基于领域知识图谱的数字化学习资源推荐算法研究
这是一篇关于在线学习,知识图谱,资源推荐,特征传播,Bi-GRU,自注意力机制的论文, 主要内容为“互联网+教育”极大推动了教育信息化的发展进程,但数字化学习资源不断丰富的同时,“知识过载”成为学习知识的一大阻碍。如何为学习者厘清知识脉络、个性化构建知识体系,以达到高效学习并强化效果的目的,研究学习资源推荐算法,遴选推送适合学习者知识基础的学习资源是解决知识过载问题的有效方法。对此,论文主要完成了以下几方面的工作:(1)以学习资源为主体,知识衔接为关系,建立领域知识图谱模型。论文以机器学习课程为例,利用预训练模型Bert得到包含字、字所在句以及位置信息的特征向量,利用Bi-LSTM+CRF进行知识点实体抽取;使用模版规则的方法抽取实体间的关系;将得到的三元组存储到Neo4j中,为后续推荐算法提供知识图谱模型。(2)提出一种融合知识图谱邻居双端的在线学习资源推荐算法(Knowledge Neighbor Double Polymerization,KNDP)。以学习者为用户端,将学习者的既有知识点与新知识点之间的实体及其邻居信息聚合得到嵌入表示,捕捉学习者的个性化需求;以学习资源为项目端,利用邻居实体扩充学习资源的语义信息与嵌入表示;最后将其送入全连接层得到两者间的交互概率。通过对比实验分析,该算法在AUC指标和ACC指标上相较于最优基线分别提升了1.22%和1.56%,并在Precision@K指标和Recall@K指标上取得不同程度的提升。(3)提出一种序列信息与知识图谱邻居信息融合的在线学习资源推荐算法(Sequence Information and Knowledge Graph Neighbor Polymerization,SIKGNP)。通过KNDP算法得到学习者和学习资源嵌入表示,之后从历史数据中得到学习者与学习资源之间按照时间顺序交互的项目序列集合,将集合中元素的邻居信息传递到该实体中以丰富其语义信息;使用双向循环门控单元学习交互数据中的序列信息,利用自注意力机制得到序列的全局特征,继而将学习者向量与之拼接得到包含序列信息的学习者表征;最后送入全连接层计算两者的交互概率。通过在公开数据集MOOPer和自建数据集上对比分析可知,该算法在稀疏数据集上的性能损耗明显减少,并在各项指标均取得较好效果。综上所述,论文首先构建知识图谱模型并将学习者已访问的学习资源映射到知识图谱中的实体上,为后续推荐提供模型支持。KNDP算法能够满足学习者个性化的资源获取需求,并得到与推荐任务强相关的知识图谱嵌入向量,继而引入Bi-GRU和自注意力机制提升推荐性能。SIKGNP算法考虑了学习者的偏好、知识特点以及序列特征三方面信息,为更准确地捕获学习需求服务,提高学习资源推荐的靶向性。
面向老年人的机器人对话生成技术研究与实现
这是一篇关于对话生成,老年人机器人,Bi-GRU,Luong Attention,知识图谱的论文, 主要内容为在如今人口老龄化快速发展的阶段,越来越多的“空巢老人”不得不面临着生活上的不便与精神上的孤独。贯彻落实人口老龄化国家战略,重视智慧养老产品的发展,为老人提供智能化服务,保障老年人的生活质量,同时也为老龄化的社会赋能,缓解年轻人及社会压力。本文针对老年人陪护类机器人的对话生成技术进行了研究,使其既能够支持与老人的日常开放式闲聊,又可以为老人提供身心健康方面的咨询服务,尽量做到切合老人的兴趣与需求,提供实质性的帮助。本文研究的对话生成技术包括对话聊天和身心健康咨询两大功能。关于对话聊天部分,为解决传统Seq2Seq模型在对话生成的过程中无法准确捕捉整个长文本序列的关键信息,提取语句的前后语义关联能力有限,容易生成通用回复等问题。本文采用生成式的对话模型来实现开放域的对话生成任务,提出了一种将Luong注意力机制、集束搜索算法、双向GRU与传统Seq2Seq模型相结合的对话模型。通过设计对比实验,利用评价指标以及模型实际生成的对话实例对各实验模型进行综合评估,最终实验结果表明本文提出的模型所生成的通用回复现象更少,回复内容与输入内容更匹配,对话效果优于传统的Seq2Seq模型。关于身心健康咨询部分,旨在方便老人了解常见疾病知识,同时也能更好地了解自身健康情况,设计了一种基于知识图谱的任务型问答系统,为老人提供生理与心理疾病方面的咨询服务。通过爬虫技术获得权威医疗网站上与老人相关的疾病数据并进行结构化处理,再利用存储于Neo4j图数据库中的生理疾病与心理疾病这两类知识图谱作为技术支撑,在第三章提出的模型基础上对用户输入的咨询问题进行意图分类,最终按照答案生成模板提供简洁且精准的回复,增强用户咨询疾病问题的体验。最后,使用Flask Web框架将整个模型部署到网页上进行实际应用,直观的前端界面呈现效果能够为用户提供更加真实、更加友好的交互体验。
基于领域知识图谱的数字化学习资源推荐算法研究
这是一篇关于在线学习,知识图谱,资源推荐,特征传播,Bi-GRU,自注意力机制的论文, 主要内容为“互联网+教育”极大推动了教育信息化的发展进程,但数字化学习资源不断丰富的同时,“知识过载”成为学习知识的一大阻碍。如何为学习者厘清知识脉络、个性化构建知识体系,以达到高效学习并强化效果的目的,研究学习资源推荐算法,遴选推送适合学习者知识基础的学习资源是解决知识过载问题的有效方法。对此,论文主要完成了以下几方面的工作:(1)以学习资源为主体,知识衔接为关系,建立领域知识图谱模型。论文以机器学习课程为例,利用预训练模型Bert得到包含字、字所在句以及位置信息的特征向量,利用Bi-LSTM+CRF进行知识点实体抽取;使用模版规则的方法抽取实体间的关系;将得到的三元组存储到Neo4j中,为后续推荐算法提供知识图谱模型。(2)提出一种融合知识图谱邻居双端的在线学习资源推荐算法(Knowledge Neighbor Double Polymerization,KNDP)。以学习者为用户端,将学习者的既有知识点与新知识点之间的实体及其邻居信息聚合得到嵌入表示,捕捉学习者的个性化需求;以学习资源为项目端,利用邻居实体扩充学习资源的语义信息与嵌入表示;最后将其送入全连接层得到两者间的交互概率。通过对比实验分析,该算法在AUC指标和ACC指标上相较于最优基线分别提升了1.22%和1.56%,并在Precision@K指标和Recall@K指标上取得不同程度的提升。(3)提出一种序列信息与知识图谱邻居信息融合的在线学习资源推荐算法(Sequence Information and Knowledge Graph Neighbor Polymerization,SIKGNP)。通过KNDP算法得到学习者和学习资源嵌入表示,之后从历史数据中得到学习者与学习资源之间按照时间顺序交互的项目序列集合,将集合中元素的邻居信息传递到该实体中以丰富其语义信息;使用双向循环门控单元学习交互数据中的序列信息,利用自注意力机制得到序列的全局特征,继而将学习者向量与之拼接得到包含序列信息的学习者表征;最后送入全连接层计算两者的交互概率。通过在公开数据集MOOPer和自建数据集上对比分析可知,该算法在稀疏数据集上的性能损耗明显减少,并在各项指标均取得较好效果。综上所述,论文首先构建知识图谱模型并将学习者已访问的学习资源映射到知识图谱中的实体上,为后续推荐提供模型支持。KNDP算法能够满足学习者个性化的资源获取需求,并得到与推荐任务强相关的知识图谱嵌入向量,继而引入Bi-GRU和自注意力机制提升推荐性能。SIKGNP算法考虑了学习者的偏好、知识特点以及序列特征三方面信息,为更准确地捕获学习需求服务,提高学习资源推荐的靶向性。
面向老年人的机器人对话生成技术研究与实现
这是一篇关于对话生成,老年人机器人,Bi-GRU,Luong Attention,知识图谱的论文, 主要内容为在如今人口老龄化快速发展的阶段,越来越多的“空巢老人”不得不面临着生活上的不便与精神上的孤独。贯彻落实人口老龄化国家战略,重视智慧养老产品的发展,为老人提供智能化服务,保障老年人的生活质量,同时也为老龄化的社会赋能,缓解年轻人及社会压力。本文针对老年人陪护类机器人的对话生成技术进行了研究,使其既能够支持与老人的日常开放式闲聊,又可以为老人提供身心健康方面的咨询服务,尽量做到切合老人的兴趣与需求,提供实质性的帮助。本文研究的对话生成技术包括对话聊天和身心健康咨询两大功能。关于对话聊天部分,为解决传统Seq2Seq模型在对话生成的过程中无法准确捕捉整个长文本序列的关键信息,提取语句的前后语义关联能力有限,容易生成通用回复等问题。本文采用生成式的对话模型来实现开放域的对话生成任务,提出了一种将Luong注意力机制、集束搜索算法、双向GRU与传统Seq2Seq模型相结合的对话模型。通过设计对比实验,利用评价指标以及模型实际生成的对话实例对各实验模型进行综合评估,最终实验结果表明本文提出的模型所生成的通用回复现象更少,回复内容与输入内容更匹配,对话效果优于传统的Seq2Seq模型。关于身心健康咨询部分,旨在方便老人了解常见疾病知识,同时也能更好地了解自身健康情况,设计了一种基于知识图谱的任务型问答系统,为老人提供生理与心理疾病方面的咨询服务。通过爬虫技术获得权威医疗网站上与老人相关的疾病数据并进行结构化处理,再利用存储于Neo4j图数据库中的生理疾病与心理疾病这两类知识图谱作为技术支撑,在第三章提出的模型基础上对用户输入的咨询问题进行意图分类,最终按照答案生成模板提供简洁且精准的回复,增强用户咨询疾病问题的体验。最后,使用Flask Web框架将整个模型部署到网页上进行实际应用,直观的前端界面呈现效果能够为用户提供更加真实、更加友好的交互体验。
面向老年人的机器人对话生成技术研究与实现
这是一篇关于对话生成,老年人机器人,Bi-GRU,Luong Attention,知识图谱的论文, 主要内容为在如今人口老龄化快速发展的阶段,越来越多的“空巢老人”不得不面临着生活上的不便与精神上的孤独。贯彻落实人口老龄化国家战略,重视智慧养老产品的发展,为老人提供智能化服务,保障老年人的生活质量,同时也为老龄化的社会赋能,缓解年轻人及社会压力。本文针对老年人陪护类机器人的对话生成技术进行了研究,使其既能够支持与老人的日常开放式闲聊,又可以为老人提供身心健康方面的咨询服务,尽量做到切合老人的兴趣与需求,提供实质性的帮助。本文研究的对话生成技术包括对话聊天和身心健康咨询两大功能。关于对话聊天部分,为解决传统Seq2Seq模型在对话生成的过程中无法准确捕捉整个长文本序列的关键信息,提取语句的前后语义关联能力有限,容易生成通用回复等问题。本文采用生成式的对话模型来实现开放域的对话生成任务,提出了一种将Luong注意力机制、集束搜索算法、双向GRU与传统Seq2Seq模型相结合的对话模型。通过设计对比实验,利用评价指标以及模型实际生成的对话实例对各实验模型进行综合评估,最终实验结果表明本文提出的模型所生成的通用回复现象更少,回复内容与输入内容更匹配,对话效果优于传统的Seq2Seq模型。关于身心健康咨询部分,旨在方便老人了解常见疾病知识,同时也能更好地了解自身健康情况,设计了一种基于知识图谱的任务型问答系统,为老人提供生理与心理疾病方面的咨询服务。通过爬虫技术获得权威医疗网站上与老人相关的疾病数据并进行结构化处理,再利用存储于Neo4j图数据库中的生理疾病与心理疾病这两类知识图谱作为技术支撑,在第三章提出的模型基础上对用户输入的咨询问题进行意图分类,最终按照答案生成模板提供简洁且精准的回复,增强用户咨询疾病问题的体验。最后,使用Flask Web框架将整个模型部署到网页上进行实际应用,直观的前端界面呈现效果能够为用户提供更加真实、更加友好的交互体验。
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：代码导航 ，原文地址：https://m.bishedaima.com/lunwen/56158.html
