主动检索科普视频时视觉元素对点击行为的影响因素研究——以B站为例

社交媒体的科普活动正处于多元创作和公众参与的繁荣时期,公众参与意识显著提升。在主动检索科普视频时,用户点击行为受何种视觉元素的影响值得关注。本研究采用精细化加工可能性模型（ELM）和视觉说服理论构建“视觉驱动精细化点击行为影响因素”模型,以理解公众参与在线科普的行为,增强科普视频吸引力。研究发现,核心路径中“内容形象”与视频主题相关的图像元素和“信息标记”的疑问句标题,以及边缘路径中的弹幕量、点赞量、视频时长、标题长度等“结构性注释”元素,“风格形象”的缩略图色彩、亮度都会影响用户主动检索科普视频时的点击行为,而“形式形象”的图像质量并非影响用户识别缩略图的重要因素,知名度也并未像往常一样在边缘路径对用户决策产生作用。基于研究发现,本文从视频封面、标题、互动以及内容制作四个方面提出对应建议,以期提升科普视频主动检索场景下的点击率,促进社交媒体科普发展。     

支持向量逐步回归机及其改进算法研究

本文根据支持向量的稀疏性和其分布于超平面附近的特性,提出了支持向量逐步回归机算法,并改进了算法构建新的训练样本子集的方法和利用整数规划对每次搜索的新样本个数m进行了优化,同时分析了算法的复杂度。最后用仿真结果验证了算法的收敛性和有效性。     

数据挖掘在教育教学中的应用综述

随着教育信息化的不断发展,基于数据库技术的数据挖掘与教育教学的联系也越来越紧密。通过对国内外数据挖掘在教育教学领域中的应用研究相关文献进行分析,从数据挖掘相关技术的角度出发,总结并归纳了各自在该领域中的应用和研究现状。最后提出了数据挖掘在该领域研究中存在的一些问题与难题以及发展前景。     

Tabu Search集中性和多样性自动平衡下的增强搜索策略

在禁忌搜索算法中,集中性搜索与多样性搜索是缺一不可但又相互矛盾的两个方面。本文提出了一种在禁忌搜索集中性和多样性自动平衡下的增强搜索策略算法,这种算法在集中性搜索与多样性搜索之间保持合理平衡的同时,又进一步对结果加强集中性搜索或者多样性搜索,以获全局最优解。以组合优化中的典型难题TSP为例,通过自动更换邻域、候选集,较好地解决了集中性搜索与多样性搜索的冲突。仿真实验表明,解的质量提高了,验证该算法有效。     

多层前向神经网络的自适应禁忌搜索训练

针对BP算法属于局部优化算法的不足,提出了一种新的全局优化算法——自适应禁忌搜索作为前向神经网络的训练算法。该算法通过邻域和候选集的相互配合,动态地调整候选集中分别用于集中性搜索与多样性搜索的元素个数,提高了算法运行的质量和效率。以经典的异或问题(XOR)为例,进行了对比研究。实验结果表明,该算法与BP算法相比明显提高了网络的收敛概率和收敛精度。     

基于禁忌搜索的模糊神经网络结构优化

本文提出了一种基于禁忌搜索的模糊神经网络自动优化学习方法（fuzzy neural network based on tabusearch,FNNTS）。该方法利用禁忌搜索算法搜索最优的模糊神经网络结构,并结合最小二乘法和梯度下降法对网络参数进行学习,大大减少了对专家知识的依赖。非线性函数逼近的实验结果表明,所提出的方法能获得更精练的网络结构和更小的误差,从而验证了本文方法的有效性和可行性。     

蒙德里安深度森林

大多数有关深度学习的研究都基于神经网络,即可通过反向传播训练的多层参数化非线性可微模块.近年来,深度森林作为一种非神经网络深度模型被提出,该模型具有远少于深度神经网络的超参数.在不同的超参数设置下以及在不同的任务下,它都表现出非常鲁棒的性能,并且能够基于数据确定模型的复杂度.以gcForest为代表的深度森林的研究为探索基于不可微模块的深度模型提供了一种可行的方式.然而,深度森林目前是一种批量学习方法,这限制了它在许多实际任务中的应用,如数据流的应用场景.因此探索了在增量场景下搭建深度森林的可能性,并提出了蒙德里安深度森林.它具有级联森林结构,可以进行逐层处理.设计了一种自适应机制,通过调整原始特征和经过前一层变换后的特征的权重,以进一步增强逐层处理能力,更好地克服了蒙德里安森林在处理无关特征方面的不足.实验结果表明：蒙德里安深度森林在继承蒙德里安森林的增量训练能力的同时,显著提升了预测性能,并能够使用相同的超参数设置在多个数据集上取得很好的性能.在增量训练场景下,蒙德里安深度森林取得了与定期重新训练的gcForest接近的预测准确率,且将训练速度提升一个数量级.     

Tabu Search中集中性和多样性的自适应搜索策略

近年来的研究表明,集中性与多样性策略在禁忌搜索中是非常重要的,但集中性与多样性常常又是矛盾的,如何解决集中性与多样性之间的矛盾就成为一个值得关注的话题,以组合优化中的著名难题TSP(traveling salesman problem)为例,提出了一种新颖的自适应搜索策略,通过邻域和候选集的相互配合,动态地调整候选集中分别用于集中性搜索与多样性搜索的元素个数,较好地解决了集中性与多样性的冲突问题．仿真实验表明,该算法是可行的和有效的。     

基于变异方法的禁忌搜索

1 TS简介禁忌搜索(Tabu Search或Taboo Search,简称 TS)技术是一种亚启发式(meta-heuristic)搜索技术,是局部邻城搜索的一种扩展。由Glover在1986年首次提出,进而形成一套完整算法,详见文[2,3]。所谓禁忌就是禁止重复前面的工作。为了避免局部邻域搜索中陷入局部最优的主要不足,禁忌搜索用一个禁忌表记录下己经到达过的局部最优点,在下一次的搜索中,利用禁忌表中的信息不再或有选择地搜索这些点,以此来跳出局部最优点。就好比人的短时记忆,走过的路不再重复或有选择地重复;同时“遗志”又使得这些禁止是弱禁止,即在一定的时间之后这些禁止将失效,最终达到全局优化之目的。该算法可简单地表示为:     

多维背包问题的禁忌搜索求解

借鉴认知心理学有关记忆系统的表述，在禁忌搜索算法中引入长时记忆，构造了基于双禁忌表的禁忌搜索算法。多维0-1背包问题的仿真实验表明，该算法是可行的、有效的。