基于图卷积慕课成绩预测模型

针对现有慕课(MOOC)平台学生完成率低的问题,提出一种结合知识图谱和图卷积神经网络的成绩预测模型。使用决策树数据挖掘的方法构建用户知识图谱,进而将学生成绩预测问题考虑为图上节点分类问题。所提出方法优化了图的卷积,提取了用户信息和知识图谱的高维信息。实验结果表明所提的图卷积神经网络在预测精度上优于传统机器学习算法,并在同类型算法中有较低的时间复杂度。该模型有利于平台管理者及时了解学生情况,提高教学质量。

基于余项机制生成对抗网络的图像修复方法

生成对抗网络是现阶段最出色的生成模型。基于深层卷积网络与生成对抗的思想,提出一种基于余项机制生成对抗网络的图像修复算法。通过卷积神经网络传递信息,但高层特征不再是依据局部特征点生成细节,而是通过余项机制联立多层次的信息重建缺失区域。所提算法通过图像重建损失、生成对抗网络损失和高层特征的二范数损失组合进行训练。仿真实验证明,对多层次特征信息的关注以及重建区域内容的合理性可以确保所提算法生成更清晰、自然的缺失信息。