学习型社区赋能教育强国建设——基于在线学习者关系网络分析视角

学习型社区建设有助于加快教育强国落地,社区中在线学习者的各种协作互动行为,促进了学习者关系网络的生成。对该网络进行深入分析,可以挖掘其中蕴含的社区学习的本质特征。该研究提出从社区发现角度对学习者关系网络进行分析,首先设计基于图卷积网络和非负矩阵分解,并集成学习者关系网络信息和文本内容信息的新型学习型社区发现方法,提出四个社区特征度量指标,在真实的学习者关系网络中进行应用分析。结果表明,所提出的分析方法能有效挖掘学习者关系网络存在的学习兴趣主题社区,还可以对社区整体和社区成员个体进行特征分析,并且分析结果可为引导学习者的在线交互协作行为提供决策支持。最后,形成“构建可视化学习型社区—开展社区之间知识分享—促进各社区的互动合作—指标反馈下的反思迭代”的学习型社区赋能策略。通过策略赋能学习型社区高质量发展,以社区新质生产力组合助推教育强国建设。

动态属性网络的语义社区发现及演化分析方法

动态属性网络的语义社区发现及演化分析具有重要研究价值,其包含动态社区发现、社区语义解释及社区演化分析三个任务,但现有方法均难以同时实现.针对该问题,提出一种基于联合非负矩阵分解的方法DANNMF(NMF for Dynamic Attributed Networks).DAN-NMF可以统一集成网络拓扑结构信息、节点属性信息及社区演化平滑约束信息,并利用最大最小化优化框架推导相关因子矩阵的迭代更新规则,从而可以直接获得动态社区发现、社区语义解释及社区演化分析结果.在人工合成和真实的动态属性网络进行大量相关实验,结果表明DAN-NMF比最优的基准方法在准确性指标上至少提高了7.3%.此外,在真实动态属性网络上的相关数据分析结果也表明DAN-NMF能够有效地发现动态社区的演化模式,并提供丰富的社区语义解释.

一种融合节点变化信息的动态社区发现方法

动态社区发现旨在检测动态复杂网络中蕴含的社区结构,对于揭示网络的功能及演化模式具有重要研究价值.由于相邻时刻网络的社区结构具有平滑性,前一时刻网络的社区划分信息可以用于监督当前时刻网络的社区划分过程,但已有方法均难以有效提取这些信息来提高动态社区发现性能.针对该问题,提出一种融合节点变化信息的动态社区发现方法(Semi-supervised Nonnegative Matrix Factorization combining Node Change Information,NCI-SeNMF).NCI-SeNMF首先采用k-core分析方法提取前一时刻社区网络的degeneracy-core,并选取degeneracy-core中的节点构造社区隶属先验信息,然后对相邻时刻网络的节点局部拓扑结构变化程度进行量化,并将其用于进一步修正社区隶属先验信息,最后通过半监督非负矩阵分解模型集成社区隶属先验信息进行动态社区发现.在多个人工合成动态网络和真实世界动态网络上进行大量对比实验,结果表明,NCI-SeNMF比现有动态社区发现方法在主要评价指标上至少提升了4.8%.

先决条件关系信息增强的课程知识图谱关系预测方法

大量课程知识图谱在自动答疑、学习路径规划及学习资源推荐等智能化教学应用中发挥着重要的支撑作用,然而实体间关系缺失导致的不完整问题显著降低了它们的应用价值。关系预测是自动化补全课程知识图谱缺失关系的主要手段,但现有方法仅直接使用稀疏的拓扑结构信息,未能挖掘利用其特有的先决条件关系信息进一步提升预测性能。针对该问题,设计了一种先决条件关系信息增强的课程知识图谱关系预测方法PRIERP。该方法首先设计基于语义路径计算的先决条件关系信息提取机制,然后分别基于拓扑结构信息和先决条件关系信息构建双视图,并设计有向图Transformer从双视图学习课程知识图谱的低维表征,最后基于多层感知机分类模型实现端到端的关系预测。在两个典型课程知识图谱HhsMath和ML上进行相关实验,结果表明PRIERP优于其他代表性方法。在HhsMath中,PRIERP在MRR,Hits@1,Hits@3和Hits@10评价指标上相比基线方法至少分别提升2.43%,5.93%,4.73%和1.72%。此外,关系预测的典型案例分析结果也证明了PRIERP的有效性。

基于SpringMVC及MyBatis的高校学术成果库设计与实现

针对华南师范大学学术成果库进行研究。简述了华南师范大学学术成果库的建设背景和目标,提出了成果库的总体设计、数据治理方案,阐述了关键技术SpringMVC和MyBatis,构建了成果库的功能体系架构,最后结合SpringMVC、MyBatis技术对成果库进行了开发实现。研究表明华南师范大学学术成果库的建设,解决了学术资源成果分散、数据不一致、教师反复填表等问题,为教师构建了全面完善的数据服务体系,在教学、科研、管理、服务等方面为学校提供了数据支持。同时也有效解决了目前成果库在国内发展现状中普遍存在的资源存储量偏低、资源更新速度慢、开放存取度不高、系统利用率低等问题。

一种集成链接和属性信息的社区挖掘方法

现有复杂网络社区挖掘方法由于单一利用节点链接信息或属性信息,从而无法有效发现成员链接紧密且属性高度相同的社区,针对该问题提出一种可集成节点链接和属性信息进行社区挖掘的方法:LANMF.LANMF基于非负矩阵分解模型,以联合矩阵分解的形式统一分解复杂网络节点链接矩阵以及属性关联矩阵,可直接获得节点与社区归属关系矩阵以及属性与社区关联矩阵,社区成员在链接结构紧密度以及属性相关性上可得到很好的保证.设计了乘性迭代更新规则作为联合矩阵分解优化算法并从数学上严格证明了其正确性和收敛性.实验结果表明:LANMF的社区挖掘质量优于现有典型的同类社区挖掘方法,能直接有效挖掘社区,而且实际应用表明LANMF适合用于挖掘现实世界复杂网络中的主题社区以及重叠社区.

基于学术社区的科技论文推荐方法

提出一种以学术社区服务系统为基础,面向学术社区用户的新型科技论文推荐方法,可充分利用社区用户信息改善科技论文推荐质量以及效率.对该方法所涉及的学术社区服务系统设计、网络社区发现以及基于网络社区的协同推荐算法等关键问题的实现思路进行了详细阐述.实际应用表明,该方法可为科研用户提供更准确、更可信的论文推荐服务.

面向大规模社交网络的潜在好友推荐方法

有效的潜在好友推荐是促进社交网络不断增长的重要途径,对于大规模社交网络环境下的复杂计算问题,文章提出了一种适用于大规模社交网络的潜在好友推荐方法,该方法首先将用户的潜在好友划分为"可能认识的"和"可能感兴趣的"2类,然后分别基于用户共同好友关系拓扑图和Profile文本相似性计算模型进行描述,最后基于MapReduce云计算模型对相关方法进行了设计实现。探讨了云计算环境下的潜在好友推荐系统框架设计、大规模用户共同好友关系拓扑图以及Profile文本相似性计算的方法,并通过实验以及应用实例验证了该方法的有效性以及可扩展性。

融合社交网络信息的协同过滤方法

针对目前协同过滤方法存在的数据稀疏性、冷启动以及未能有效利用用户社交网络信息提高推荐质量等问题,提出一种融合用户社交网络信息的协同过滤方法,该方法以矩阵分解推荐模型为核心,可综合集成目标用户个人偏好以及社交网络中的关系用户偏好特征信息做出推荐.通过设计相应的推荐方法,并基于梯度下降法对用户以及商品特征矩阵的求解进行了优化运算.相关实验结果表明融合社交网络信息可在一定程度上提高协同过滤的推荐准确度以及缓解数据稀疏性、冷启动问题.

应用随机游走的社交网络用户分类方法

针对现有在线社交网络用户分类方法不能有效利用用户属性和关系网络信息提高分类性能的问题,设计了一种基于随机游走模型的多标签分类方法MLCMRW。该方法的分类过程包括学习用户初始化类别标签以及通过迭代推理获得用户稳定标签分布两个阶段,并且其可以同时考虑用户属性以及关系网络特征信息进行分类。多个在线社交网络数据集上进行的实验表明,MLCMRW比其它已有的代表性方法有更好的分类性能,并且更适合对现实中的在线社交网络进行用户分类。

实验教学数据管理与分析系统的研究与实践

为解决目前实验教学数据管理与分析工作所面临的问题,设计了一种新型实验教学数据管理与分析系统。该系统具备了全面的实验教学相关数据管理功能,同时借助SQL Server的商业智能工具,实现了相关主题数据的高效统计与分析功能,对系统的体系结构、功能组成、典型数据管理功能设计以及数据统计与分析模型设计等进行了详细说明。实际应用案例表明,该系统实现了实验教学管理工作的数字化、网络化以及智能化,可提高管理效率以及对管理决策具有积极的辅助作用。

应用非负值矩阵分解模型的社区挖掘方法

在线社交网络增长迅速,对其进行社区挖掘对于了解网络结构特征具有重要意义.提出一种基于非负值矩阵分解的社区挖掘方法,能够将社交网络矩阵分解为适合于发现用户与社区所属关系以及社区之间重叠关系的矩阵组合形式.该方法应用迭代更新规则对分解矩阵进行了优化求解,并证明了更新规则的收敛性.另外针对社交网络存在的无标度特性,通过利用用户节点属性信息计算用户间的相似性,对大量孤立用户建立隐式联系,可以将孤立用户纳入统一的挖掘框架进行社区划分,从而解决了孤立用户无法准确划分社区的问题.相关实验以及实际应用表明该方法可以有效对现实中的在线社交网络进行社区挖掘.

数据仓库与OLAP在高校教学决策中的应用研究

随着高校信息化建设不断开展,高校教学领域积累了丰富的业务数据,这些历史数据中蕴藏着较高价值的信息,对教学管理决策有很好的帮助。在研究分析教学决策主题特点的基础上,构建教学数据仓库,设计相关分析主题以及数据分析模型,并开展了OLAP的实际应用分析,研究结果促进了数据仓库与OLAP在高校教学决策领域的应用,提高了教学数据分析能力和决策水平。

基于粗糙集的关联规则挖掘方法

对粗糙集进行了相关研究,并提出一种以粗糙集理论为基础的关联规则挖掘方法,该方法首先利用粗糙集的特征属性约简算法进行属性约简,然后在构建约简决策表的基础上应用改进的Apriori算法进行关联规则挖掘。该方法的优势在于消除了不重要的属性,减少了属性数目和候选项集数量,同时只需一次扫描决策表就可产生决策规则。应用实例及实验结果分析表明该方法是一种有效而且快速的关联规则挖掘方法。

高校课程相关性粗糙集分析模型及应用

将目前在数据挖掘领域应用广泛的粗糙集理论引入高校课程相关性分析中,提出了基于粗糙集的高校课程相关性分析模型。该模型首先运用粗糙集的相关性质对参与分析的决策数据进行属性约简,从而获得了较小决策数据集,然后应用基于分辨矩阵的关联规则提取算法提取关联规则,最后对规则进行评估与解释。通过对某高校某专业学生修读课程考试成绩数据进行实际应用分析,发现了课程成绩数据中隐藏的课程相关性规则,分析结果表明该模型在学分制体系下指导学生选课以及制定专业修读计划具有一定的辅助作用。

基于兴趣社区的学习资源推荐模式设计

在线学习用户难于快速有效发现感兴趣的学习资源,从而影响了学习的积极性和主动性。针对该问题,本文设计了一种基于兴趣社区的学习资源推荐模式,首先通过构建基于社交网络的在线学习服务为学习用户提供交流协作以及学习资源评价环境,然后利用兴趣社区挖掘技术发现兴趣高度相似的用户群体,最后基于相似用户群体对目标用户进行学习资源推荐。通过自主开发基于社交网络的在线课程服务,对该推荐模式的应用效果进行了实际验证。

基于本体的Web服务发现方法研究

针对传统Web服务发现准确率低下的问题,提出一种基于本体的服务发现方法。该方法首先基于领域本体构建了Web服务描述模型,并应用OWL-S描述Web服务增强了Web服务的语义信息,然后从基本信息语义相似度、功能语义相似度等方面综合计算Web服务相似度,最后基于Web服务相似度进行请求服务与目标服务的匹配。给出了基于本体的服务发现相关算法,并设计了基于三层架构的服务发现原型系统。实验结果表明,该方法可提高Web服务发现的查全率及查准率。

基于Web的实时数据监测系统的研究与实践

针对目前各类工业生产监测系统要求实时性强、不受区域范围限制、维护方便等的需要,提出一种基于Web的,以Ajax、SVG为核心技术的实时数据监测系统设计方案。该方案应用Ajax开源框架DWR提高了实时监测数据获取的速度,并利用SVG可动态显示图形以及支持用户交互的特点解决了在Web上实时显示监测数据变化趋势曲线、单击数据点获取数据值以及数据变化趋势曲线历史回放等关键问题。基于该方案设计开发的金属腐蚀监测系统的应用结果表明该方案可提高基于Web的实时数据监测系统的实时性与灵活性。

应用非负矩阵分解的社交网络好友推荐

现有好友推荐方法只利用用户关系或内容信息进行推荐,难以获得较好的推荐质量.针对该问题,在利用非负矩阵分解模型适合数据聚类以及数据约简的基础上,提出一种基于非负矩阵分解的好友推荐方法:FRNMF.该方法采用基于非负矩阵分解的用户聚类为核心的好友推荐框架,利用用户好友关系网络信息和内容信息分别进行用户聚类,然后基于聚类结果计算用户间的综合相似度并进行好友推荐;不仅可以综合集成利用用户关系和内容两类信息,而且具有线性时间复杂度,还可以解决数据稀疏引起的推荐质量下降问题.实验开发了FRNMF的原型系统,并在真实的新浪微博和学者网社交网络数据集进行对比实验,结果表明FRNMF比传统的好友推荐方法具有更好的推荐质量.此外,对用户关系和内容两类信息的权重参数设置进行实验分析,分析表明适当提高用户关系信息的权重对于提高好友推荐质量具有促进作用.

快速语义Web服务发现方法

针对现有的基于本体描述的语义Web服务发现方法发现效率较为低下的问题,提出一种新的服务发现方法。该方法在基于本体距离计算语义Web服务综合相似度的基础上,利用数据挖掘中的聚类算法AGNES对语义Web服务集合进行聚类预处理,形成若干服务簇,然后应用相应服务发现算法根据相似度阈值定位于某一服务簇内进行查找匹配,从而可减少搜索空间。理论与仿真实验结果表明,该方法既可保证服务发现的准确率,又可明显提高服务发现的效率。