面向维基百科的概念依赖关系挖掘方法

在互联网技术高度发达的时代,网络上的学习资源呈现出指数型增长态势,面对各种学习对象、概念之间存在的多样化和无序性,如果能识别出之间的依赖关系,将有可能对计算机教育产生重要影响。针对该问题,提出一种面向维基百科的概念依赖关系识别方法,利用概念在维基百科中的特点,设计出一套识别概念依赖关系模型,在公共数据集上采用基于机器学习的分类算法进行测试。实验结果表明,该模型具有较高准确率和召回率,能够有效发现概念之间的依赖关系。

课程概念依赖关系挖掘方法研究

在一个专业的课程体系中,课程与课程之间通常有着固定的学习顺序,前导课程中总是包含了一些后续课程所需要的背景知识,这种现象是由不同课程的知识概念间依赖关系引起的.本文提出一种课程概念依赖关系挖掘方法,同时利用课程属性与维基百科属性设计特征,识别课程概念间的依赖关系.为了验证提出方法的有效性,在公开数据集上进行实验,本文方法在各度量指标上表现均优于其它基准方法.在此基础上,利用课程概念依赖关系建立了概念图,通过对比不同大学相同专业的概念图来分析它们的课程体系的差异.

利用维基百科点击流的概念依赖关系识别方法

学习资源中的知识概念间的依赖关系决定了每个资源在整个课程中学习顺序.当前主流的概念依赖关系挖掘方法是利用概念自身的特征进行依赖关系的识别.而用户在学习资源中的点击操作日志同样能够预示概念间依赖关系的存在.本文以维基百科为例,提出一种基于点击流的概念依赖关系识别方法,利用维基百科中用户与词条页面的交互信息,设计相关概念集合特征来预测概念间的依赖关系,在实验过程中,为了使分类器能够充分学习不同类别数据,使用过采样方法使训练集类别平衡,观察各度量指标在不同机器学习分类器上的表现,选取最佳的分类器进行后续实验.实验结果表明,本文的方法与当前研究方法相比,既保证了维基百科原始数据具有较高的概念对覆盖率,也能够有效的预测概念间的依赖关系.

基于超图神经网络以多角度概念特征融合的概念先决学习

概念之间的先决条件关系是智慧教育领域开展个性化学习相关工作的基础性任务,具有至关重要的作用。现有研究中基于特征计算的方法依赖于手工特征提取,受限于本文结构,基于二元图结构方法则忽略了概念和文档对象两两之间的复杂高阶关系。为了解决以上问题,该文提出HyperCPRL,基于超图编码高阶拓扑结构的能力,从三个角度构造基于概念结构、概念语义距离和文档-概念隶属关系三个超图,以捕捉建模对象之间具有的复杂关系特征,再融合三个超图结点表征,并利用自注意力机制在概念全域进一步挖掘先决关系,利用孪生网络实现先决关系预测。在四个真实数据集上进行了大量实验对比,HyperCPRL取得了较好的效果,且对包含低度概念样本的识别能力更强。

基于领域学习的本体映射方法

在语义数据集成中本体映射是关键,手工设置映射关系消耗时间并且不准确,需要使用本体映射工具自动发现这种映射关系。在现有本体映射方法的基础上提出了基于领域学习的映射方法,可以发现本体中概念之间的映射关系,可以从领域知识中发现复杂映射的规则、增加映射时的实例数据,提高映射发现的查全率和准确率。实验结果验证了算法的有效性。

大数据量的高效重复记录检测方法

针对目前重复记录检测方法不能有效处理大数据量的问题,提出了一种高效的重复记录检测方法.根据概念依赖图计算表的关键属性,并根据关键属性值将数据划分为记录集,在划分后的记录集中进行重复记录检测,大大减少需要比较的记录数,提高算法的效率;在记录集内进行重复记录检测时,将已匹配的记录合并后和已有的记录重新比较,提高了算法的准确度和效率.实验数据显示在大数据量情况下,计算效率提高47%.