of the approach has been tested intensively by using simulated students. The results obtained show that the Bayesian student model has excellent performance in terms of accuracy, and that the introduction of adaptive question selection methods improves its behavior both in terms of accuracy and efficiency.     

基于知识点本体的个性化课程组织方法

基于本体技术和知识管理理论,提出了组织知识的5层结构和使用知识的4层结构.设计开发了知识点本体、学习者本体和学习策略本体,并基于这3个本体查找、选择合适的知识点,生成个性化课程推荐给学习者.实验结果表明:学习者使用该方法自动生成的个性化课程,能够提高自身的学习积极性,用户满意度达到84%以上.     

基于贝叶斯网络的学生模型在测试系统的应用研究

在网络课程及虚拟课堂中,在线测试是一个重要组成部分。本文对贝叶斯网络及其概率推理进行了简述,提出了基于贝叶斯网络的学生模型,并将其应用于自适应在线测试系统中。该系统不仅能够因人施测,而且具有预测能力,同时还可以排除学生猜对试题答案的非真实能力。     

基于对抗学习和知识蒸馏的神经网络压缩算法

针对基于深度学习的人脸识别模型难以在嵌入式设备进行部署和实时性能差的问题,深入研究了现有的模型压缩和加速算法,提出了一种基于知识蒸馏和对抗学习的神经网络压缩算法。算法框架由三部分组成,预训练的大规模教师网络、轻量级的学生网络和辅助对抗学习的判别器。改进传统的知识蒸馏损失,增加指示函数,使学生网络只学习教师网络正确识别的分类概率;鉴于中间层特征图具有丰富的高维特征,引入对抗学习策略中的判别器,鉴别学生网络与教师网络在特征图层面的差异;为了进一步提高学生网络的泛化能力,使其能够应用于不同的机器视觉任务,在训练的后半部分教师网络和学生网络相互学习,交替更新,使学生网络能够探索自己的最优解空间。分别在CASIA WEBFACE和CelebA两个数据集上进行验证,实验结果表明知识蒸馏得到的小尺寸学生网络相较全监督训练的教师网络,识别准确率仅下降了1.5%左右。同时将本研究所提方法与面向特征图知识蒸馏算法和基于对抗学习训练的模型压缩算法进行对比,所提方法具有较高的人脸识别准确率。     

Bayesian networks for student model engineering

Bayesian networks are graphical modeling tools that have been proven very powerful in a variety of application contexts. The purpose of this paper is to provide education practitioners with the background and examples needed to understand Bayesian networks and use them to design and implement student models. The student model is the key component of any adaptive tutoring system, as it stores all the information about the student (for example, knowledge, interest, learning styles, etc.) so the tutoring system can use this information to provide personalized instruction. Basic and advanced concepts and techniques are introduced and applied in the context of typical student modeling problems. A repertoire of models of varying complexity is discussed. To illustrate the proposed methodology a Bayesian Student Model for the Simplex algorithm is developed.     

基于云模型的智能教学系统中学习质量的评价

提出将云模型理论应用于智能教学系统的学生模型构建中,建立一种基于云模型的学生学习质量评价方法,利用云对概念的贡献程度进行数据离散化,并引入云变换计算隶属云,最后结合极大判定算法求出更加符合实际的学习质量等级划分。实验结果表明,这种新的评价方法得出的隶属概念不仅能够反映出学生对知识点的掌握程度,还能够反映出学生在学习中的发挥稳定性、心理素质等情况,有利于提高智能教学系统的应用效率。     

融合关联规则的MOOC资源众包平台任务分配算法

在高校大力发展MOOC平台背景下,为了提升学生的主动性、MOOC平台资源库的丰富性,出现了众包协同构建资源的方法,让学生和教师构成学习共同体,在完成新知识学习的同时进行资源库建设。高校MOOC众包平台的任务就属于知识密集型任务,挑选合适的参与者直接关系到MOOC资源库构建质量。为了更好地构建高校MOOC资源平台,提出一种针对知识密集型众包任务的分配方案,它包含学生的准入筛选、预期工作能力评估两个阶段。首先利用改进Apriori课程关联算法对学生进行准入筛选;其次利用知识关联算法对学生预期工作能力进行评估并将众包任务分配到工作能力最合适的学生;最后对方案进行测试验证,结果表明该方案能够能较好地提升学生挑选和任务分配的效果,促进构建更高质量的MOOC资源库。     

一种基于贝叶斯网络的作战重心评估模型

作战重心（Center of Gravity）是指战役体系中敌我双方的关键环节。作战重心评估是一个经验性、模糊性的过程。贝叶斯网络作为一种不确定知识表示模型,具有概率论及图论基础,对于解决复杂系统决策问题具有较强的优势,适合用于作战重心评估。文中提出并实现了一种基于贝叶斯网络推理的作战重心评估模型。通过该模型,可以定量地评估各个环节对于证据的重要程度,从而确定该作战过程中的作战重心。文中使用联合树（Clique Tree）算法进行贝叶斯网络精确推理,并详细阐述了推理过程中联合树建立,消息传递的过程。最后通过实例验证,基于贝叶斯网络推理的模型能够有效地对作战重心进行定量的评估。     

基于自适应LASSO先验的稀疏贝叶斯学习算法

为了提高稀疏信号恢复的准确性, 开展了基于自适应套索算子(Least absolute shrinkage and selection operator, LASSO)先验的稀疏贝叶斯学习(Sparse Bayesian learning, SBL)算法研究. 1) 在稀疏贝叶斯模型构建阶段, 构造了一种新的多层贝叶斯框架, 赋予信号中元素独立的LASSO先验. 该先验比现有稀疏先验更有效地鼓励稀疏并且该模型中所有参数更新存在闭合解. 然后在该多层贝叶斯框架的基础上提出了一种基于自适应LASSO先验的SBL算法. 2) 为降低提出的算法的计算复杂度, 在贝叶斯推断阶段利用空间轮换变元方法对提出的算法进行改进, 避免了矩阵求逆运算, 使参数更新快速高效, 从而提出了一种基于自适应LASSO先验的快速SBL算法. 本文提出的算法的稀疏恢复性能通过实验进行了验证, 分别针对不同大小测量矩阵的稀疏信号恢复以及单快拍波达方向(Direction of arrival, DOA)估计开展了实验. 实验结果表明: 提出基于自适应LASSO先验的SBL算法比现有算法具有更高的稀疏恢复准确度; 提出的快速算法的准确度略低于提出的基于自适应LASSO先验的SBL算法, 但计算复杂度明显降低.     

基于贝叶斯网络模型的高校贫困生预测实证分析

贝叶斯网络通过确定变量结点网络结构和参数学习来进行网络模型的概率推理,在样本数据不是过大的条件下能得到较精确的预测结果.从高校统一标准化的各数据平台中选取学生行为数据作为训练样本构建贝叶斯网络并进行参数学习得到推理模型,进而对高校学生的贫困程度进行预测,可以得出预测结果与实际样本对比没有显著差异,实现用数据分析精确判定高校学生的贫困程度水平.