基于启发式挖掘算法探究混合式协作学习过程

混合式协作学习下,学生可以通过社交媒体分享和建构知识,研究大学生如何在此过程中发展基于认知与情感的互动调节是建成混合式“金课”的关键。研究以30名本科生的2256条协作学习对话数据为样本,采用启发式挖掘算法和时间序列分析总结互动过程的发展规律与高低分组的行为模式。研究结果表明,高分组在协作过程中注重规划与反思,且情感参与的认知互动多于低分组,协作学习互动过程遵循IDB型的变化规律,高低分组的行为模式与自我调节阶段的变化趋势存在差异。本研究试图进一步理解学习者在协作学习中的认知与情感的调节互动模式,可为高校教师建设混合式课程资源、设计混合式协作学习的课程方案提供参考和借鉴。

一种并行化的启发式流程挖掘算法

启发式流程挖掘算法在日志噪音与不完备日志的处理方面优势显著,但是现有算法对长距离依赖关系以及2-循环特殊结构的处理存在不足,而且算法未进行并行化处理.针对上述问题,基于执行任务集将流程模型划分为多个案例模型,结合改进的启发式算法并行挖掘各个案例模型所对应的C-net模型;再将上述模型集成得到完整流程对应的C-net.同时,将长距离依赖关系扩展为决策点处两个任务子集之间的非局部依赖关系,给出了更为准确的长距离依赖关系度量指标和挖掘算法.上述改进措施使得该算法更为精确、高效.

一种启发式精简规则挖掘算法及其SQL实现

约简问题是粗糙集的基本问题,但求最小约简的问题属于NP 难的问题,因此,常常利用启发式方法求解约简。根据Occam原理与规则支持度,提出了一种启发式精简规则挖掘算法HDMR,并最终给出了该算法的SQL实现方法。实验结果表明,该算法是可行的和有效的。

O2O电子商务模式下的启发式定价机制探讨

文章通过分析O2O电子商务模式下线上和线下双渠道并存时的市场供需结构,运用分类建模的方式研究了保持O2O电子商务模式下双渠道并存发展的潜在市场定价机制即启发式挖掘定价机制。

基于分解循环结构的流程模型挖掘方法

模型挖掘作为流程挖掘的热点领域之一,旨在从事件日志中生成描述业务流程的模型。事件日志包含具有可分解循环依赖关系的活动,此类活动既无法使用过滤非频繁活动的方式将其过滤,也不能当作混沌活动处理,导致流程模型精确度较低。现有方法不能在含有噪声的情况下根据有无循环结构划分事件日志,进而无法在无循环结构子日志上正确识别具有可分解循环依赖关系的活动,且需要依赖活动属性。为克服现有方法的不足,提高挖掘模型质量,提出分离循环结构和可分解循环依赖关系的分解流程模型挖掘框架。首先基于启发式方法将事件日志根据有无循环结构划分为两部分,在无循环结构事件日志中根据活动间可达关系频率和直接跟随关系频率识别具有可分解循环依赖关系的活动,进而将具有可分解循环依赖关系的活动从有循环结构事件日志中过滤,以识别事件日志的循环结构并投影得到子日志集合。然后使用现有流程模型挖掘方法挖掘子模型并基于边界活动分支结构关系合并子模型。实验结果表明,该方法基于ProM平台实现,并基于公开事件日志与直接使用Inductive Miner、基于最大划分框架和基于阶段的业务流程模型挖掘方法相比,精确度提高了0.08~0.42,复杂度降低了3.86~45.92。

一种基于时序行为的流过程协同重构算法

过程流数据具有实时性、连续性和时序性等特征,使得传统过程挖掘算法难以发现隐含信息和演化过程。针对流过程模型的动态演化和重构要求,提出了一种基于时序行为分析的自适应混合启发式协同优化算法。首先定义演化流过程模型,基于日志活动间的隐含依赖关系改进过程逻辑的启发式挖掘规则,然后定义基于时序行为的老化因子,并引入高斯变异的多种群协作的自适应策略,改进粒子群优化算法的全局和局部精确寻优能力,实现优化和重构过程模型。该算法在四个典型测试函数上进行了对比实验,结果表明该算法在流过程挖掘中具有更好的收敛性和稳定性。