我国教育元宇宙研究的热点透视与未来路向——基于核心文献的LDA主题模型分析

教育元宇宙作为元宇宙的教育应用前景广阔,对相关文献进行系统分析有助于推进其应用向纵深发展。基于LDA主题模型和人工内容分析对关于教育元宇宙的130篇核心期刊文献进行系统梳理后发现,我国教育元宇宙研究主要围绕基本理论、批判审视、思政教育应用、学习赋能、场景创设、技术支撑、模型构建等7个主题展开,为教育元宇宙建构学理支撑、凝聚理性共识、铺筑可为进路、筑牢技术基座和汇聚多维创想积淀了丰硕成果。基于此,未来教育元宇宙还应从顶层设计、关系廓清、伦理规约、技术向善、场景拓展等5个方面着力:探赜教育元宇宙顶层设计研究,统筹教育元宇宙系统构建;完善教育数字化转型与教育元宇宙逻辑关系研究,驱动两大领域协同演进;深入教育元宇宙伦理规范研究,促进教育元宇宙健康发展;夯实教育元宇宙意识形态属性研究,保障教育元宇宙向善属性;拓展教育元宇宙应用场景研究,牵引教育元宇宙实践落地。

基于LDA-BP神经网络的高校思政课教师数据驱动决策力评价研究

数据驱动决策力为高校思政课教师提供科学合理的教学判断,对数据驱动决策力进行评价研究,有助于提高高校思政课教师的数据决策水平,进而提升思想政治教育教学质量。鉴于传统评测方法缺乏客观性与可重复性,运用LDA-BP神经网络技术构建高校思政课数据驱动决策力的指标体系与评价模型。首先,运用LDA方法对高校思想政治教育相关的政策文本与研究文献进行主题提取,并将主题信息作为指标构建基础;其次,通过研读文献与政策文本,并结合主题分析结果构建高校思政课教师数据驱动决策力评价指标体系;最后,通过对BP神经网络的训练及测试来生成高校思政课教师数据驱动决策力的评价模型。研究表明,高校思政课教师的专业知识、教学水平以及数据分析与解读能力是影响数据驱动决策能力的关键因素,据此,理应从素养提升、文化培育、管理革新、政府支持等方面入手增强数据驱动决策力。

融合SVM-LDA与加权相似度的潜在新兴技术识别研究——以人工智能领域为例

在新一轮科技革命和产业变革加速发展的大背景下,如何在新技术不断涌现的技术大海中精准找到和识别出有颠覆性潜力的新兴技术,对于国家、企业参与主体和相关商业投资机构把握科技创新发展趋势和方向、合理配置科技资源、提前进行科技战略规划与技术布局具有重要的意义。本文提出一种基于知识增强SVM-LDA(Support Vector Machine-Latent Dirichlet Allocation)的新兴技术主题识别模型。首先,基于专家小组的先验知识,制定基础技术类别划分标准;其次,将技术类别划分标准作为先验知识输入SVM-LDA模型,得到技术主题聚类结果;再其次,基于类别主题词的加权相似度计算,确定潜在新兴关键技术;最后,以人工智能领域为例进行实证研究。采用本文模型共得到24项潜在新兴技术,主要分布在特种机器人技术、监测预警技术、视频图像处理技术、语音识别技术、自动规划和决策技术以及自然语言处理技术6个大类方向。

基于LDA主题模型的社交媒体隐私政策合规性评价研究

[目的/意义]在个人信息保护日渐重要的今天,开展我国社交媒体隐私政策合规性评价研究,可为完善社交媒体隐私政策和加强个人信息保护提供参考。[方法/过程]文章选取28个常用社交媒体,基于LDA主题模型、完整性评价和阅读感分析对其隐私政策文本进行比较分析。[结果/结论]研究发现,随着相关信息保护法的出台,社交媒体在隐私保护、信息安全等方面已取得了积极进步,但在政策完整性、特殊群体的保护和可读性方面仍有进一步完善的空间。未来,可从法制建设和用户权利保障、特殊群体保护以及文本可读性3个方面进行完善。

基于隐含空间模型降维和LDA模型的学科主题识别研究

【目的/意义】现有学科研究主题的梳理多为领域专家的定性分析和学科学者的文献梳理,一定程度会由于研究思维的局限性和获取知识的片面性造成学科研究主题误判,为有效避免漏判误判现象的发生,提出识别模型。【方法/过程】首先,运用传统LDA模型分析主题特征词;其次,结合上下文语义信息进行中文分词,形成学科主题词库;最后,结合隐含位置聚类算法发现潜在社区,提高主题识别效果。【结果/结论】提出的方法一定程度上优化了主题挖掘算法在识别短文本主题的效果,消除主观意愿。由计算机自行分类并实现科学研究前沿主题的预测,揭示前沿领域的研究热点,为致力于研究前沿学科的新兴学者提供参考价值。

基于LDA和SNA的应急物流研究主题可视化研究

应急物流是有效应对突发事件挑战、保障人民生命财产安全的“生命线”环节。以中国知网核心数据库文献为研究对象,首先基于隐含狄利克雷分析(LDA)主题模型挖掘国内应急物流研究主题。在此基础上,借助社会网络分析(SNA)工具厘清应急物流演化路径。研究结果表明:从研究主题来看,我国应急物流研究主要包括应急物流体系建设、应急物流模型和算法、应急物流管理,以及应急物资保障四大研究专题;从主题演化路径看,我国应急物流演化可大致分为三阶段:第一阶段是从2003—2007年的基础性研究;第二阶段从2008—2017年,以模型构建、算法求解与优化为主要研究内容;第三阶段从2018年至今,聚焦重大突发事件背景下数字技术赋能应急物流的文献数量显著增加。研究有助于明晰应急物流的研究体系现状及其演进过程,为未来研究提供有益参考。

基于LDA-BERT相似性测度模型的文本主题演化研究

文章针对LDA主题模型在提取文本主题时忽略文本语义关联的问题,提出基于LDA-BERT的相似性测度模型:首先,结合利用TF-IDF和TextRank方法提取文本特征词,利用LDA主题模型挖掘文本主题;其次,通过嵌入BERT模型,结合LDA主题模型构建的主题-主题词概率分布,从词粒度层面表示主题向量;最后,利用余弦相似度算法计算主题之间的相似度。在相似性测度模型基础上构建向量相似度指标分析文献研究主题之间的关联,并绘制主题演化知识图谱。通过智慧图书馆领域的实证研究发现,使用LDA-BERT模型计算出的主题相似度结果相较于LDA主题模型的计算结果更加准确,与实际情况更相符。

基于LDA主题模型的多阶段生鲜消费者需求研究——以京东为例

便捷的评论方式与信息交互为消费者的决策行为赋能,同时,以在线内容为核心的购后反馈逐渐成为企业提升服务质量与增加顾客黏性的重要参考。而重大突发事件的冲击常伴随着消费者心理决策过程的反复与需求的新老交替。在过去国内疫情反复的情景下,结合扎根理论与文本挖掘自下而上地打开消费者的认知“黑箱”,主要借助LDA主题模型模拟编码过程,探索消费者不同阶段的需求“丛林”并进行演化归因,在决策行为、需求层级与疫情扰动的视角下挖掘生鲜消费者需求的演化路径。最后,通过新进资料与经典理论验证了多阶段演化路径模型的有效性。

基于标幺化三阈值事件检测与LDA分类器的工商业负荷辨识方法

非侵入式负荷辨识技术能够低成本的获取用户各类设备使用情况,实现电力负荷的在线监测与分析,对支撑负荷预测、需求响应等应用开展有着重要意义。针对一般工商业用户类型多样、负荷种类繁多、设备运行特性复杂的特点,提出了一种基于标幺化三阈值事件检测与LDA分类器的工商业负荷辨识方案。首先针对不同能耗级别、不同启停特性的设备设计了参数可调的统一负荷事件检测框架,提升了缓变型、分段型、震荡型负荷事件的检出准确度。随后提出了基于多元特征与LDA线性判别的设备类型判断算法,在兼顾边缘端计算效率的同时取得了与随机森林等非线性分类器相同的辨识性能。

基于LDA-Word2vec的图书情报领域机器学习研究主题演化与热点主题识别

[目的/意义]在人工智能技术及应用快速发展与深刻变革背景下,机器学习领域不断出现新的研究主题和方法,深度学习和强化学习技术持续发展。因此,有必要探索不同领域机器学习研究主题演化过程,并识别出热点与新兴主题。[方法/过程]本文以图书情报领域中2011—2022年Web of Science数据库中的机器学习研究论文为例,融合LDA和Word2vec方法进行主题建模和主题演化分析,引入主题强度、主题影响力、主题关注度与主题新颖性指标识别热点主题与新兴热点主题。[结果/结论]研究结果表明,(1)Word2vec语义处理能力与LDA主题演化能力的结合能够更加准确地识别研究主题,直观展示研究主题的分阶段演化规律;(2)图书情报领域的机器学习研究主题主要分为自然语言处理与文本分析、数据挖掘与分析、信息与知识服务三大类范畴。各类主题之间的关联性较强,且具有主题关联演化特征;(3)设计的主题强度、主题影响力和主题关注度指标及综合指标能够较好地识别出2011—2014年、2015—2018年和2019—2022年3个不同周期阶段的热点主题。

基于LDA主题模型的智慧养老研究主题分析

目的/意义揭示国内智慧养老领域研究热点主题。方法/过程选取中国知网作为检索数据库,以2004—2023年智慧养老领域期刊论文、学位论文和会议论文的摘要作为研究数据,运用LDA主题模型进行文本挖掘,利用困惑度和一致性确定最佳主题数量。根据主题-词分布进行主题识别,根据文档-主题分布计算各主题强度。结果/结论 LDA主题模型提取得到国内智慧养老领域主题共9个,其中热点主题为服务架构、数字化转型、社区养老、用户调研。

内地青年网络社群涉台舆情的主题分布与情感特征——基于LDA模型和文本情感计算的大数据分析

综合使用LDA模型、文本情感计算等大数据方法与传统数据处理方法,分析内地主流青年网络社群中的舆情文本后发现,当前青年网络社群中的涉台议题表达可归入“政治”“文娱”“对抗”“生活”“交流”五大主题。在内容特征方面,“政治”和“交流”主题较易获得观看者的支持;“文娱”议题呈现“粉丝向”特征;“对抗”议题较易获得短期关注与转发;“生活”议题较易引发广泛讨论。在情感特征方面,涉台讨论呈现出“爱憎分明”的特点,最常被表达的情感是“赞扬”和“贬责”,但在积极向度的表达中,约有20%—25%属于揶揄和讽刺性用法。在互动形式方面,负面、强烈的情感表达较易引发关注和讨论。另外,用户性别与涉台讨论的情感向度显著相关。未来有必要进一步加强对青年网络社群的涉台舆情追踪,重视舆情引导,并强化青年网络社群中涉台交流的机制建设和积极情感表达。

基于Citespace和LDA主题模型的顾客价值共创文献研究

在激烈的市场竞争中,企业发现与顾客共同创造价值非常重要。然而,研究顾客价值共创的领域非常广泛且复杂。本文首先回顾了顾客价值共创的定义和概念,并利用LDA主题模型和Citespace软件分析2008—2023年533篇关于顾客价值共创的文献。关键词聚类结果表明品牌共创、服务主导逻辑、共创行为、虚拟社区、公共服务和价值共毁是当前研究的主要内容。本文使用LDA主题模型对文献摘要进行分析,研究主题包括品牌导向和美学、顾客满意度与关系、创业者与经理的视角、定量方法和数据研究、价值和忠诚度以及转型性共创六个方面。最后,本文对研究结果进行了讨论,并提出未来研究的方向和建议,以促进顾客价值共创领域的发展。

基于LDA的电商平台用户评论挖掘与情感分析研究——以京东商城App为例

用户评论文本挖掘与分析在多个领域具有重要实际应用价值。文章选取京东商城用户评论数据集作为研究对象,运用多种方法对其进行深入的数据挖掘与分析。首先,通过TF-IDF提取关键词揭示评论的核心主题,进而通过分析高频词了解用户对京东商城服务的关注点和整体评价。其次,采用情感分析技术对评论文本进行情感倾向性分类,旨在判断评论的情绪色彩,为京东商城的产品改进和市场定位提供有益参考。最后,借助LDA主题模型对评论文本进行主题剖析,挖掘出评论中的隐性主题和话题分布,进一步揭示用户对产品或服务的不同观点和需求,从而为京东商城提供针对性的改进策略和意见。

基于LDA主题模型的协同过滤推荐算法

传统的协同过滤推荐算法直接根据用户对物品的评分进行推荐,忽略了评论文本中隐含的重要信息,当用户对物品的评论较少时,由于数据的稀疏性会造成推荐效果的不准确和单一。本文提出了一种基于LDA主题模型的协同过滤推荐算法LDA-CF(Latent Dirichlet Allocation model-LDA-Collaborative Filtering),在传统的协同过滤算法基础上,通过LDA模型对评论文本中的主题进行分类,从各个主题层面挖掘用户的情感偏好,计算用户之间的相似度,进而向目标用户推荐商品。对京东平台牙膏的评论数据集的实验结果表明,该算法不仅可以缓解由于评分数据较少造成的稀疏性问题,推荐的精确度也有所提高。

基于LDA模型的国内用户画像研究主题及演化分析

【目的/意义】旨在发现国内用户画像研究领域的研究主题以及这些主题的发展脉络,为图书馆用户画像的构建提供参考。【方法/过程】运用LDA主题模型对国内用户画像研究论文的题目、摘要和关键词等内容进行文本挖掘,按年度对热点主题进行分析并发现各主题的演化趋势。【结果/结论】国内用户画像研究领域大体可划分为8个研究主题:新媒体营销、电商系统与精准营销、推荐算法与推荐系统、健康信息服务、教育教学、金融服务、社交网络与内容分析、高校图书馆与信息服务。研究主题按年度演化趋势可分为上升主题、平稳主题和衰减主题3类。高校图书馆与信息服务是上升幅度最大的主题,这表明研究人员越来越关注用户画像在图书馆及相关领域的应用研究。

基于LDA主题模型的应急物流研究主题演化分析

从应急物流为主题的研究文献中,分析当前应急物流领域的研究现状,并以此为基础探究未来应急物流领域研究主题演化方向。选择近10年中国知网平台以应急物流为主题的研究文献,使用Spyder工具进行数据处理,基于LDA主题模型进行分析,从分析结果中得出最优主题数,并归纳出主题内容,从而总结归纳出基于主题的应急物流领域的三个演化方向:“平急转换”的应急物流管理体制,“虚拟众储”的应急物流储备模式,以及“数据赋能”的应急物流效率体系。

基于BERT-LDA和K-means聚类的绘画作品价值评估指标体系构建

针对目前绘画领域缺乏标准的价值评估指标体系,提出了基于BERT-LDA和K-means聚类的绘画作品价值要素挖掘方法。运用超平面法对绘画文献进行了停用词筛选,基于BERT-LDA模型构建了包含文本语义信息的融合特征向量,运用K-means算法对融合特征向量进行降维可视化,随之构建了绘画作品价值评估指标体系。结果表明,基于BERT-LDA模型和K-means算法识别的主题及主题词相比传统LDA模型的查准率、查全率和F值分别提升了28.5%、10%和21.5%。通过随机森林等算法对指标体系进行验证,验证了构建的绘画作品价值评估指标体系的科学性。

基于LDA-IBES-RELM的光伏阵列故障诊断方法

针对光伏阵列故障诊断准确率偏低的问题,提出了一种基于改进秃鹰搜索算法(IBES)优化正则化极限学习机(RELM)的故障诊断方法。首先在Simulink建立光伏阵列仿真模型,模拟典型故障并提取故障特征数据,同时利用线性判别分析(LDA)对特征量降维作为故障诊断模型的输入;其次利用Logistic混沌映射、Levy飞行策略和柯西高斯变异扰动策略对秃鹰算法进行改进;最后将IBES用于对RELM的隐层参数寻优。实验结果表明:LDA-IBES-RELM模型与BES-RELM、IBES-RELM模型对比,得到的故障诊断准确率为97.71%,优于其他两种模型,验证了LDA-IBESRELM模型用于光伏阵列故障诊断的有效性和实用性。

基于LDA主题模型的GitHub Actions工作流项目推荐算法

在CI/CD实践中,自动化已成为软件开发实践中的一种规范。GitHub引入GitHub Actions为软件维护者提供自动化的持续集成工作流方案,尽管其为开发者提供了诸多便利,GitHub社区也提供了许多第三方的GitHub Actions服务,但仍然只有极少的项目在使用。为了满足开发人员对工作流自动化的需求,减少非开发任务工作量,提出一种基于隐含狄利克雷分布(LDA)主题模型和Jensen-Shannon距离的GitHub Actions工作流项目推荐算法。通过对GitHub Actions存储库的README文件进行主题建模,将GitHub的事件描述文本和用户输入作为模型输入,为正在开发的代码仓库推荐GitHub Actions服务。将该推荐模型与标准的基于余弦相似度的方法进行比较的实验结果表明,该方法能有效改善开源软件仓库的推荐精度。