给大家推荐10篇关于知识图的计算机专业论文

今天分享的是关于知识图的10篇计算机毕业论文范文, 如果你的论文涉及到知识图等主题,本文能够帮助到你

基于知识点推荐的初中物理学习系统的研究

这是一篇关于数据挖掘,在线学习,初中物理,知识图,关联规则挖掘的论文, 主要内容为近几年来,互联网技术蓬勃发展,人工智能和数据挖掘技术正在越来越多的领域掀起科技革命,人类社会的诸多方面也因此受益。随着教育信息化的深入与推进,以网络为载体的各类在线教育应用层出不穷,知识推荐类教学网站便是其中的热门之一。但目前为止,大多知识推荐类教学网站仍以简单的线性内容呈现为主,且多数此类系统尚未尝试将当下初具规模的数据挖掘技术应用于实际教学中,因此,在进入新世纪的多年以来,学生的网上学习效果并没有得到显著的改善和提升。受少数知识图谱教育应用的启发,结合数据挖掘技术在信息处理方面的卓越表现,本研究将学科教材知识内容和当下的数据挖掘技术相结合,创新出一种学科主题知识图的构建方法。在将采用此方法构建的主题知识图应用于当前的初中物理在线教学时,获得了良好的教学效果。具体来说,本研究首先运用命名实体识别技术对初中物理教材中的文字内容进行物理专有概念提取;然后使用关联规则挖掘技术将提取好的专有概念进行关联关系识别,以判断关联概念间的先后决条件关系;最后,以知识点概念作为节点和概念先后决关系作为有向边缘来构建相应知识内容的知识关系图,借以精简知识的组织结构,形成高质量的主题知识资源。在本文中,实际选取了人民教育出版社出版的八年级物理上册和下册教材中的共四章内容作为案例,采用上述方式构建了主题知识图。最后,本研究利用Java技术开发了专门的初中物理学习网站,进行了较为严谨的实践效果验证,具体做法是采用教育实验的方法,将该学习网站投入到现实的初中物理课堂教学中使用,通过对学生课上表现和章节学习成绩的分析与比较来审视本学习系统的实际效果,使本研究实现从理论到实践的质变飞跃。

The Research on User Profiling and Time Awareness-based Hybrid Approaches for Recommendation Systems

这是一篇关于混合推荐,用户建模,用户信息,知识图,推荐系统原型的论文, 主要内容为当前,大多数互联网用户都面临着信息过载的问题。因此,学术界和工业界出现了各种推荐系统和方法来解决这一问题。推荐系统一般根据用户的个人信息库来预测用户对未知项目的评价或者为用户提供相关信息。混合推荐系统集成了不同的推荐方法和技术,利用它们各自的优点,克服它们各自的局限性,来获得更好的结果并提高预测和推荐的质量。然而,尽管推荐系统在工业界和学术界得到了广泛关注和快速发展,但它仍然面临着冷启动、数据稀疏、用户建模以及用户兴趣偏好转移等诸多挑战和限制。许多学术研究只关注用户与用户或者项目与用户之间的相似度算法,而忽略了用户个人信息库的重要性。此外,这些学术研究也没有给予用户兴趣的动态变化以足够的关注。因此,除了提高推荐结果的准确性外,还可以通过解决推荐系统的这些挑战和局限性,进一步提高推荐的效率和有效性。本文主要聚焦于用户建模和混合推荐方法,研究了不同的用户建模方法以解决在推荐系统中遇到的诸多挑战和缓解推荐系统的局限性。此外,用户生成的内容(如用户评论)也被用于用户建模,以改善用户个人信息库和提高推荐的性能。在用户建模研究的支持下,本文提出了一种新的用户混合推荐方法,该方法主要用来解决用户兴趣偏好变化问题和提高推荐的性能。本文所提出的混合推荐方法采用基于内容和神经协同过滤的方法,利用扩展的用户和项目信息执行用户建模、评分预测和Top N推荐任务。此外,该混合推荐系统还将扩展的用户和项目信息应用于知识图谱中,以利用用户、项目、属性和特征之间的关系来提高评分预测的性能。本文采用准确率、召回率、新颖性、多样性、MAE(Mean Absolute Error)和RMSE(Root Mean Square Error)等多种评价指标,把该混合推荐方法与几种基准推荐算法进行了全面地,详细地评估和比较。实验结果表明,本文提出的混合推荐方法解决了用户兴趣偏好变化的问题,而且在评分预测以及Top N推荐上优于目前这些基准方法。此外,本文还设计并实现了一个基于该推荐方法的推荐系统原型。该推荐系统原型提供了其管理的图形用户界面以及允许用户查看、执行和控制本文提出功能,此外,原型还包括查看和搜索系统中所有的用户和项目,构建和查看不同的知识图谱,为每个用户创建其个人信息库,生成评分预测以及Top N推荐。本研究有助于学术界在用户建模,混合推荐方法和推荐系统评估等方面的研究。而且,基于本文提出的混合推荐方法,本研究设计和开发了一个推荐系统原型,促进了推荐系统行业的发展。

个性化教育平台的设计与实现

这是一篇关于个性化教育平台,知识图,在线评判,路径推荐的论文, 主要内容为随着移动互联网的盛行和发展,在线教育作为一种运用信息技术和互联网科技的新型教育模式逐渐兴起。现有的在线教育平台如MOOC系统,对知识的控制粒度较粗,基本没有个性化的教学功能,导致课程完成率低、用户学习体验较差。个性化教育平台能够针对学习者的个体属性提供个性化的内容呈现,使学生在学习过程中思维、创新以及自主学习等能力得以提高,提升用户的在线学习体验。本论文研究并实现了一个基于B/S架构的个性化教育平台。首先,介绍了关于国内外个性化教育的研究现状,分析了其中有哪些值得深入探讨和借鉴的地方。然后,简单介绍了开发本系统所需的关键理论和技术,分析了这些技术的概念、理论以及优缺点。接下来,进行了系统需求分析和总体设计,讨论了系统在开发上的可行性,概述了系统的总体架构并介绍了本系统对在线教育资源信息的管理方式并将系统功能分为多个模块,随后,在系统详细设计阶段,整合系统各个功能模块需求,详细介绍了本系统关键功能模块的设计与实现。最后,对系统各功能进行了一系列的测试与分析。论文工作的重点包括:(1)从网络知识库中爬取不同学科的知识内容,分析内容主题并在此基础上提出了一种基于网络知识库词频分析的知识点聚类方法,运用该方法对主题以及主题相关内容进行聚类,进而构造出本学科层次化的知识图。同时,以类似的方法构建不同学科的在线题库。(2)在完成对知识点整合、知识点相应题库构造的基础上,通过分析用户学习行为,对用户提供关于学科和学习路径的推荐服务。具体学习行为数据包括:用户初始学习数据、用户章节测试成绩记录、用户历史浏览记录等。同时结合系统实际需求和不同推荐算法的优缺点,在不同的情况下采用了不同的推荐方法。大量测试表明系统基本能够满足学习者对学习内容的个性化需求,能及时结合用户学习行为和知识组织分析来解决学习效果评估和学习路径推荐等关键问题,支持学习者在任意时间、地点进行学习,有效地提高学习者的学习效果和使用体验。

基于知识增强预训练模型的个性化评分预测与解释生成

这是一篇关于基于评论的评分预测,预训练语言模型,知识图,提示学习,解释生成的论文, 主要内容为评分预测作为推荐系统的经典任务,一直以来受到了研究者的广泛关注。随着电商平台的用户数量不断增加,用户生成的评论不断积累,相关研究在用户ID和商品ID的基础上引入了评论文本来提升评分预测的效果。近年来,基于多层堆叠的Transformer结构的预训练模型大批涌现,也得益于GPU算力的不断提升,这些层次深、参数多的大规模预训练模型在文本相关的任务上表现出了卓越的性能。最近,如何将预训练语言模型应用到推荐系统领域正在吸引越来越多研究者的注意。然而现有的研究大多忽略了以下两个方面的探索:(1)如何在预训练模型的基础上建模用户评论的细粒度方面中包含的丰富知识及其相关的知识图;(2)如何将用户、项目、评分以及方面作为提示信息融入到预训练模型中帮助生成解释文本。对于第一个问题,基于个性化评论的评分预测旨在利用现有评论中的文本信息,对用户的兴趣和项目特征进行建模,从而进行评分预测。现有的研究大多集中在对非结构化文本的直接建模上。然而,他们主要有两个问题。首先,很少考虑在每个评论的细粒度方面(aspectlevel)中包含的丰富知识及其相关的知识图来补充纯文本,以便更好地建模用户项目交互。其次,在基于个性化评论的评分预测的下游任务中,并没有仔细研究预训练语言模型的能力。在本文中,提出了一种名为基于预训练语言模型的知识感知协同过滤(KCFPLM)的方法来解决这两个问题。具体来说,为了利用丰富的知识,本文从评论中提取一些方面,构建一个异构带权知识图,并使用一个Transformer网络来建模这些方面关于给定的用户项目对之间的交互作用;另外,为了表示用户和项目,本文将用户或项目的所有历史评论作为预训练语言模型的输入。KCFPLM通过在知识图上的表示传播和基于个性化注意的方面组合,将Transformer网络和预训练语言模型紧密集成。因此,KCFPLM将评论文本、方面、知识图和预训练模型结合成一个统一的模型。本文在几个公共数据集进行了全面的实验,证明了KCFPLM及其主要组件的有效性。对于第二个问题,个性化的解释生成的目标是通过对用户和项目的联合建模,来生成为用户推荐该项目的理由。以往的研究中大部分采用了编码器解码器架构,将用户和项目的ID等属性编码为向量输入到解码器中再翻译为解释文本,事实上,用户和项目ID作为推荐系统中的重要标识符,与待生成的文本之间存在语义鸿沟。而且在真实推荐场景中,解释生成往往面临着提示生成信息不足的问题,或者要依赖系统通过询问用户来获得特征提示信息。另外,预训练语言模型在文本生成任务上有卓越的表现,但由于其复杂的结构和大规模的参数,很少有研究探索将其定制化以适应推荐解释生成任务。受最近Prompt Learning进展的启发,本文提出了基于个性化提示学习解释生成模型PPLGen:通过设计个性化提示模板,使预训练模型能够适应于推荐解释生成任务;为了克服用户ID和项目ID与词语之间的语义鸿沟,设计了嵌入式的Prompt;针对提示信息不足,本文在前置任务中预测了用户对于项目的评分以及感兴趣的方面集作为补充信息。在多个数据集上的实验结果证明了PPLGen模型的优越性。

知识图与行为图混合嵌入的知识推荐研究

这是一篇关于知识图,行为图,图卷积神经网络,知识推荐,知识成分的论文, 主要内容为随着信息技术的迅猛发展,知识推荐系统在智慧教育领域被广泛应用。知识推荐的两个基本任务是预测学习者偏好分布情况以及预测学习资源知识分布情况。传统的学习者偏好模型通常基于学习者学习状态进行推荐,忽略了知识结构中蕴含的整体性学习规律和学习者行为结构中蕴含的个体性学习规律,进而导致学习者偏好拟合不够准确、知识推荐效果不够理想等问题。而现有推荐方法中对学习资源知识分布情况进行预测时,未能充分利用学习者与学习资源间的交互信息,同样影响了知识推荐的效果。针对于此,本文提出了知识图与行为图混合嵌入的知识推荐方法。一方面,利用图神经网络拟合学习者学习规律以获取学习者偏好分布情况。另一方面,从学习者选择学习资源的意图角度出发,充分利用二者间的交互信息以预测学习资源知识分布。具体研究内容如下:第一,针对学习者偏好预测模型中知识结构与学习者行为结构,提出了知识图与行为图混合嵌入的学习者偏好预测模型(KGBR)。首先,本文使用图卷积的方式拟合知识图以及行为图的结构信息,获取学习者整体性学习规律与个体性学习规律。然后,利用知识结构与行为结构的差异性拟合学习者个性化偏好,采用循环神经网络将学习者的过程性偏好进行编码与解码,获得学习者偏好分布向量。第二,提出了基于知识成分嵌入的个性化知识推荐。该部分主要包含两方面内容。一方面,预测学习资源知识分布。一般来说,学习者选择学习资源是因为学习资源中蕴含着其感兴趣的知识点。基于此想法,本文提出了知识成分嵌入的学习资源知识分布预测模型(MCE)。首先,利用学习者与学习资源交互图拟合交互信息。其次,利用该交互信息对知识成分进行多层次分解。最后,对多个知识成分进行组合,以获取学习资源的知识分布。另一方面,基于以上两部分研究,实现了对学习者的个性化知识推荐。本文将学习者嵌入表示和学习资源的嵌入表示作为输入,获取学习者对于各学习资源的预测评分,用来实现个性化知识推荐。第三,验证了模型的有效性。在两个真实的数据集上的实验结果证明,KGBR+MCE混合的知识推荐模型在学习资源预测结果上拥有更低的均方根误差和平均绝对误差以及更高的AUC。综上所述,模型在知识推荐方面较传统方法效果有一定的提升,具有良好的性能。

基于图网络的多模态特征学习算法研究与应用

这是一篇关于多模态特征学习,图网络,目标检测,推荐系统,迁移学习,知识图的论文, 主要内容为多模态数据是人类对自然界事物不同形态的抽象,并且多模态数据往往也是人们信息交流的载体,因此如何将多模态数据进行特征学习是对数据认知和理解的重要基础。由于近几年深度学习的快速发展,深度学习在单模态数据上的特征提取已经趋于完善,但相比人类学习过程而言,深度学习还存在诸多问题,例如深度学习需要大量的带标签的数据进行训练,以及无法引入人类的先验知识进行推理与迁移等问题。根据人类学习知识的经验,利用拓扑图结构可以直观地构建知识体系,所以,不管在多模态特征提取还是多模态特征融合中,图网络都非常适用。因此,本论文提出基于图网络的多模态特征学习框架,并根据不同多模态学习任务中遇到的问题,设计不同的多模态特征学习算法模块。本论文将针对传统深度学习在目标检测和推荐系统中遇到的问题,研究其基于图网络的多模态特征学习算法。针对现有移动交通场景下目标检测模型训练样本和实际测试样本特征分布存在差异的问题,提出智能交通移动边缘计算知识共享框架,利用多模态特征实现边缘计算节点间的知识共享。为了克服传统目标检测算法无法与其他模态通过时空关系建立联系,以至于无法利用多模态数据实现边缘计算场景下进行知识迁移的问题,提出了跨模态上下文知识推理多目标检测算法模块,该模块通过利用图网络提取图像中的关系特征,并利用多模态双线性池化融合方式将跨模态上下文知识进行与图像实例间的关系特征进行融合和推理。通过模拟移动边缘计算中模型的训练过程,验证了该算法模块在交通场景跨域目标检测任务中的有效性,以及该算法模块在知识共享框架下对少样本迁移学习能力的提升,且目标检测精度提升多达4个百分点。传统的推荐系统无法充分利用从多模态数据中提取的特征,进而无法很好解决推荐系统中数据稀疏和冷启动问题,因此,本论文根据推荐系统任务的特点,结合知识图谱所具有的拓扑结构,提出多关系知识图谱协同过滤算法模型,该算法将图卷积网络与关系图卷积网络相结合,并采用分层异构图特征融合网络,进而充分学习知识图谱与用户间的协同关系,并且算法可以通过设置不同的关系图卷积层数以适应不同的推荐数据结构和需求,实验表明,该算法在标准数据集上推荐性能提升可以达到2～5个百分点,并在模型训练速度上达到了同类算法的3～4倍。基于图网络的多模态特征学习在目标检测、推荐系统中的实际应用结果表明,图网络对于构建不同模态的特征关系与利用外部先验知识进行迁移和推理有着优异的表现,且可以广泛应用在其它多模态应用场景。