融合自适应周期与兴趣量因子的轻量级GCN推荐

推荐系统在成熟的数据挖掘技术推动下,已能高效地利用评分数据、行为轨迹等显隐性信息,再与复杂而先进的深度学习技术相结合,取得了很好的效果.同时,其应用需求也驱动着对基础数据的深度挖掘与利用,以及对技术要求的减负成为一个研究热点.基于此,提出一种利用GCN(graph convolutional network)方法进行深度信息融合的轻量级推荐模型LG_APIF.该模型结合行为记忆,通过艾宾浩斯遗忘曲线模拟用户兴趣变化过程,采用线性回归等相对轻量的传统方法挖掘项目的自适应周期等深度信息;分析用户当前的兴趣分布,计算项目的兴趣量,以获取用户的潜在兴趣类型;构建用户-类型-项目三元组的图结构,并结合减负后的GCN技术来生成最终的项目推荐列表.实验验证所提方法的有效性,通过与8个经典模型在Last.fm,Douban,Yelp,MovieLens数据集中的对比,表明该方法在Precision,Recall及NDCG指标上都得到良好改善,其中,Precision平均提升2.11%,Recall平均提升1.01%,NDCG平均提升1.48%.

全域兴趣电商助力传统制造业企业转型升级的案例研究:三只小山羊

以“三只小山羊”作为研究对象,采用探索性单案例研究方法,探讨全域兴趣电商助力传统制造业企业转型升级问题。研究发现,“三只小山羊”通过全域兴趣电商增进消费者了解产品背后的品牌理念和品牌文化,激发起消费者的认可和信任,同时通过与全域兴趣电商合作促使企业加快包含产品设计研发、公司组织架构、生产管理、供应链反应等各个方面升级优化,“三只小山羊”利用全域兴趣电商平台最终实现品牌化发展。

全域兴趣电商助力传统制造业企业转型升级的案例研究:衬衫老罗

以衬衫老罗为研究对象,采用案例分析的研究方法,探讨全域兴趣电商助力传统制造业企业转型升级的重要机制。研究发现,全域兴趣电商作为一种消费互联网新业态,具有成本低、用户广、社交属性强等特点,衬衫老罗作为一家纺织服装行业的传统制造业企业,在全域兴趣电商平台的助力下,摆脱了传统的规模化、低利润发展模式,通过引入柔性制造生产线、数字化供应链和电商运营团队等方式,实现了向拥有自主衬衫品牌企业的转型升级。

融合兴趣主题矩阵和主题生命树的社交用户长短兴趣挖掘

[目的/意义]针对当前社交用户兴趣挖掘效果不理想,且缺乏对兴趣类型特征的深入研究,提出一种新的长短兴趣挖掘方法。[方法/过程]首先引入兴趣价值参数作为先验知识对Labeled LDA主题模型进行改进,依据改进的主题模型挖掘不同时间窗口的兴趣主题,构建兴趣主题矩阵。然后基于用户兴趣的变化规律构建主题生命树,挖掘用户兴趣的生命特征和潜在关联,将用户兴趣划分为长期兴趣、短期兴趣和过期兴趣。最后依据兴趣主题的强度和波动幅度量化用户不同类型兴趣的权重,实现对用户兴趣的准确表示。[结果/结论]实验采用从新浪微博爬取的真实数据作为训练集和测试集,与已有的兴趣挖掘方法进行比较,结果发现长短兴趣挖掘方法在F1值和MRR值上最高分别提升了7.68%和7.41%。[局限]仅利用微博文本信息对方法进行验证,缺乏对跨平台信息的深入探讨。

基于用户兴趣模型的个性化旅游线路生成建模研究

针对个性化旅游线路生成过程中用户个人喜好分析环节较为薄弱,依照用户兴趣分析结果生成路线景点过于分散,旅游线路景区覆盖率较低的问题,提出一种基于用户兴趣模型的个性化旅游线路生成建模方法。获取用户数据,并按照显性兴趣、隐性兴趣的分类方式设定数据标签,完成数据预处理。根据关联规则结合数据预处理结果,构建用户兴趣模型,分析用户对部分旅游目的地的兴趣值以及用户的旅游行为特征。基于用户兴趣模型的个性化旅游线路生成建模方法设计完成。实验结果证实,所提模型可有效克服用户个人喜好分析问题,提升旅游线路景区覆盖率。

基于导学互动的混合式教学对高校公共体育学生体育学习兴趣的影响分析

《教育信息化十年发展规划》指出要重点推进信息技术的发展,要与高等教育“深度融合”。本文立足“线上线下+导学互动”的教学思维模式,以高校公共体育排球教学为例,运用文献、教学实验、问卷调查等研究方法,对基于导学互动的混合式教学模式对学生体育学习兴趣产生的影响进行分析。研究结果发现:针对学生的体育学习兴趣,将导学互动的混合式教学模式与传统教学模式相比,其对学生运动动机、技能学习、课余锻炼、体育关注度四个方面的影响更为显著。

时空邻域感知的时序兴趣点推荐

如何捕捉用户行为的动态变化和依赖关系是当前兴趣点推荐的一个重要问题,主要面临着数据稀疏、时空序列特征提取难以及用户个性化差异不易捕捉等挑战。为了解决这些挑战,提出了一种基于时空邻域感知及隐含状态变化的时序兴趣点推荐方法。该方法将用户行为的学习转换成了潜在状态的学习,并以一种结合距离信息的方式引入空间信息,有效地捕捉了用户的移动特征。首先,利用变分自编码器表征用户的潜在状态,再通过图神经网络学习到潜在状态之间的依赖关系,从而捕捉到用户行为的时序依赖;然后,利用注意力机制和径向基函数来捕捉用户与地点候选集之间的空间依赖,进而评估用户访问每个地点的概率,实现兴趣点推荐。在三个真实数据集上进行了实验比较和分析,显示了该方法相比于现有的基准算法具有更好的时序推荐性能。

动物医学专业兴趣培养途径探索及效果分析

为了提高动物医学专业本科毕业学生从事专业相关工作的就业率,以新疆农业大学动医142班为对象,采用引导学生大一开始参加临床实习、成立专业兴趣小组、提高学生专业自信心、邀请临床动物医院院长做专题报告等途径来提高学生的专业兴趣,经过四年引导和培养,并经过四年的持续调查回访,从事专业相关工作的毕业学生较其他同级毕业学生比例明显增加。说明加强学生专业兴趣培养对学生继续进行研究生深造、通过国家执业兽医师考试、毕业后从事专业相关工作等方面具有十分重要的意义。

BOPPPS模型的参与程度对本科生医学英语学习兴趣的影响分析

目的研究不同参与式学习程度的BOPPPS模型教学对本科生医学英语学习兴趣的影响。方法设计两套BOPPPS模型教案A套和B套,在导入(bridge-in)、目标(objective)、提前评估(pre-assessment)、课后评估(postassessment)和总结(summary)这5个阶段设计相同,在参与式学习(participatory learning)阶段区别设计,分别采用6种和3种参与学习方式,对同一班级学生的两次授课后进行问卷调查。结果A套和B套教案授课后分别收回问卷40份和36份,相比于A套教学,B套教学的学生感兴趣人数比例更高(72.2%vs 45.0%,P<0.05);对授课老师总体评分≥4分的学生比例更多(83.3%vs 60.0%,P<0.05);掌握授课内容≥60%的学生比例增加,但差异没有统计学意义(55.5%vs 35.0%,P>0.05)。结论医学英语课堂教学中采用适度参与形式的BOPPPS模型可以提升医学生的学习兴趣。

兴趣驱动模式下的《数值分析》课程教学改革研究

随着科学技术的迅猛发展,数值分析在工程、科学和计算机领域的重要性日益突显。然而,传统的课堂教学模式往往无法有效激发学生的学习兴趣和动力,导致学习效果欠佳。本研究旨在探索并实施兴趣驱动模式下的《数值分析》课程教学改革。通过结合学生的兴趣和实际需求,设计富有趣味性和挑战性的教学内容和活动,以激发学生的学习热情和动手能力。我们采用了基于项目驱动的教学形式,将课堂讲授与实践练习相结合,并鼓励学生参与学科竞赛和科研项目,从而促进其计算思维和知识迁移能力的提升。

基于混合兴趣主题模型的推荐方法

针对跨领域项目推荐过程中用户兴趣稀疏造成的推荐冷启动问题,提出一种基于混合兴趣主题模型兴趣领域潜在狄利克雷分布(PA-LDA)的推荐方法。PA-LDA使用兴趣潜在狄利克雷分布(P-LDA)模块挖掘用户历史行为数据,生成关于目标项目中兴趣主题的概率分布,综合考虑主题和项目内容词对兴趣的影响进行参数估计建模,得到用户对目标项目的兴趣评价。PA-LDA使用领域潜在狄利克雷分布(A-LDA)得到领域对项目目标的兴趣评价,混合两类兴趣评价,使用top-k方法推荐目标项目。在EdX和GCSE两组真实数据集上进行实验,验证方法的有效性和准确性。研究结果表明:PA-LDA可以有效解释用户兴趣和领域兴趣对项目推荐的作用原理,实现多维领域推荐的兴趣特征捕捉,提升推荐的适应性与准确性。

融合项目特征级信息的稀疏兴趣网络序列推荐

在以往提取多兴趣嵌入的序列推荐模型中仅能通过聚类的方法发现少量兴趣概念,忽视项目交互序列中特征级信息对最终推荐结果的影响。针对此问题,对传统的多兴趣序列推荐模型进行改进,提出一种融合项目特征级信息的稀疏兴趣网络序列推荐模型。实验结果表明,相比其它模型,该模型可以更好捕捉用户的多样化偏好并缓解冷启动问题。在给定数据集上,该模型比传统的序列推荐模型在命中率上平均提高了6.4%,归一化折损累计增益平均提高了8.7%。

基于提高学生学习兴趣的园艺植物育种学课程建设

园艺植物育种学是园艺专业本科学生的专业核心课,为提升学生学习兴趣,提高教学效果,从课程教学方法、教学内容、教学形式和教学手段等方面开展建设工作。调查建设工作的效果,结果表明筛选到令学生满意的课外教学形式,为同行开展课程建设提供参考。这种教学形式的教学效果还存在上升空间,通过优化教师队伍和激励学生,有望取得更好的效果。

改进卷积神经网络的医学图像感兴趣区域识别

图像中的噪声会提高图像特征信息提取难度,影响图像识别时的细节保留效果,为此提出改进卷积神经网络的医学图像感兴趣区域识别方法。分析医学图像主要噪声来源,构建噪声模型,利用非局部均值滤波算法计算图像全部像素的加权平均值,完成图像去噪处理;通过图像求反、对比度增加和灰度调节等操作增强图像细节信息;利用局部区域特征提取方法获取图像基础纹理特征,包括灰度、平滑度与熵值等;建立具有卷积层、池化层、全连接层的卷积神经网络模型,引入区域建议网络对其改进,通过该网络确定识别的候选区域,将图像特征作为网络输入,经过不断学习迭代,输出最终感兴趣区域。实验结果表明,所提方法在提高图像质量的基础上,识别出的感兴趣区域较为完整,包含的有用信息更多。

融合群体兴趣和核心用户影响的群组推荐方法研究

[目的/意义]为提高群组推荐准确率和可解释性,针对现有的群组推荐方法较少关注群组内核心用户对群体兴趣的影响,综合考虑群组整体兴趣和群组内核心用户对其他用户的影响,提出融合群体兴趣和核心用户影响的群组推荐方法。[方法/过程]首先,借鉴h指数思想计算群组内每个用户的影响力,识别群组内核心用户;其次,利用LDA主题模型进行群体兴趣建模和核心用户兴趣建模;最后,综合考虑群组中用户自身兴趣和其受核心用户影响而产生的兴趣进行资源推荐服务。[结果/结论]利用微博数据进行实证,验证了此方法的有效性。

融合时序门控图神经网络的兴趣点推荐方法

现有的大多数兴趣点(point of interest,POI)推荐系统由于忽略了用户签到序列中的顺序行为模式,以及用户的个性化偏好对于POI推荐的影响,导致POI推荐系统性能较低,推荐结果不可靠,进而影响用户体验。为了解决上述问题,提出一种融合时序门控图神经网络的兴趣点推荐方法。运用时序门控图神经网络(temporal gated graph neural network,TGGNN)学习POI embedding;采用注意力机制捕获用户的长期偏好;通过注意力机制融合用户的最新偏好和实时偏好,进而捕获用户的短期偏好。通过自适应的方式结合用户的长期和短期偏好,计算候选POI的推荐得分,并根据得分为用户进行POI推荐。实验结果表明,与现有方法相比,该方法在召回率和平均倒数排名这两项指标上均有较为明显的提升,因此可以取得很好的推荐效果,具有良好的应用前景。

网络兴趣社区商业模式、运营困境与优化策略

网络兴趣社区是打通社交链路的一种商业模式创新,也是促进用户内容消费的重要助推器。当前网络兴趣社区已完成1.0向2.0阶段的过渡,在商业模式上呈现精细化的运营管理、创新性的内容生产、兴趣化的社交链路、多元化的场景融合等新趋势特征,但同时也面临来自用户增量小、用户体验差、商业变现难、社会价值低等层面的运营困境。本文建议从充分发掘增量和稳定留量、完善平台内容生态、开展差异化营销、加强商业模式创新和内容规范化4个方面发力,推动网络兴趣社区实现又好又快的发展。

基于有限元仿真的ECT感兴趣区域高分辨率图像重建

感兴趣区域的高分辨率图像重建是电容层析成像(electrical capacitance tomography,ECT)技术的研究热点之一。均匀电极分布的ECT模型仅在重建场域的边界位置具有较高的灵敏度系数,不适用于感兴趣区域成像。为改善感兴趣区域中的灵敏度分布,提高图像分辨率,提出了一种基于有限元仿真ECT感兴趣区域高分辨率图像重建方法,根据保角变换理论优化电极分布。进行了仿真实验,将均匀电极和优化电极分布的灵敏度矩阵代入Tikhonov算法、Landweber算法和ART算法,重建结果表明上述方法可有效提高感兴趣区域的图像重建精度。

兴趣教育理论的哲学基础和思想渊源

任何一种理论或学说都有自身的哲学基础和思想渊源。兴趣教育理论或兴趣学说是教育学和心理学交融而成的一个重要学说,也是对现代教育和学习产生很大影响的一种理论。关涉这个理论或学说的哲学基础和思想渊源较为复杂,有多种哲学和教育哲学流派以及哲学上一般兴趣说为其提供强力支撑。具体来说,在教育哲学上表现为自然主义,在伦理学上表现为幸福主义或快乐主义,在社会哲学上表现为民主主义,在人生哲学上表现为趣味主义。此外,哲学上的一般兴趣说,如康德的理性兴趣说、培里的价值兴趣说和哈贝马斯的认识兴趣说,也为兴趣教育理论或兴趣学说提供了重要理论支撑。

融合全局特征的时空网络兴趣点推荐算法

随着基于位置社交网络的迅速发展,兴趣点序列推荐逐渐成为近年来研究热点之一。针对现有推荐方法忽略签到数据中的全局信息,未充分考虑序列签到数据之间的时空间隔问题,提出一种融合全局特征的时空网络兴趣点推荐算法。该方法利用关系图神经网络获取签到数据异构网络图的全局特征,将时空门控融入传统门控结构中,融合全局特征对用户移动行为进行建模,再引入自注意力机制学习用户偏好向量表示。在两个真实数据集上进行实验比较与分析,实验结果表明所提方法推荐性能优于同类算法,验证了算法的有效性。