联合神经协同过滤与短期偏好的课程推荐模型

提出一种联合神经协同过滤与短期偏好的课程推荐模型.该模型通过利用学习者近期的学习行为捕获短期偏好,用以平衡或辅助学习者兴趣变化前后的各时刻历史行为,建构其动态兴趣赋能的历史行为新贡献度,基于短期偏好来重构学习者个性化动态学习兴趣,从而进行高效的课程推荐.利用学堂在线真实MOOC数据集进行验证,实验结果表明,与其他模型相比,该模型的HR和NDCG指标均得到一定提升,且模型鲁棒性较强.

基于时间卷积网络改进的自动数学应用题解算器

在传统的seq2seq模型的基础上,加入时间卷积网络TCN设计了一种自动数学应用题解算器模型seq2seq+TCN.在数据预处理部分采用FoolNLTK分词工具和ELMo词嵌入方法,以保证较高质量的数据输入;利用LSTM和GRU的不同组合构成seq2seq模型的编码器和解码器;在seq2seq模型中加入TCN,以扩大解码器的感受野,保证应用题文本的时序性.在数据集Math23K和AI2上进行实验,结果表明,由BiLSTM-LSTM构成的seq2seq+TCN模型性能最优,答案准确率分别达到70.3%和87.5%,高于现有的2个集成seq2seq的解算器.

自动数学应用题解算器研究综述

从2个层面综述近年来自动数学应用题解算器的相关研究.首先,从数据准备层面总结应用于解算器设计的数据集的特征,以及数学应用题的自动生成方法;其次,从数学应用题解算方法层面分类介绍解算器模型,包括基于模板匹配的方法、基于统计分类的方法、基于树或图的图形方法和基于深度学习框架的方法,并分析了各类型的核心算法及性能,此外,介绍了解算器性能的评估策略;最后,指出目前研究存在的问题并对该领域的发展提出了可能的研究方向.