7篇关于图嵌入的计算机毕业论文

今天分享的是关于图嵌入的7篇计算机毕业论文范文, 如果你的论文涉及到图嵌入等主题,本文能够帮助到你

基于知识图谱的深度知识追踪模型的研究

这是一篇关于在线教育,知识追踪,注意力机制,图嵌入,遗忘曲线理论的论文, 主要内容为人类文明中最伟大的结晶莫过于教育,俗话说为“天地立心,为生民立命。为往圣继绝学,为万世开太平”,教育是人类社会走向文明的核心,教育的水平关乎一个民族的文明传承,一个国家的繁荣昌盛,甚至关乎世界的和平发展。古人说“有教无类”,教育的客体是数量庞大的青少年学生,每个学生在人类历史上都是独特的个体,每个学生的擅长领域不同,学习能力不同,所以在现代社会的教育中,大多数老师公认的优良教学方法都是根据学生的能力水平,制定不同的学习规划,这符合因材施教的教育理念。随着在线教育平台的兴起,同样使机器学会跟踪学生知识状态的方法并定制个性化学习路径的需求也越来越大,这样的任务被数据挖掘领域的研究者称为知识跟踪任务。知识跟踪任务的目标是预测学生回答问题的正确率,有效完成该任务目标,可以大大提高计算机辅助教育的水平,如智能教学系统、习题推荐系统等。但由于数据采集,数据处理和数据建模等方面的局限性,知识跟踪领域的研究一直以解决这些问题为宗旨,不断创新突破,为教育行业做出贡献。早期知识追踪主要是基于贝叶斯模型和基于数据分析的方法模型,虽然这些方法在预测性能上都取得较好的结果,但在建模理念上存在一定的缺陷,并不符合真实世界学生的学习过程。随着深度学习的高速发展,基于RNN的深度学习方法被引入知识追踪领域,并得到了非常好的预测性能,最近注意力机制的应用领域不断拓展,该领域的研究在Transformer模型被引入知识追踪领域后达到高峰,本文在分析过去研究人员的工作优缺点后,提出了两种基于深度学习的知识追踪模型,分别是基于知识图谱的深度知识追踪模型和基于遗忘理论的深度知识追踪模型。研究内容如下:(1)提出了一种基于知识图谱的知识追踪方法,该方法通过嵌入知识图谱,使模型捕获知识图结构中的节点和边信息,更有效地追踪学生的知识状态,再通过一种改进注意力机制,使用混合合成注意力优化模型计算,提高预测性能,在四个公共数据集上的实验结果表明,本文的方法优于其他方法,并且证明了知识图谱和改进的注意力模块的高效性和可解释性。(2)提出了一种基于遗忘理论的深度知识追踪方法,该方法通过统计学的方法构建题目关系模块捕获学生答题序列间的隐含关系,并建立遗忘核函数,引入可调参数更新知识状态,最终提高模型预测性能。在数据集上的大量实验得出结论,该方法的预测性能高于其他对比方法,题目关系模块和遗忘行为建模都是有效的,并且大大提高了模型的可解释性。

基于知识图谱的深度知识追踪模型的研究

面向导师的学生学术指导系统的设计与实现

这是一篇关于学术指导系统,文献推荐,图嵌入,决策树的论文, 主要内容为近年来,在国家对教育事业的大力支持下,高等教育的普及程度越来越高,招生规模显著扩大,2021年研究生招生规模较2010年甚至增长了118.77%,导致高校导师所需指导的学生人数增加,学生指导工作压力增大。学生指导工作是影响人才培养质量的重要因素,除学生人数增加导致的学生指导工作压力增大外,当前的学生指导工作亦缺乏过程化管理与记录。如何通过信息化手段提升指导的过程化管理是当前工作的重中之重。然而当前市面上的教学辅助系统多为供高校教务处、团委等部门使用的学生管理系统,均聚焦在学生就业管理、实习管理、心理健康、宿舍管理、选课等学生日常事务的管理。因此,急需一个面向导师的学生学术指导系统来为高校导师的学生指导工作提供过程化管理手段。同时,步入信息化时代以来,互联网中学术文献的数量迎来了爆发性增长,导师和学生面临着日益严重的学术文献信息过载问题,导致导师和学生需要耗费大量时间、精力来获取文献。因此,急需通过个性化推荐方式来解决此问题。基于以上背景,本文采用MVC设计模式,设计并实现了一个B/S架构的面向导师的学生学术指导系统。系统前端基于Vue.js和Element UI实现;后端基于Spring Boot、Spring MVC和My Batis实现;使用My SQL作为主业务数据库。系统实现了个人中心、师门管理、学术指导、学术成果库以及毕业生追踪五个模块,能够有效提升导师进行学术指导工作的效率和效果。此外,针对导师、学生所面临的学术文献信息过载问题,本系统在学术指导模块中提供学术文献推荐功能,实现了不同用户的学术文献个性化推荐。本系统设计了一个召回、排序两阶段的推荐模型实现个性化的学术文献推荐。召回阶段基于EGES图嵌入算法实现,通过计算用户与文献间嵌入向量的相似度对学术文献进行过滤,获得一个规模相对较小的候选文献集;排序阶段基于Light GBM决策树算法实现,通过学习用户历史行为来预测用户对候选文献的点击概率,并将候选文献集中点击概率最高的Top-N篇文献作为最终的推荐结果返回给用户,完成推荐。本文在Cite ULike数据集上对本系统所使用的学术文献推荐模型与主流算法进行对比,实验结果表明本文所使用的学术文献推荐模型具有更好的推荐效果。目前,本系统已完成开发并通过了测试,处于试运行阶段。试运行期间,系统功能稳定,能够满足用户使用。

基于多属性特征的论文推荐系统设计与实现

这是一篇关于图嵌入,引文网络,推荐算法,推荐系统的论文, 主要内容为根据某篇目标论文寻找相似论文,是科研人员的常见需求,学术论文推荐系统能够帮助科研人员从快速增加的海量学术大数据中过滤提取有效信息。推荐算法是推荐系统的主要研究对象之一,不同的推荐算法适用于不同的数据。学术论文包含多属性特征,既可以使用基于文本特征的推荐算法,也可以根据引文、共引等信息构建同构网络、根据文章、作者、机构等信息构建异构网络,对网络使用基于图特征的推荐算法。现有的论文推荐方法存在许多问题。经典的基于同构网络的论文推荐方法损失了多种顶点类和边类构成的复杂论文网络的结构信息,而大多数基于图的推荐算法都忽略了论文文本信息。且无论同构或异构的图嵌入方法,在新增节点后均需要重新训练。还有一些加入了文本的特征的基于图嵌入的论文推荐方法,它们融合的文本或结构特征较简单,没有考虑摘要信息的文本相似度和论文作者及所属机构带来的结构关系。针对以上问题,本文提出了在同构网络的基础上融入异构网络表征学习、文本表征学习方法的论文多属性特征推荐算法:该推荐算法首先利用引文网络,基于引文的结构将论文转化为向量。再利用含有文章、作者、机构信息的异构网络,将论文基于作者和机构的论文信息转化为向量。然后通过摘要和标题的文本信息得到文本特征向量。接着对于每篇论文,使用基于引文结构特征、异构网络特征和文本特征的相似论文重构引文网络,最后根据加入多属性特征的重构引文网络进行保留结构性和同质性特征的图嵌入,得到每篇论文的多属性嵌入向量,最终推荐列表由向量相似度计算得到。在ar Xiv子数据集上的实验结果表明,本算法在精确率、准确率、召回率、F1四个指标上部分优于对比算法。结合上述推荐算法,本文设计实现了论文推荐原型系统,包含基本的查询、搜索功能,支持用户自定义的基于多属性特征的论文推荐方法,对新增论文,避免图表征学习重训练,直接进行推荐。本系统使用Python进行后端开发,Qt和flask框架进行前端开发,My SQL作为数据库实现系统。