基于天地网的同步实时授课系统研究

针对现有实时授课系统存在的规模小、可扩展性差等方面的问题,本文作者提出了一种基于卫星和地面计算机网相结合的天地网平台之上的同步实时授课系统SkyClass的实现方法。该系统采用卫星链路实现教学现场的直播,采用地面IP网实现师生间多模式的交互。本文对系统的网络模型以及卫星链路中教学现场传输的QoS控制问题进行了论述。目前,SkyClass已在国内得到了有效的应用。

基于多SimHash指纹的近似文本检测

近似文本检测已成为当前研究热点.基于SimHash指纹的近似文本检测是主流的检测方法之一.但使用SimHash进行近似文本检测存在如下问题:指纹位数单一,丢失了一定量的信息.针对该问题,为使SimHash指纹尽可能多地代表文档的内容或特征,通过对术语集的统计特征分析,提出基于多SimHash指纹和k维超曲面的近似文本检测算法.实验表明基于多Sim-Hash指纹的近似文本检测算法提高了检测的准确率,而且所增加的时间代价很小.

面向网络舆情数据的异常行为识别

社交网络的日益普及和移动设备快捷的网络接入,使得网络舆情的传播十分迅捷,民众对热点话题的关注度和参与度得到很大的提升.网络舆情具有自由性、交互性、多元性、偏差性、突发性等特点,能够左右民众的情感和判断,能推动和改变事件的发展和走向,容易被反对分子利用,已经成为影响社会稳定的重要因素.因此,及时检测、控制并引导舆情的发展具有十分重要的意义.研究关注网络中传播的蕴含有"破坏"、"危险"、"损失"等涉及公共安全或涉及司法公正的行为.根据课题的需要,定义4种关注的异常行为类型:攻击行为、受伤行为、死亡行为、拘捕行为.从数据挖掘和信息抽取的角度研究识别异常行为的方法,首先通过分类器和触发词从海量的数据中过滤出包含异常行为的句子,然后抽取异常行为句中包含的命名实体,最后利用抽取的实体构建异常行为共现网络,为分析人员提供可视化的网络舆情分析方法.

结合评分和信任的协同推荐算法

针对现有基于信任的推荐系统虽能缓解冷启动和虚假评价但较难获取用户之间的信任关系,难以建立用户彼此之间的偏好关系的问题,提出了基于评分-信任协同的推荐算法并给出了相关数学表达式和实现流程。该算法充分利用推荐系统中的共同评分,协同用户间的信任关系,有策略地选择用户评分的相似度和用户间信任值,建立用户之间的偏好关系,进而实现推荐。随着共同评分数目下限值的增加带来推荐准确度提高的同时将造成覆盖率的下降,因而关键是选取合适的下限值。实验结果表明,这种混合推荐的方法相比传统协作推荐方法与信任推荐方法,在精度损失极小的情况下,较大地提升了覆盖率。评分覆盖率指标分别提高了3%和32.1%,用户覆盖率指标分别提高了8.2%和15.1%,从而获得了精度与覆盖率的良好平衡。

网络服务用户体验定量评价方法和实证分析

随着服务经济的发展,用户体验成为网络服务能否被接受的关键。当前的用户体验研究主要通过主观问卷调查的方法询问用户的主观感受,存在费时、操作复杂、不准确等问题。针对此不足,提出一种基于用户网络服务日志客观评价用户体验的方法,并结合典型的网络服务e-learning进行了实证分析。结果表明基于该方法的客观评价结果与主观评价的结果显著相关,平均绝对误差在10%以内,表明该方法是有效的。

e-Learning用户心理体验量化评价研究

针对当前计算机系统服务质量评价缺乏从用户心理体验角度深入研究的问题,以e-Learning为背景,研究了用户心理体验的定量分析和评价,对用户心理体验进行了整体建模,分析了易用性、有用性、情绪等因素和特征对e-Learning用户心理体验的影响.采用资源覆盖率、推荐命中率等指标度量了易用性和有用性,构造了特征权重矩阵;基于层次分析法量化了整体的用户心理体验评价模型.在某高校e-Learning系统上的实际应用表明,采用所建模型能有效地发现e-Learning系统在用户心理体验方面存在的不足,可为进一步研究影响用户心理体验的情绪等特征、构建更加完善的用户心理体验量化评价方法提供参考.

一种面向4G-LTE网络的丢包区分算法

无线网络中的丢包,一般认为是由拥塞或无线信道衰落造成的.在4G-LTE移动网络中,其传输特征的变化使得已有丢包区分算法并不适用.对此,提出了一种针对4G-LTE移动网络的丢包区分算法LDA-LTE.首先,基于LTE基站仿真器构建了真实可控的4G-LTE移动网络仿真测试平台;然后分别采集并分析了4G-LTE移动网络在拥塞和无线信道衰落条件下的传输特征;最后根据以上传输特征,提出了LDA-LTE丢包区分算法,实现了4G-LTE移动网络在拥塞和无线信道衰落同时发生场景中的丢包区分.实验结果证明,在4G-LTE移动网络中,由于网络传输特性与丢包特征的变化,使得传统的丢包区分算法并不适用,所提方法的区分结果准确度更高.

面向网络教育学院的学习行为分析

随着网络学习的普及,网络学习者的数据分析正成为一个新兴的研究方向。网络教育学院是一种以从业人员的继续教育为主的远程学历教育。通过对西安交通大学网络教育学院的学习日志进行分析,力图展示网络学院学习者的学习行为,并探索典型网络学习行为与学习成绩的关系。在对大量日志数据进行了统计分析的基础上,通过对学习者学习知识点个数及有效知识点完成率进行聚类分析,将网络学院学习者分类;采用Spearman相关系数分析了学习者各种学习行为和学习成绩间的相关性,这为后续网络教学的改进、更加准确地对网络教学进行测评提供了一种依据。

领域实例迁移的交互文本非平衡情感分类方法

针对交互文本句子短、成分缺失、多领域下类分布不均衡导致的高维、特征值稀疏、正样本稀少的难点,提出面向目标数据集实例迁移的数据层面采样方法。该方法提出目标数据集和源数据集共性特征的Top-N信息增益和值占比函数,选择评价两个数据集实例相似度的特征;提出目标数据集和源数据集特征空间一致性处理方法,克服两者特征空间不一致的问题;提出分领域的实例选取与迁移方法,克服多领域下的类分布不均衡问题。实验结果表明:该方法有效缓解了交互文本的非平衡问题,使支持向量机、随机森林、朴素贝叶斯、随机委员会4个经典分类算法的加权平均的接收者运行特征曲线(receiver operating characteristic,ROC)指标提升了11.3%。

超平面距离的非平衡交互文本情感实例迁移方法

针对非平衡交互文本少数类实例匮乏易导致训练的情感分类模型泛化性能差的问题,提出基于超平面距离的非平衡交互文本情感实例迁移方法。该方法将在少数类和多数类支持向量之间的源数据集实例作为待迁实例,并基于目标数据集上的分类超平面构造一个偏移超平面。依据最优信息效用原则基于待迁实例到偏移超平面的距离最短来筛选迁入的实例,同时通过调节迁入比例控制迁入实例规模生成合成数据集。实验结果表明:随着迁入实例增多,合成数据集对原始分布的偏离增大,所训练的序列最小优化算法(SMO)模型的泛化分类性能呈现先提升后降低的现象,类似于信息效用的Wundt曲线;与SMOTE、Subsampling、Oversampling 3种数据层处理方法相比,所提方法训练的SMO、LibSVM、随机森林、代价敏感、CNN 5个分类模型在少数类识别F值上平均获得11%的增幅,且迁入比例最佳范围为20%～30%,在有效缓解非平衡特性的同时提高了少数类识别的泛化分类性能。

多P2P覆盖网络的带宽分配方法

针对多频道对等(P2P)视频直播系统中会出现多个P2P覆盖网络竞争节点带宽资源的问题,提出一种基于多P2P覆盖网络的带宽分配方法.按照不同的观看频道集合并根据需求为各个节点组提供参与频道中的带宽分配策略;以分组带宽分配策略为基础构建和维护与带宽分配相适应的节点伙伴关系和网络拓扑结构;P2P节点数据请求的响应策略在相应的伙伴节点中选择服从带宽分配策略的候选伙伴节点来传输数据,通过节点响应行为完成带宽分配.实验结果表明,所提方法能够使系统的可用带宽在不同频道中按照需求比例进行分配,与随机策略相比可以减少带宽不足频道的数据平均到达时间,加快用户的平均下载速度.

基于云计算的P2P流媒体服务器集群部署算法

针对云计算数据中心网络(DCN)环境下,P2P流媒体服务器集群部署引起的较高带宽占用问题,提出了一种基于云计算的P2P流媒体服务器集群部署方法。该方法将P2P流媒体服务器集群部署建模为一个二次分配问题,并基于蚁群算法,寻找每个虚拟流媒体服务器与每个部署点之间的映射关系,实现基于云计算的P2P流媒体服务器集群部署。通过仿真实验证明,基于云计算的P2P流媒体服务器集群部署算法可以有效地减少云计算平台DCN网络带宽占用。

一种基于传感器与用户行为数据分析的移动学习场景感知分类方法

随着智能手机和移动互联网的普及,使用智能移动终端进行学习的用户也逐渐增多,移动学习在数字教育领域占据着越来越重要的地位.移动学习的有效性体现在情境感知的能力,即能够感知不同学习情境并提供相应合理的学习内容.因而,移动学习中的情境感知技术已经成为一个研究热点.学习场景的感知是移动学习情境感知的重点,但是由于移动学习的动态性和复杂性,准确的场景感知具有一定的难度.基于实际的移动学习环境,提出了一种根据传感器与学习操作行为对学习场景进行感知分类的方法,处理并分析了由移动学习客户端采集到的传感器数据和学习操作行为日志数据,对比了以传感器数据特征值与学习操作行为特征值共同作为输入特征值的多种场景感知分类算法.结果表明:对比仅使用传感器数据作为分类算法输入特征值的结果,结合学习操作行为日志和传感器数据一起作为学习场景分类感知的依据,可以显著提高移动学习场景的感知分类效果.

基于动态阈值的VOD虚拟机集群预调度算法

如何构建支持大规模并发用户的视频点播(VOD,Video-on-Demand)服务是当前的热点研究问题。虚拟机集群因具有多实例、可封装和按需资源分配等特性,将成为构建大规模VOD服务的支撑技术。但是,现有虚拟机集群调度方法还难以应对VOD服务中点播行为的随机性与虚拟机调度的滞后性。为此,我们提出一种基于动态阈值的VOD虚拟机集群预调度算法,通过预测虚拟内存资源利用率最高时刻的用户链接数,动态地更改调度阈值,完成虚拟机集群的预调度。实验验证该算法可降低VOD服务中的时延抖动,并提高系统资源利用率。

多版本视频点播流媒体服务器集群资源分配方法

针对大规模移动学习应用背景下流媒体服务器集群资源分配过量或不均的问题,提出了一种面向移动学习系统的多版本视频点播流媒体服务器集群资源分配方法。该方法通过用户历史点播行为日志分析,挖掘在不同终端环境下用户点播行为的特征和规律,在此基础之上,采用排队论理论进行多版本视频点播中流媒体服务器集群资源分配建模,并通过实时预测用户请求到达率的变化情况,动态调整资源的分配,从而实现了集群资源的动态配置。实验结果表明,所提方法的平均服务拒绝率和资源利用率分别在1%和80%左右,既保证了用户体验满意度,又降低了系统服务成本。

基于问句感知图卷积的教育知识库问答方法

近年来,随着教育信息化的不断深入,海量教育资源和教学数据不断累积,一些教育知识库被提出,这为数据驱动的智慧教育提供了良好的发展条件。基于教育知识库的问答方法能够为学习者提供即时的答疑辅导,进而有效提升学习者的学习兴趣和效率。然而,目前特定于教育领域的知识库问答研究较少,且开放领域的知识库问答方法大多独立地建模问句和候选答案实体,因而建模效果有限。基于此,提出一种基于问句感知图卷积网络的教育知识库问答方法。首先,针对特定问句,提取其中的问句描述信息和查询实体集,并分别通过Transformer和预训练的知识库嵌入进行处理得到两者的表示;其次,根据查询实体集从知识库中抽取候选答案集的子图,并通过双注意力的图卷积神经网络更新节点信息,其中注意力的得分分别利用问句描述信息和查询实体集的表示,进而实现问句感知;最后,融合问句描述信息、查询实体集和候选实体表示来计算得分,并预测答案。在真实数据集MOOC Q&A上进行实验,采用预测准确率和平均倒数排名的指标进行评估,实验结果表明提出的方法优于基准模型。

规则引导的知识图谱联合嵌入方法

近年来,大量研究工作致力于知识图谱的嵌入学习,旨在将知识图谱中的实体与关系映射到低维连续的向量空间中.且所学习到的嵌入表示已被成功用于缓解大规模知识图谱的计算效率低下问题.然而,大多数现有嵌入学习模型仅考虑知识图谱的结构信息.知识图谱中还包含有丰富的上下文信息和文本信息,它们也可被用于学习更准确的嵌入表示.针对这一问题,提出了一种规则引导的知识图谱联合嵌入学习模型,基于图卷积网络,将上下文信息与文本信息融合到实体与关系的嵌入表示中.特别是针对上下文信息的卷积编码,通过计算单条上下文信息的置信度与关联度来度量其重要程度.对于置信度,定义了一个简单有效的规则并依据该规则进行计算.对于关联度,提出了一种基于文本表示的计算方法.最后,在2个基准数据集上进行的实验结果证明了模型的有效性.

税收优惠政策关键要素抽取与可视化分析

随着税收优惠政策数量的迅速增加,纳税人面对海量的税收优惠政策难以快速定位与自身相关的优惠内容,导致许多纳税人没有享受到应该享受的优惠政策。基于预训练语言模型BERT与规则处理相结合的方法实现了对税收优惠政策法规的表示、关键要素抽取和税收优惠的可视化查询,使纳税人可以快速准确地定位与自身相关的税收优惠信息,并对结果进行可视化展示。实验结果表明,关键要素抽取性能优越,税收优惠政策查询快速直观,可有效缓解海量税收优惠信息过载。

一种权衡性能与隐私保护的推荐算法

针对推荐系统中的隐私保护问题,提出一种隐私保护参数与推荐精度的均衡优化模型。以在线学习资源推荐系统为例建立矩阵分解模型,分别在数据输入和模型训练两个模块引入差分隐私噪声扰动,研究隐私保护参数ε与推荐精度的关系,并针对在线学习推荐系统数据的隐式反馈特点,提出基于资源热度负采样算法。基于西安交通大学网络学院数据集,利用百度飞桨深度学习平台,使用均方根误差作为推荐精度评价指标进行实验,结果表明:对数据基于资源热度负采样后,推荐精度更高;推荐精度与ε的倒数成正比关系,输入扰动和模型扰动分别在均方根误差取值不高于2.0和1.3且ε取值7和3时均衡效果最优;在相同ε下,当ε≤5时,模型扰动的差分隐私推荐算法推荐精度高于输入扰动的差分隐私推荐算法。

知识主题间先序关系挖掘

先序关系指知识主题之间学习的先后依赖关系。已有的先序关系挖掘方法大多是流线型的方式,易导致错误累计,且严重依赖可能导致错误先序关系的超链接。为了解决以上问题,先对知识主题间的先序关系进行统计分析,发现了先序关系的不对称性特征;接着提出从文本中挖掘知识主题间的先序关系的端到端先序关系挖掘模型。该模型基于文本中抽取出的术语间上下位关系,计算知识主题的相关术语集间先序关系的不对称性,进而预测知识主题间的先序关系。实验结果表明,该方法具有较优的先序关系抽取性能。