基于异质图嵌入和会话交互的课程推荐模型

大规模在线教育平台所形成的网络具有数据量大、实体类型丰富、关系复杂等特性。一方面,在线教育正在被大力普及,而另一方面,在线课程却面临低使用率、低完成度及高辍学率的问题。个性化的课程推荐有利于提高学习者的学习积极性,其中,课程能否顺利合格完成是学习者在选课时所考虑的重要因素。鉴于此,提出一种基于学习完成度预测的个性化课程推荐模型。对学生的课程学习会话图进行建模,根据学生的课程学习顺序以及课程的完成情况,生成学生的学习状态表征;同时考虑在线学习环境因素对课程的影响,构建在线课程学习异质图,采用图神经网络生成异质图中课程节点的嵌入;然后通过交互机制融合学习状态表征和课程嵌入,预测学生下一门将学课程的完成度,根据完成度排序从而实现课程推荐。在CNPC、HMXPC和Scho1at3个大规模在线课程学习数据集上的实验结果表明,该模型能有效提升推荐的准确度,在归一化折损累计增益(NDCG)和平均倒数排名(MRR)2个指标上相较于基线模型最优结果均有显著提升,评估指标K值取5时,其NDCG@5指标在3个数据集上分别提升21.08%、17.73%和5.41%,MRR@5指标在3个数据集上分别提升25.66%、31.59%和26.96%。

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。

文本语义哈希技术研究进展

文本语义哈希是在满足语义相似性约束下将文本转化为低维二值数据的神经编码技术,支持基于汉明距离的高效检索,以解决有限计算资源约束下海量文本的相似性计算问题。文本语义哈希技术存在诸多挑战,包括如何在低维二值编码中融入类别信息、如何丰富编码的语义信息以提升模型鲁棒性、如何解决离散输出的模型梯度估计等关键问题。文章首先综述文本语义哈希任务的重要研究发展,详细讨论了无监督文本语义哈希模型和融合类别信息的有监督文本语义哈希模型的技术细节,分析基于近邻文本、隐式主题等信息的语义增强技术以及模型优化等关键技术;然后,综述文本语义哈希任务相关数据集和评估指标,对比了各类文本语义哈希技术的特点和性能;最后,讨论了文本语义哈希技术的未来发展方向。

基于知识图谱卷积网络的学习资源推荐

针对现有知识图谱卷积网络(KGCN)推荐模型随机采样选择邻域容易导致推荐结果不稳定的缺点,构建基于结构洞和共同邻居的重要性排序采样模型(SHCN),结合KGCN处理高维异构数据的优势,提出基于结构洞和共同邻居的KGCN推荐模型(KGCN-SHCN)。首先使用SHCN模型对知识图谱中的实体邻域进行排序采样,其次根据图卷积网络将实体信息与邻域采样信息进行聚合得到学习资源的特征表示,最后将学习者的特征表示和学习资源的特征表示依据预测函数得到交互概率。在3个学习资源数据集上的实验结果表明,所提模型尤其是使用求和聚合(Sum)方式时,评价指标AUC和ACC总体优于KGCN、RippleNet等基于知识图谱的推荐模型,证明了所提KGCN-SHCN模型的有效性。

融合知识图谱的学习者个性化学习资源推荐

针对学习资源个性化推荐中存在的数据稀疏和冷启动问题,本文提出了一种基于知识图谱的学习者个性化学习资源推荐模型模型(LPRM).LPRM模型利用在线学习中学生与课程的历史交互信息以及在线课程的属性信息构建课程知识图谱,辅助课程资源的个性化推荐;针对RippleNet框架中实体关系传播未考虑实体影响力的问题,提出节点影响力计算模型衡量知识图谱中实体的影响力,构建LPRM模型框架得到学习者对学习资源的评分.大量对比实验结果表明,本文提出的基于知识图谱的学习者个性化学习资源推荐模型模在AUC和ACC评价指标上均表现出最优的性能,模型参数分析结果表明LPRM模型能有效地提升学习者学习资源个性化推荐性能,较好地缓解了数据稀疏和冷启动引起的学习者个性化资源推荐不准确等问题.

多平台协同融合的“虚拟人工智能实验室”的构建与实践

针对当前高校人工智能课程教学存在实验时间与设备不足、实验课堂师生互动少和实验效果评估难度大等问题,构建一个集实验实训、师生互动交流、知识沉淀、课程项目管理为一体的虚拟人工智能实验平台。依托学者网课程平台和在线人工智能实践环境搭建虚拟实验平台,同时构建师生学习共同体和激励机制。通过虚拟实验平台开展“练-用-创”三维一体的教学活动,让教师全程监督并协助学生进行实践创新和成果输出。虚拟实验平台提升学生人工智能课程的实验效果,增加创新实践成果输出,为应用型高校开展人工智能实验教学提供参考。

“协同智能与智慧教育”专题序言

人工智能、人机协同及知识赋能已吸引了学术界及工业界的大量关注,协同智能与智慧教育是其中的研究热点。《华南师范大学学报(自然科学版)》特别组织“协同智能与智慧教育”专题,旨在促进协同智能与智慧教育的研究与应用,及时、集中、全面地报道相关理论模型、核心算法、关键技术及应用等方面的最新成果和进展。

知识图谱赋能的知识工程:理论、技术与系统专题序言

知识图谱是人工智能在知识工程理论和技术发展中的前沿。知识图谱方法、技术与应用在新一代人工智能由“感知智能”迈向“认知智能”的过程中扮演重要角色。近年来,随着大规模知识图谱的发布和知识图谱赋能系统的应用,国内外学术界和产业界均在多个维度对知识图谱赋能的知识工程进行了研究与开发。虽然国内外学者在知识图谱及相关方向上已取得若干研究成果,但知识图谱赋能的知识工程尚未形成成熟的理论体系、技术方法、应用与系统实践,仍有众多有待解决的具有挑战性的难题。本专题旨在促进知识图谱赋能的知识工程研究、开发与应用,及时、集中、全面地报道知识图谱赋能的知识工程在理论、方法、技术、系统与应用实践等方面的最新成果和进展。

群智演化协同计算的研究进展与趋势

群体智能是通过聚集群体智慧协同求解大规模复杂问题的智能方法,其思想最初源于对自然界中社会性生物群体智能行为的模拟。群体生物通过分工合作、相互协调、协同演化,可涌现出整体性的智能行为,完成复杂任务,具有高度的自组织、自适应、自学习能力。受此启发,国内外学者运用数学和计算机工具对群体智能行为进行模拟,从不同角度发展了一系列群体智能涌现与演化的机理和模型。近年来,随着互联网的发展,人类社会基于物联网的群智协同和演化现象进一步拓宽了群智演化计算的范畴,呈现出广阔的应用前景,也对群智演化的理论模型和应用提出了新挑战。2017年,《新一代人工智能发展规划》明确将群体智能列为需重点发展的人工智能理论与技术方向之一。文章将从生物群体、智能体群体和人类社会群体等不同视角,从群智演化协作的模型和机理、群智演化协作的组织结构、群智演化协同决策及群智演化协同计算的应用等角度,总结群智演化计算的主要研究问题,对国内外的最新研究进展进行综述和对比分析,并对该方向未来的发展趋势和主要科学问题进行展望。

社交化在线课程服务模式研究与实践

针对现有在线课程服务存在着协作学习支持弱、学习资源过载、学习行为分析功能缺乏等突出问题的现状,提出一种社交化在线课程服务模式,详细阐述该模式的设计理念和方法,介绍该模式在实际教学中的应用并通过数据分析说明应用效果。

基于图注意力网络的多行为推荐算法

现有的多行为推荐系统未有效利用不同层次的图传播信息,难以捕获用户不同行为的影响。为解决此问题,文章提出了一种基于图注意力网络的多行为推荐模型(GABR):首先,采用小批量采样节点嵌入方法聚合同一行为类型交互的邻域节点,以提高特征表示效率;接着,采用注意力机制学习不同行为类型的影响系数,以进一步融合节点特征;然后,合并多层用户和项目表示,以有效利用不同层次的图传播信息;最后,将已交互的用户-项目对和随机采样未交互过的用户-项目对作为正负样本对来训练目标模型,以优化模型性能。为验证模型推荐性能,在3个真实数据集(Yelp、Scholat、Beibei)上与现有9种推荐模型进行对比。实验结果表明GABR模型能够有效利用融合了不同行为类型影响系数的多层图传播信息,更好地预测用户偏好:在3个真实数据集上,与目前最佳的基线模型(GNMR)相比,GABR模型的HR、NDCG平均提高了1.73%、2.43%。

基于最优传输和知识回放的新闻推荐模型增量学习方法

基于深度学习的个性化新闻推荐方法通常采用全量更新训练模型.然而,全量更新需要不断整合新数据形成新的训练集,虽然可以保障模型性能,但训练效率低下.另外,出于数据隐私和存储考虑,现实场景下的应用通常不会保留所有历史数据导致全量更新难以为继.增量学习是目前广泛采用的有效解决方法.然而,基于增量学习的新闻推荐模型也存在着新的挑战——灾难性遗忘问题,常见的解决策略有基于正则化和基于回放的方法.基于正则化的方法局限于个体样本在新任务中学习到的特征和原始网络的响应特征之间的对齐或空间几何结构匹配,缺乏全局视觉.基于回放的方法重放过往任务数据,可能导致数据隐私泄漏.为了解决以上不足,本文提出了基于最优传输和知识回放(Optimal Transport and Knowledge Replay)的新闻推荐模型增量学习方法OT-KR.OT-KR方法通过联合分布知识提取器重构联合分布知识特征集合,并且使用最优传输理论在训练过程中最小化新任务和旧任务间的分布差异,确保新模型学习到的域分布可以同时拟合旧任务和新任务,实现知识融合.特别地,为了缓解数据隐私泄漏问题,OT-KR方法仅保存模型参数而非样本作为知识进行回放,同时,借鉴多教师知识蒸馏思想让新任务上的模型可以同时融合所有教师流中的分布信息,并根据任务的学习次序分配权重.通过在公开新闻推荐数据集上开展实验,结果表明OT-KR方法的推荐性能优于基于目前主流增量学习技术的新闻推荐方法,在AUC和NDCG@10两个指标上比目前最优性能平均提高了0.55%和0.47%,同时,能够很好地平衡模型的推荐性能和训练效率.

一种基于高阶组织的学习者潜在重叠社区检测算法

学习者网络拓扑结构稀疏,且传统的社区检测算法无法为惰性/冷启动学习者检测其潜在的社区。针对该类问题,提出了一种基于高阶组织的学习者潜在重叠社区检测算法(POCDL)。POCDL算法是一种局部图聚类算法,首先利用社交化在线课程平台中的好友关系、同学关系和师生关系解决学习者网络数据稀疏问题;然后挖掘学习者网络中的高阶组织并重构学习者网络;最后,根据学习者的度中心性选取初始种子集,根据社区归属度和社区亲密度进行局部社区检测。在人工网络和学者网真实网络数据集上的实验结果表明:POCDL算法能够较好地为惰性/冷启动学习者检测社区;对其他类型的复杂网络也具有一定的普适性。

基于IP网络的自适应QoS管理方案研究

目前实时音频、视频多媒体应用已经开始进入 IP网络 ,但还有许多问题没有得到很好地解决 ,其中一个关键问题是多媒体服务的 Qo S问题 .TCP/ IP协议本身只提供一种“Best- effort”级别的服务 ,对 Qo S支持很少 .“Best- effort”级别的服务往往会导致实时应用出现延迟抖动、分组丢失率高 ,从而极大地影响了实时应用的运行效果 ,因此必须研究可行的、高效的基于 IP网络的 Qo S控制机制 .IP网络 Qo S已成为分布式多媒体和网络通信的重要研究热点和难点课题 .本文在 IETF Intserv与 Diffserv相结合的体系结构基础上 ,提出了一种适合于 IP网络的自适应 Qo S管理框架 .与 Intserv或 Diffserv模型不同的是 ,该 Qo S管理框架引入优先级节和自适应概念 ,Qo S优先权处理采用基于多媒体优先级节的算法 ,在传输控制上采用了自适应 Qo S控制算法 .它在应用层上完成 ,因此独立于底层网络协议 .本文首先讨论了基本概念和函数 ,然后提出一种基于优先级节的自适应 Qo S管理框架和优先级调度流程 .提出一种基于 IP的自适应 Qo S协商机制 ,基本思想是基于 RSVP(资源预留协议 ) ,在提出 Qo S请求时进行 Qo S映射 ,然后启动适应性函数和资源管理函数进行协商 ,直到获得一组在当前资源状况下最佳的 Qo S指标 .最后 ,本文还讨?

时态信息处理技术研究综述

时间是信息的重要属性。随着数据库与信息技术的深入和发展 ,时态信息在信息系统扮演着日益重要的角色。将时态信息研究的起源与发展分成 3个时期 ,简述各个时期研究情况和代表性成果。还分析了国内外时态信息有关研究文献 ,介绍了几种代表性时态数据模型 ,对时态信息技术研究现状与存在的不足 ,以及未来的发展都给出了作者的见解。

基于自动问答系统的信息检索技术研究进展

自动问答是根据用户以自然语言提出的问题给出一个明确的答案。近年来,自动问答越来越受到信息检索和自然语言处理的研究者的关注。典型的自动问答系统通常包含问题分析、文段检索和答案选择等部件。介绍了自动问答的最新研究进展和相关国际会议情况,着重阐述问题分类、查询扩展、文段检索和答案选择这四个热点技术的主要功能和常用方法,最后提出存在的一些问题和展望。

时态知识/数据模型研究及应用

时间是信息的重要属性,不仅数据有时态性,而且知识也有时态性。时态信息在信息系统中扮演着日益重要的角色,在某些系统中还起着关键性作用。将时态应用分为完全时态应用、嵌入式时态应用和混合型时态应用3种模式,提出一种时态信息模型,重点讨论时态数据模型和时态知识表达模式,介绍典型时态信息系统"工资智能决策支持系统"中的知识 数据处理模型。

典型数据库应用系统问题模式及其应用

针对中小型数据库应用系统特点，我们提出一种实用的中小型数据库应用系统开发模式ＴＤＢＡＭ。本文简要介绍该模式的基本框架，分析典型问题模式，介绍其开放性及两种有效技术，介绍了用“大众数据库”ＦｏｘＰｒｏｆｏｒＷｉｎｄｏｗｓ实现的范例模型及其应用。最后，提出进一步研究课题。

QoS映射与自适应协商机制的研究与实现

TCP/IP协议本身只提供“Best- Effort”级别的服务 ,而对 Qo S支持很少 .基于此 ,提出一种基于 TCP/IP协议的自适应 Qo S协商机制 ,其基本思想是基于资源预留协议 RSVP(resource reservation protocol) .在提出 Qo S请求时进行 Qo S映射 ,然后启动适应性函数和资源管理函数进行协商 ,直到获得一组在当前资源状况下最佳的Qo S指标为止 .然后介绍了应用 GQo S实现自适应 Qo S协商的基本步骤以及重要数据结构和函数 .实验结果表明 ,应用该方法可以根据网络资源的变化 ,自适应地调整 Qo S参数 .

基于DiffServ的自适应IP QoS管理框架研究

IP QoS已成为IP网络的核心技术。目前实现IP QoS的机制主要包括有多种，例如子带宽管理、MPLS、IntServ、DiffServ等，可以结合起来实现更完善的IP QoS。目前，比较一致的看法是在网络边缘采用IntServ，在网络主干采用DiffServ。我们在局域网自适应IP QoS基础上，进一步研究了基于DiffServ的IP QoS。本文给出一种DiffServ结合IntServ实现彻底的端到端的IP QoS网络框架，提出了DiffServ实现自适应IP QoS管理的框架与方案，讨论了内部路由节点自适应QoS控制策略。最后讨论基于网络仿真软件NS2的一个简单实验结果。