基于机器学习的自动阅卷关键技术研究

当今,随着人工智能、云计算、物联网、大数据等高新技术的迅速崛起,传统的教育理念、教学方式、教学生态正在被机器学习、教育大数据、智慧教育等新理念不断地改变,这也促使教育现代化向着教育信息化深度发展。而教育教学活动中非常重要的一个环节就是考试,这是老师了解学生在某一阶段学习过程中对所学知识掌握程度的重要检验,阅卷则成为该过程中必不可少的组成部分。传统的人工阅卷不仅工作量大而且效率相对较低,某些情况下受阅卷老师主观因素影响,难免出现评分偏差。提出了新型基于机器学习的自动阅卷系统架构模型,并通过运用机器学习、自然语言处理、图像识别等技术实现了计算机自动阅卷的功能。

融合标签信息和时间效应的矩阵分解推荐算法

为了解决过度稀疏的评级矩阵导致矩阵分解中的过拟合问题,提出了一种融合标签和时间信息的矩阵分解推荐模型TTMF(matrix factorization recommendation algorithm fusing tags and time information),以丰富单一数据源,缓解矩阵分解中的过拟合问题.首先通过评级数据和标签信息定义用户标签偏好值和项目标签关联度,分别表征用户对标签的兴趣、标签信息和项目之间的联系,并增加时间信息表示用户兴趣随时间的变化;然后,建立用户—项目、用户—标签和项目—标签矩阵模型,通过梯度下降法进行矩阵分解,完成推荐.基于MovieLens数据集实验结果显示,TTMF算法的RMSE(root mean square error)比传统方法LFM(latent factor model)降低了7%.TTMF算法具有更好的推荐效果.