基于改进型协同过滤的网络学习资源推荐算法

面对网络学习资源的信息过载问题,如何根据用户的偏好推荐其感兴趣的学习资源是网络教育智能化的关键应用.协同过滤推荐算法无需构建资源的特征描述,经常应用于形式多样的网络学习资源推荐,但传统协同过滤推荐算法具有评分矩阵稀疏和冷启动问题.针对这两个问题,提出基于改进型协同过滤的网络学习资源个性化推荐算法.该算法首先将用户对资源的学习行为转化成用户对资源的评分,缓解评分阵稀疏问题;其次引入用户初始化标签改进用户的相似度计算,解决新用户的冷启动问题;最后采用均方根误差(RMSE)进行推荐算法预测准确度衡量.实验结果表明,该改进算法提升了个性化资源推荐效果.

多元特征融合的GRU神经网络文本情感分类模型

传统机器学习文本情感分类算法文本表示维度高、语义丢失、矩阵稀疏、分类模型浅,导致算法泛化能力弱;基于深度学习的文本情感分类算法推崇数据驱动,忽略了对情感已有的先验知识,算法需要大量的训练数据才能获得较好效果.针对这一现象,提出基于词嵌入特征、词情感特征、词权重特征融合的GRU神经网络文本情感分类模型(TMMG):该模型通过Word2vec模型得出低维稠密且包含语义信息的词嵌入特征;根据文本情感表达特点,构造包含六种情感要素的情感字典,依据情感要素字典定量表示情感特征;使用TF-IDF计算词语的权重特征;将前面3类特征融合构造词语融合特征表示,并将文本转换成融合特征序列数据;利用GRU神经网络处理序列化数据的优势,构建情感分类模型TMMG.实验结果发现该模型TMMG相比传统机器学习具有更好的泛化能力,相比其他深度学习算法在较少训练数据量时也能获得较好的分类效果.

融合语义相似度的矩阵分解推荐算法

针对矩阵分解推荐算法没有考虑推荐对象本身内涵特征的问题,提出一种融合对象语义相似度的矩阵分解推荐算法。首先利用知识图谱分布式表示学习算法将推荐对象所属领域的语义数据嵌入到一个低维语义向量空间;其次计算对象间语义相似度,把该语义相似度融入矩阵分解的目标优化函数中,从语义视角弥补矩阵分解推荐算法没有考虑推荐对象本身内涵特征的不足。结果表明,该改进算法相比于传统矩阵分解推荐算法具有更高的准确率、召回率和覆盖率。

基于问卷调查的自媒体环境下大学生医患观影响因素研究

首先采用文献分析法分析相关文献,构建大学生医患观的影响因素调查指标;然后设计问卷属性,以南昌市高校学生为对象进行调查;运用因子分析和多元线性回归方法,分析影响大学生医患观构建的基本因子,对显著性较强的因子进行有序ordinal回归,探索自媒体环境下大学生医患观影响因素;最后提出基于大学生、自媒体、医院、政府4个层面的政策建议,为构建大学生和谐医患观提供理论依据和数据支撑.

融合多元用户特征和内容特征的微博谣言实时检测模型

针对目前基于单文本语义特征深度学习的微博谣言实时检测模型泛化能力不足的问题,提出一种融合多元用户特征和内容特征的实时检测模型.首先,在传统用户基本特征和内容统计特征的基础上,利用用户的历史行为数据,挖掘用户理性值和用户专业度两个深层次特征;然后,基于词向量和带有注意力机制的双向GRU神经网络构建文本语义特征学习模型;最后,采用分层特征级联和全连接的方式进行特征融合,把融合特征输入分类模型进行训练.实验结果表明,该模型的检测准确率达到了91.74%,相比其他只关注文本语义特征的深度学习实时检测模型具有更好的识别效果,相比于其他改进型的实时检测模型F1-Measure值也提高了2.19%.