基于深度哈希算法的学生画像个性化推荐系统的设计与实现

为了提升学生画像个性化推荐的效果,研究设计了一种基于深度哈希算法的学生画像个性化推荐系统。通过使用深度哈希算法结合经过处理的学生信息,进行了学生信息特征标签的提取,并构建了学生画像标签维度模型,从而提升了学生画像的生动性。根据学生画像标注的学生特征,在学校课程资源特征数据集中进行搜索匹配,并根据排序后的检索结果生成推荐结果。实验结果表明,该系统能够有效地采集和预处理学生信息,并成功构建学生画像,完成学生画像的个性化推荐。

智慧图书馆用户画像图像处理算法模型设计与实现

针对当前无法对智慧图书馆物联网空间系统中用户图像画像数据进行计算、处理并进行深层次数据挖掘的现状,研究和设计了一种用以画像图像处理的点操作算法模型。模型的底层算法采用适用于空间域增强过程的灰度变换算法。搭建包含算法转换、近似计算、增量更新、查找表和浮点计算等组成计算单元的模型的核心算子。对点操作算法模型的核心算子IP计算单元进行设计,实现了对计算单元的加速设计与实现,计算单元加速效果良好,算法模型合理有效,核心算子的简单像素流水数据能够实时得到流水像素结果输出。

基于遗传优化神经网络的电力潜在敏感用户画像聚类算法

为了解决电力潜在敏感用户画像聚类和识别结果准确度较低的问题,提出一种基于遗传优化神经网络的电力潜在敏感用户画像聚类算法。构建电力用户画像,精准刻画电力用户行为;选取电力用户画像的数值、时间、统计及聚类四种特征作为卷积神经网络模型的输入,识别电力潜在敏感用户画像;采用改进遗传算法优化卷积神经网络,使得识别结果更为精准。实验结果表明,该方法能够聚类、识别电力潜在敏感用户画像,且聚类和识别的性能及准确度较好。

高校学生全画像学业成绩预警模型分析

基于CatBoost算法,利用高校学生的全面画像数据,建立了学业成绩预警模型,可有效预防学生学业成绩的严重下滑。文章以江苏连云港一所高校的学生学业成绩数据为对象,采用机器学习算法CatBoost,并以学生的历史学业成绩数据为基础进行学业成绩的预测,其准确率达到了79.6%。

基于文本分析的在线课程画像研究

[目的/意义]在“互联网+教育”的时代,网络课程丰富,类型众多,学习者难以快速找到适合的在线课程。传统在线课程简介无法提供适配性引导,而课程画像能描述课程整体定义,满足学习者差异化课程适配需求。[方法/过程]基于文本分析建立相关语言模型,构建在线课程画像。以学习者在线评论文本作为数据集,从课程基本信息、联合主题模型、情感判别三个维度构建课程画像的概念模型。联合主题模型先通过基于词向量的Word2Vec算法计算词语之间的相关性,构建初始相似词库;接下来结合K-means文本聚类算法从两个维度提取评论主题;最后利用ROST_CM6软件进行评论文本情感判别并解析语义网络,数据可视化后得到课程画像。[结果/结论]最终画像能清晰呈现学习者视角的课程描述,促进整体学习效率。

面向运输风险识别的高速公路货车用户画像方法

当前,货车超载超限现象严重,为提升高速公路货车管控效率及货运安全水平,提出基于货运风险特征画像的货车运行风险等级识别模型。首先,基于高速公路收费数据,以货车为研究对象,从驾驶行为和营运状态两方面制定面向货运风险识别的用户画像标签体系;接着对样本数据进行清洗和标签指标提取与分析;然后,利用K-means++算法获得货车货运风险特征画像分类结果,再使用熵权法对各类货车进行货运风险评分,确定各类别货车的风险等级;最后,结合各类别车辆的相关指标,对车辆完成画像。基于广东省全网高速公路2022年3月至5月的货车收费数据,利用所提出的模型,将货车车辆划分为5类,其中,“高风险高强度货车”车辆占比5.42%,“较高风险夜间驾驶超载货车”车辆占比19.12%,“中风险超速货车”车辆占比12.85%,“低风险低频货车”车辆占比37.00%,“低风险高频货车”车辆占比25.61%。使用同期广东省某事故数据库数据对模型进行验证,数据表明,高风险类别车辆的相对风险系数远高于低风险类别车辆。研究表明,所提出的模型可以有效地提取高风险货运特征货车,基于风险等级识别结果,交管部门可进行高风险车辆识别、超载超限重点监查、特定消息推送引导车辆安全驾驶等工作,以提升行业安全管理水平。

基于改进TF-IDF算法的毕业生就业推荐算法研究

针对传统就业推荐算法不能够对每一个毕业生进行精准的推荐的局限性,论文提出一种结合TF-IDF算法和K-means++算法的双向推荐系统,一方面对毕业生信息使用K-means++算法进行聚类,对新用户根据其初始信息与行为信息进行用户画像建模,并计算与往届毕业生的相似度;另一方面使用TF-IDF算法对各个招聘网站所发布的招聘信息中的关键词进行统计转换词频等操作。实验结果表明,该双向就业推荐系统比起之前单向就业推荐提高了毕业生就业推荐的满意度,提升推荐效率。

基于学生画像的个性化教学模式研究与实现

个性化教学尊重学生个体差异,促进学生个性发展,是未来教育发展的方向。基于学生画像模型实现个性化教学,通过采集教学数据,利用Lookalike算法和大数据处理技术对学生的在校学习情况进行识别,辅助教师及时掌握学生动态变化,为学生的学习情况进行画像建模,达到“千人千面”效果,为学生提供精准的个性化学习路线、培养方案及就业推荐指导,实现因材施教的个性化教学。

基于广电网络的视频系统检索与推荐研究

目前,广电网络行业的电视直播业务、视频点播业务和移动端业务均是以视频业务为基础展开的,各个省均小范围地引入SP和CP供应商,业务平台存在共性的用户体验割裂问题,如何以视频元数据和用户行为数据分析为基础聚合内容,进行视频的统一检索与推荐,提升和统一产品体验,是核心问题。本文通过对视频检索与推荐的研究,为行业提供一个解决问题的参考。

基于人像识别和感兴趣区域定位的红外图像测温研究

非接触式温度测量是应对“新冠”、流感等传播性疫情进行大流量防疫筛查的有效手段,可以避免交叉感染的风险,能够实现公共场合的人体体温监测。本文基于YOLOv5和红外相机设计了人像识别及测温系统,使用红外图像进行人脸目标检测,提出了一套依靠人脸及遮挡物的额头区域辅助定位算法。针对人像以及有眼镜、口罩、帽子等遮挡情况构建了数据集,对红外图像的人像识别进行了训练和预测,实现了针对面部感兴趣区域(额头)的精准定位,并通过该定位实现人体测温,采用C#开发了软件界面,实现了对红外图像及其温度的可视化显示与管理。经过实验测试,基于YOLOv5的预测平均准确率为94%,额头区域的辅助定位精度达到97.3%,算法对红外测温效果的影响在±0.15℃以内。系统可长期运行,且对多应用场景具有较好的适用性。

数智时代学生画像助力精准思政的概念模型、实践路径与应用策略

基于大数据算法的画像技术,有助于深入探寻学生的真实需求,实现精准思政。画像技术在思政教育中的运用,需要遵循交互原则、主体中心原则及系统性原则,为此可以设计并建构涵盖环境、画像、评价、共同体这四领域的EPAC概念模型。该模型在实践过程中表现为“123+”的运行机制,分为精准聚焦、精准分析、精准识别、精准呈现和精准应用五个模块,并由指标设计与数据融合、数据描画与直观展现、需求研判与综合分析这三条具体路径连缀成一个动态循环系统。由此所生成的学生需求个像与群像,有助于教学中的精准滴灌以及教学要素更新周期的缩短;由此所形成的主体与客体的对照,有助于实现思政教育效果评价的科学性与客观性。这一技术的运用,在未来有可能促成思政教育思维方式的变革及范式的转型。

算法嵌入监管的法治化路径研究——以证券违法活动的算法监管为例

以算法为监管手段的证券数字监管,可以通过对证券业务数据样本的处理、分析,找出异常交易行为下隐藏的不法意图,为证券监管机构提供事前、事中、事后监管措施。但监管规则含义泛化、数据质量标准不一、算法非中立性和“黑箱”的存在,给算法带来了法律风险,影响了算法推理、决策和结果在法律程序中的地位和作用。从英国金融行为监管局(FCA)的实践经验来看,设计机器可执行规则是提高证券监管效率的重要手段;统一数据标准是提升算法可信度的重要措施;算法合法化监管是保证算法中立的关键。结合我国证券违法活动的算法监管现状,可从三个层面完善算法嵌入监管的法治化路径,一是在规则层面,实现算法代码与监管规则的深度融合;二是在数据治理层面,完善算法输入层和识别层的数据治理程序;三是在法律程序层面,建立算法审计机制和算法可解释性机制。

基于多维用户画像和DeepFM的“环评云助手”资源推荐研究

“环评云助手”是一款服务于环境影响评价行业用户的APP,针对APP中信息量激增、行业资源文本特征利用不充分和行业用户即时资源推荐精准较低等问题,提出一种结合行业文本资源和用户行为特征的多维用户画像模型并应用于深度因子分解机(Deep Factorization Machines,DeepFM),实现资源点击率(Click-Through-Rate,CTR)的精准预测.模型首先对行业资源文本进行语义抽取,再对行业用户行为进行自定义评分,从而构建多维用户画像模型;最后将多维用户画像应用于DeepFM模型,进行CTR预测任务,实现具有行业特征的个性化推荐.实验数据来自“环评云助手”APP,实验结果表明该模型有效提高了CTR预测任务的AUC值,降低了LogLoss值,具有一定的应用价值.

海量公交数据的人群画像算法

面向海量公交数据的人群画像对分析城市群体出行特点、交通态势等极具价值,但对数据的处理存在耗时高、质量低、解释难等问题。提出一种海量公交数据人群画像的系统化解决策略,基于PageRank算法筛选出经过重要站点的人群轨迹,极大减少目标人群的轨迹数据;提出轨迹文本化分析方法来提高人群画像的可解释性;分析确定基于余弦距离的K-means算法作为人群画像分类的聚类算法。该算法在3000万乘客公交出行数据上的实验表明:提出的解决策略能够较为系统性地解决海量公交数据的人群画像问题,同时基于余弦距离的K-means算法的聚类效果最好且准确率约达80%。将人群画像及其轨迹使用Flow Map进行可视化展示,结果符合真实世界的人群行为特征。

基于麻雀算法优化的神经网络推荐算法研究

针对大学校园信息过载,专业培养方案缺乏个性化与自主学习培养等问题,本文基于学生自主学习推荐的研究,提出了基于麻雀算法改进DNN分类推荐算法的设计,以实现更利于学生自主学习推荐培养。经对4种激活函数的训练集结果进行对比实验,选择使用Sigmoid验证集作为激活函数;在梯度下降验证集的结果对比试验,得出需要采用Adam优化器;通过常见目标函数对麻雀算法的适应性研究,得出麻雀算法适用于DNN模型的寻找最优。实验研究结论表明,基于麻雀算法优化后的DNN模型,实现了更为精准有效的推荐,很好地实现了智慧校园中基于用户画像特性化推荐自主学习的培养目标。

基于TF-IDF算法的运营商用户画像分析

随着通信技术的迅速发展,海量日志的产生给企业运营带来了安全隐患,除了能否及时检测出电信运营商企业内各类业务系统及设备的海量日志是否安全、合规之外,基于用户行为的分析对日志安全也尤为重要。为了直观掌握用户行为,本文基于TF-IDF标签权重算法对运营商海量用户业务日志数据构建用户画像。根据实际业务场景构建RFS模型,通过开发的用户画像标签体系分析研究运营商用户行为,对用户操作日志中的潜在高风险信息进行数据挖掘,并输出可视化用户行为分析画像结果。实际应用表明,通过用户画像能识别风险用户行为信息,同时也能为日志安全分析提供参考价值,帮助企业实现数据安全运营动态监测。

大数据驱动下全接触渠道的电力客户精准画像

基于大数据平台和微服务架构,建立电力客户精准画像技术架构,形成大数据驱动下客户画像系统底层标签数据集合,结合模糊C均值聚类算法、决策树及XGBoost算法建立的电力客户标签,生成电力客户精准画像,构建电力客户精准画像体系.实验结果表明,所提方法能够精准挖掘电力客户数据,聚类多种客户标签,有效降低标签分类汉明损失,减小电力客户标签分类误差,确保生成有效电力客户画像.

基于互联网智能人单合一技术的任务画像算法模型

传统方法对各类标签的聚类效果较差,导致模型生成的任务画像字段过短,因此构建基于互联网智能人单合一技术的任务画像算法模型。根据建立的互联网标签与用户标签,采用共现分析法进行标签聚类;基于互联网智能人单合一技术设置画像体系生成任务画像,使用BP神经网络算法建立任务画像算法模型。实验结果表明:与两种传统算法模型相比,此次构建的任务画像算法模型的SC值评价指数更好,标签聚类效果更佳,任务画像生成的数据字段片段可以详细描述员工任务现状。

基于双平台学习数据的学生画像技术研究

随着信息化技术的不断推广,各大学校纷纷依托在线平台开展线上教学活动,如何有效利用平台上的学习数据更好地精准教学成为目前重要的研究领域之一。文章提出了构建学生画像的流程,包括采集“双平台”——超星学习通平台和头歌教学实践平台上的学生学习数据,对数据进行预处理,构建学生个体画像以及基于K-means聚类算法将学习数据进行聚类生成学生群体画像。最终,将学生分为三类不同特征的群体,教师针对不同学生群体画像进行分析,制定更科学的分类教学策略,实现个性化教学。

基于遗传算法优化极限学习机的投标人画像评价研究

采用遗传算法优化极限学习机的连接权值和阈值,得到GA-ELM算法,同时选择资质信息、投标行为、技术实力、信用评价、履约表现为投标人画像评价指标,搭建用于投标人画像评价的GA-ELM模型,并将该模型应用于电网供应商画像评价中。结果表明,所搭建的GA-ELM评价模型在性能上明显优于PSO-ELM模型和ELM模型,这对投标人画像评价具有一定的实际参考价值。