基于多任务学习和知识图谱的习题推荐模型研究与应用
这是一篇关于知识图谱,多任务特征学习,习题推荐,学习分析系统,在线评测系统的论文, 主要内容为随着信息技术的发展,网络学习资源数量源源不断地增加,造成了“信息过载”的现象,学习者面对海量习题,难以高效地从中筛选出最适合自己的题目,因此学习者的个性化学习需求也更加强烈。个性化推荐是缓解信息过载的有效手段之一,但目前的推荐模型大多是以传统的协同过滤和认知诊断为基础,没有充分考虑到习题之间的隐式关联,且在网络平台上数据基数大的情况下容易造成数据稀疏问题,学习资源的不断扩充和在线学习平台用户的不断增加也容易造成冷启动问题。因此,构建合适的知识图谱,利用知识图谱中丰富的语义关系,辅助推荐模型提高推荐性能是一项十分有意义的研究。为了实现知识图谱增强的个性化习题推荐,本文针对在线评测(Online Judge,OJ)系统具有在线交题、判题功能且题量大、涉及算法多的特点,设计并实现了融合知识图谱的在线评测系统习题个性化推荐算法,并基于该算法搭建了以知识图谱增强的习题推荐模型为基础的学习分析系统。本文的主要工作如下。一、提出了知识图谱增强的神经矩阵分解推荐模型MKRN(Multi-Task Feature Learning for Knowledge Graph enhances Recommendation with Neural Matrix Factorization)。针对在线评测系统下的个性化习题推荐场景,提出了 MKRN模型,一方面,该模型在传统的协同过滤基础之上引入了并行的神经网络模块,通过这两个路线把它们各自的特征结合起来能够促使它们相互强化,提升模型的推荐能力,并且使用本文提出的LEMD-GA算法构建学习者-习题匹配度矩阵,以更好地对复杂的用户-习题关系进行建模;另一方面,基于在线评测系统下的习题信息构建习题知识图谱,并通过交叉压缩单元将知识图谱中所蕴含的语义信息融合到推荐任务中以缓解冷启动问题。整体来说,本模型是在多任务学习框架下,将习题知识图谱中所蕴含的习题间隐式关联信息融入到以神经矩阵分解为基础的推荐模型中,完成个性化习题推荐任务。通过实验验证了本文所提出的习题推荐模型MKRN的有效性,其能够达到85.1%的习题推荐精确率。二、搭建了以知识图谱增强的习题推荐模型为基础的学习分析系统。通过学习分析技术可以向学习者提供个性化的学习服务,本文在整合学习者做题过程数据的基础之上,运用推荐模型向学生推荐合适的习题。在实现上,采用B/S架构,以知识图谱增强的习题推荐模型为基础,构建了学习分析系统,能够实现以下功能,一、学习者做题学情分析;二、学习者能力水平分析;三、学习者个性化习题推荐,使得每个学习者都能得到最有效的教学指导,提升学习效果。在6919道在线习题组成的真实数据集上开展了对照实验,结果表明本文方法能有效向学习者进行习题推荐,验证了本文所使用的习题推荐模型的有效性,并在实现算法的基础上,进一步构建了以MKRN模型为基础的习题推荐学习分析系统。
融合知识状态与答题意愿的OJ习题推荐研究
这是一篇关于在线评测系统,个性化推荐,知识追踪,LDA模型,图卷积的论文, 主要内容为在线评测(Online Judge,OJ)系统是一种在线学习平台,用户通过解决系统中的编程习题提高自身编程能力。面对OJ系统中海量习题资源引发的信息过载,用户很难找到与自身编程能力匹配的习题,最终浪费了时间和精力。习题推荐能够挖掘用户的能力和偏好,提供最适合用户的习题,因此已经被广泛应用到OJ系统中。现有的OJ习题推荐方法仅考虑用户能否正确回答习题,缺乏对习题信息的利用,也忽略了用户的答题意愿,在稀疏的用户习题交互数据集中表现较差。本文针对以上问题进行研究,提出融合知识状态与答题意愿的OJ习题推荐策略,具体研究内容如下:针对忽略习题信息的问题,提出了融入习题信息的知识状态预测模型。首先分析习题的统计数据建模习题统计特征,利用隐狄利克雷分布处理习题文本建模习题知识点特征,将习题的统计特征与知识点拼接为习题综合特征;之后将用户提交记录和习题综合特征作为循环神经网络的输入;最后使用熵权法将习题的重要程度融入模型的输出,更准确地预测用户知识状态。针对忽略用户答题意愿的问题,提出了基于图卷积的答题意愿预测模型。首先利用用户的提交记录构建答题意愿矩阵,使用奇异值分解答题意愿矩阵获取用户节点和习题节点的初始特征;之后通过用户知识状态和习题综合特征分别计算用户同质节点相似度和习题同质节点相似度,基于图卷积进行同质节点和异质结点的特征传播,基于自注意力机制突出重要特征;最后综合以上特征处理方法预测用户的答题意愿,缓解数据稀疏问题。结合以上两种预测模型,设计了融合知识状态与答题意愿的习题推荐策略。针对用户的知识状态,推荐其解答难度合适的习题,帮助用户编程能力快速提升;针对用户的答题意愿,推荐其解答兴趣较高的习题,保持用户学习的积极性。在一个真实的数据集上的实验证明,串联混合推荐的综合效果优于单一推荐与并联推荐,可以快速稳定地提升用户编程能力。
基于多任务学习和知识图谱的习题推荐模型研究与应用
这是一篇关于知识图谱,多任务特征学习,习题推荐,学习分析系统,在线评测系统的论文, 主要内容为随着信息技术的发展,网络学习资源数量源源不断地增加,造成了“信息过载”的现象,学习者面对海量习题,难以高效地从中筛选出最适合自己的题目,因此学习者的个性化学习需求也更加强烈。个性化推荐是缓解信息过载的有效手段之一,但目前的推荐模型大多是以传统的协同过滤和认知诊断为基础,没有充分考虑到习题之间的隐式关联,且在网络平台上数据基数大的情况下容易造成数据稀疏问题,学习资源的不断扩充和在线学习平台用户的不断增加也容易造成冷启动问题。因此,构建合适的知识图谱,利用知识图谱中丰富的语义关系,辅助推荐模型提高推荐性能是一项十分有意义的研究。为了实现知识图谱增强的个性化习题推荐,本文针对在线评测(Online Judge,OJ)系统具有在线交题、判题功能且题量大、涉及算法多的特点,设计并实现了融合知识图谱的在线评测系统习题个性化推荐算法,并基于该算法搭建了以知识图谱增强的习题推荐模型为基础的学习分析系统。本文的主要工作如下。一、提出了知识图谱增强的神经矩阵分解推荐模型MKRN(Multi-Task Feature Learning for Knowledge Graph enhances Recommendation with Neural Matrix Factorization)。针对在线评测系统下的个性化习题推荐场景,提出了 MKRN模型,一方面,该模型在传统的协同过滤基础之上引入了并行的神经网络模块,通过这两个路线把它们各自的特征结合起来能够促使它们相互强化,提升模型的推荐能力,并且使用本文提出的LEMD-GA算法构建学习者-习题匹配度矩阵,以更好地对复杂的用户-习题关系进行建模;另一方面,基于在线评测系统下的习题信息构建习题知识图谱,并通过交叉压缩单元将知识图谱中所蕴含的语义信息融合到推荐任务中以缓解冷启动问题。整体来说,本模型是在多任务学习框架下,将习题知识图谱中所蕴含的习题间隐式关联信息融入到以神经矩阵分解为基础的推荐模型中,完成个性化习题推荐任务。通过实验验证了本文所提出的习题推荐模型MKRN的有效性,其能够达到85.1%的习题推荐精确率。二、搭建了以知识图谱增强的习题推荐模型为基础的学习分析系统。通过学习分析技术可以向学习者提供个性化的学习服务,本文在整合学习者做题过程数据的基础之上,运用推荐模型向学生推荐合适的习题。在实现上,采用B/S架构,以知识图谱增强的习题推荐模型为基础,构建了学习分析系统,能够实现以下功能,一、学习者做题学情分析;二、学习者能力水平分析;三、学习者个性化习题推荐,使得每个学习者都能得到最有效的教学指导,提升学习效果。在6919道在线习题组成的真实数据集上开展了对照实验,结果表明本文方法能有效向学习者进行习题推荐,验证了本文所使用的习题推荐模型的有效性,并在实现算法的基础上,进一步构建了以MKRN模型为基础的习题推荐学习分析系统。
基于多任务学习和知识图谱的习题推荐模型研究与应用
这是一篇关于知识图谱,多任务特征学习,习题推荐,学习分析系统,在线评测系统的论文, 主要内容为随着信息技术的发展,网络学习资源数量源源不断地增加,造成了“信息过载”的现象,学习者面对海量习题,难以高效地从中筛选出最适合自己的题目,因此学习者的个性化学习需求也更加强烈。个性化推荐是缓解信息过载的有效手段之一,但目前的推荐模型大多是以传统的协同过滤和认知诊断为基础,没有充分考虑到习题之间的隐式关联,且在网络平台上数据基数大的情况下容易造成数据稀疏问题,学习资源的不断扩充和在线学习平台用户的不断增加也容易造成冷启动问题。因此,构建合适的知识图谱,利用知识图谱中丰富的语义关系,辅助推荐模型提高推荐性能是一项十分有意义的研究。为了实现知识图谱增强的个性化习题推荐,本文针对在线评测(Online Judge,OJ)系统具有在线交题、判题功能且题量大、涉及算法多的特点,设计并实现了融合知识图谱的在线评测系统习题个性化推荐算法,并基于该算法搭建了以知识图谱增强的习题推荐模型为基础的学习分析系统。本文的主要工作如下。一、提出了知识图谱增强的神经矩阵分解推荐模型MKRN(Multi-Task Feature Learning for Knowledge Graph enhances Recommendation with Neural Matrix Factorization)。针对在线评测系统下的个性化习题推荐场景,提出了 MKRN模型,一方面,该模型在传统的协同过滤基础之上引入了并行的神经网络模块,通过这两个路线把它们各自的特征结合起来能够促使它们相互强化,提升模型的推荐能力,并且使用本文提出的LEMD-GA算法构建学习者-习题匹配度矩阵,以更好地对复杂的用户-习题关系进行建模;另一方面,基于在线评测系统下的习题信息构建习题知识图谱,并通过交叉压缩单元将知识图谱中所蕴含的语义信息融合到推荐任务中以缓解冷启动问题。整体来说,本模型是在多任务学习框架下,将习题知识图谱中所蕴含的习题间隐式关联信息融入到以神经矩阵分解为基础的推荐模型中,完成个性化习题推荐任务。通过实验验证了本文所提出的习题推荐模型MKRN的有效性,其能够达到85.1%的习题推荐精确率。二、搭建了以知识图谱增强的习题推荐模型为基础的学习分析系统。通过学习分析技术可以向学习者提供个性化的学习服务,本文在整合学习者做题过程数据的基础之上,运用推荐模型向学生推荐合适的习题。在实现上,采用B/S架构,以知识图谱增强的习题推荐模型为基础,构建了学习分析系统,能够实现以下功能,一、学习者做题学情分析;二、学习者能力水平分析;三、学习者个性化习题推荐,使得每个学习者都能得到最有效的教学指导,提升学习效果。在6919道在线习题组成的真实数据集上开展了对照实验,结果表明本文方法能有效向学习者进行习题推荐,验证了本文所使用的习题推荐模型的有效性,并在实现算法的基础上,进一步构建了以MKRN模型为基础的习题推荐学习分析系统。
基于多任务学习和知识图谱的习题推荐模型研究与应用
这是一篇关于知识图谱,多任务特征学习,习题推荐,学习分析系统,在线评测系统的论文, 主要内容为随着信息技术的发展,网络学习资源数量源源不断地增加,造成了“信息过载”的现象,学习者面对海量习题,难以高效地从中筛选出最适合自己的题目,因此学习者的个性化学习需求也更加强烈。个性化推荐是缓解信息过载的有效手段之一,但目前的推荐模型大多是以传统的协同过滤和认知诊断为基础,没有充分考虑到习题之间的隐式关联,且在网络平台上数据基数大的情况下容易造成数据稀疏问题,学习资源的不断扩充和在线学习平台用户的不断增加也容易造成冷启动问题。因此,构建合适的知识图谱,利用知识图谱中丰富的语义关系,辅助推荐模型提高推荐性能是一项十分有意义的研究。为了实现知识图谱增强的个性化习题推荐,本文针对在线评测(Online Judge,OJ)系统具有在线交题、判题功能且题量大、涉及算法多的特点,设计并实现了融合知识图谱的在线评测系统习题个性化推荐算法,并基于该算法搭建了以知识图谱增强的习题推荐模型为基础的学习分析系统。本文的主要工作如下。一、提出了知识图谱增强的神经矩阵分解推荐模型MKRN(Multi-Task Feature Learning for Knowledge Graph enhances Recommendation with Neural Matrix Factorization)。针对在线评测系统下的个性化习题推荐场景,提出了 MKRN模型,一方面,该模型在传统的协同过滤基础之上引入了并行的神经网络模块,通过这两个路线把它们各自的特征结合起来能够促使它们相互强化,提升模型的推荐能力,并且使用本文提出的LEMD-GA算法构建学习者-习题匹配度矩阵,以更好地对复杂的用户-习题关系进行建模;另一方面,基于在线评测系统下的习题信息构建习题知识图谱,并通过交叉压缩单元将知识图谱中所蕴含的语义信息融合到推荐任务中以缓解冷启动问题。整体来说,本模型是在多任务学习框架下,将习题知识图谱中所蕴含的习题间隐式关联信息融入到以神经矩阵分解为基础的推荐模型中,完成个性化习题推荐任务。通过实验验证了本文所提出的习题推荐模型MKRN的有效性,其能够达到85.1%的习题推荐精确率。二、搭建了以知识图谱增强的习题推荐模型为基础的学习分析系统。通过学习分析技术可以向学习者提供个性化的学习服务,本文在整合学习者做题过程数据的基础之上,运用推荐模型向学生推荐合适的习题。在实现上,采用B/S架构,以知识图谱增强的习题推荐模型为基础,构建了学习分析系统,能够实现以下功能,一、学习者做题学情分析;二、学习者能力水平分析;三、学习者个性化习题推荐,使得每个学习者都能得到最有效的教学指导,提升学习效果。在6919道在线习题组成的真实数据集上开展了对照实验,结果表明本文方法能有效向学习者进行习题推荐,验证了本文所使用的习题推荐模型的有效性,并在实现算法的基础上,进一步构建了以MKRN模型为基础的习题推荐学习分析系统。
面向电子线路实验的分布式在线自动评测系统研究
这是一篇关于在线评测系统,远程过程调用,消息中间件,电子线路实验,电路故障检测的论文, 主要内容为对电子信息大类的学生培养而言,实验教学是工程教育中极其关键的一环。传统的实验教学存在实验课时不足,实验资源老旧,实验教学效率低,教育资源分配不均以及一线教师短缺的问题。因此,改革实验教学模式,研制远程教学实验系统对于提升教学效率与质量至关重要。目前的远程教学实验系统通常采取统一管理实验设备,提供学生远程接入的模式,与线下教学模式还存在较大差异,同时缺少辅助教学功能,例如在线自动评测功能、电路故障检测功能等。针对现存远程实验教学系统存在的问题,本文中研究并设计了一个面向电子线路实验的分布式在线自动评测系统,为实验教学提供了一个完整的解决方案。研究成果如下:1、自研了电子线路实验硬件平台。平台中包含了学生进行实验所必须的实验仪器功能,包括双路可调隔离电源,激励源产生模块,多节点信号采集模块,复阻抗测量模块以及波形采集模块。本文自研的硬件平台可为学生提供进行实验所必须的实验环境,同时为本文提出的辅助教学功能提供了硬件平台支持。2、提出了一种适用于远程实验教学系统的通信框架,支持多个学生接入系统并传输不同类型的数据,包括静态数据以及高速波形数据,并支持将数据存档至数据库。教师可远程查看学生实验波形并随时查阅学生的历史实验记录,极大的提升了实验教学的效率。3、基于上述硬件平台和通信框架,设计并实现了在线自动评测功能。在研究了在线自动评测系统的运行机制与测试原理后,提出了面向电子线路实验的在线自动评测系统功能,实现了实验教学的自动化验收及评分。此外,研究了基于人工神经网络的电路故障检测算法。将电路建模成二端口网络,对电路的输入输出信号展开端到端的分析,从而避开了对网络拓扑本身的建模。本文在Matlab Simulink中对电路故障检测问题进行了研究与仿真。实验结果表明,本文设计的基于人工神经网络的电路故障检测算法能够进行故障类型和位置识别。本文基于自研硬件平台与提出的适用于远程实验教学系统的网络通信框架,实现了在线自动评测的功能与教师远程波形查看功能,同时还对电路故障检测算法展开了研究。本文为学生提供了实验所需的便携的硬件平台,方便学生随身携带并展开实验,扩展了实验的灵活性。本文所实现的在线自动评测功能显著降低了教师的工作量并提升了实验教学的效率与质量。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码驿站 ，原文地址：https://m.bishedaima.com/lunwen/54975.html
