个别化学习的情节生成方法

提出了用XML知识文档描述知识点和个人学习计划,证明了XML知识文档的性质。提出了学习情节生成自动机,它能结合每个学习者的自主选择,能生成不同的学习情节,实现学习的个别化。指出了学习情节生成自动机是依赖学习者个性的自动机;最后列举了研制的外科神经手术模拟导航系统中的XML知识文档的Schema和一个简单的文档实例,并展示了部分学习场景和学习情节。

障碍的设置与排除——故事情节生成的基本策略

故事情节的生成是有一定规律的,障碍是故事文情节生成的依据与前提,也是情节构成的基本元素,一切情节的生成往往是从这里发源的。障碍的设置与排除,构成了故事文情节生成的基本程序。

基于频繁闭情节及其生成子的无冗余情节规则抽取

情节规则挖掘旨在发现频繁情节之间的因果关联,已广泛应用于传感器数据处理、网络安全监控、金融证券管理、事务日志分析等众多领域.针对一个事件序列上的无冗余情节规则挖掘,提出了算法Extractor.该算法采用最小且非重叠发生的支持度定义和深度优先的搜索策略来发现频繁闭情节及其生成子,保证了频繁闭情节及其生成子的挖掘质量和挖掘效率;利用非生成子情节的Apriori性质,避免了冗余的情节生成子判断;直接由频繁闭情节及其生成子产生无冗余情节规则,提高了情节规则的生成质量和生成效率.所进行的实验证实了该情节规则抽取算法的有效性.

GFExtractor:事件序列上有效挖掘无冗余情节规则的算法

事件序列上挖掘情节规则,旨在发现情节之间的因果关系。基于非重叠的最小发生的支持度定义及深度优先搜索策略,提出在事件序列上挖掘无冗余情节规则的GFExtractor算法。利用非生成子情节的剪枝策略,淘汰非生成子情节;利用向前、向后扩展检查,淘汰非闭情节;最终在情节生成子集Gen与频繁闭情节集FCE之间产生无冗余的情节规则。实验结果证实了算法在事件序列上挖掘无冗余情节规则的有效性。