学习分析视角下个性化学习系统模型的设计研究

依托大数据的学习分析技术的发展为构建强实用性的个性化学习系统提供了有力的支撑,特别是在线学习的普及为个性化学习系统的研究提供了有效的支持.同时,融入了学习分析技术的个性化学习系统,还能有效根据学习者的知识水平、特征、经验能力和学习需求的差异性,为学习者提供更加个性化的服务支持.本研究在学习分析的视角下,对个性化学习系统模型进行设计,为后续学习分析技术在个性化学习系统中的应用研究奠定基础.     

自治分层规范系统模型研究

规范多agent系统通过规范控制agent个体行为实现系统宏观目标。在自然语言描述的抽象规范和操作语言描述的具体规范之间存在巨大的语义鸿沟,采用分层规范模型将高层抽象规范逐级转换成底层具体规范是解决这一问题的有效手段。但是目前的分层规范模型存在着层次过多,层间界线模糊的问题,同时规范细化和层间规范转换完全依赖手工完成,不仅降低了系统可靠性和动态适应性,同时提高了规范系统开发成本。本文提出并实现了一种自治分层规范框架模型,该模型将规范系统分成三个层次,并且在形式化规范层建立概念语义蕴涵关系和行为责任关系实现了规范的自动细化,建立行为-操作映射模型实现不同层次的形式规范间的自动转化,提高了规范系统自治性,降低了规范系统开发成本,提高了系统可靠性和动态适应性。     

基于Agent的Web知识发现模型及应用研究

互联网的智力资源共享在人们工作学习中发挥了日益重要的作用，而如何协助用户在互联网海量信息中迅速、准确地挖掘到所需求的知识，已经成为智力资源共享系统研究的热点。本文构建了基于agent的web知识发现模型，并讨论了模型实现的相关方法。论文将智能agent技术与数据挖掘技术应用于web知识发现，根据目标特征信息进行有目的的知识提取，通过聚类和分类最终完成信息向知识的转换，以协助完成智力资源共享的最终目标。     

基于多agent的多级供应链需求预测研究

用多agent系统模拟一个多级供应链,通过各个agent来运行供应链中的各个实体,构建了基于多agent系统的多级供应链模型;在此基础上利用遗传算法预测需求,计算供应链中各个实体的需求量;并和其它需求预测方法进行对比;对比结果表明,该方法优于移动平均值、指数平滑等需求预测方法。     

基于UML的面向agent建模

Agent是具有belief、desire和intention的更高粒度的对象,基于agent和对象的相似性,我们在UML（Uni-fied Moeling Language,对象统一建模语言）基础上探讨AUML（Agent-oriented UML,面向agent的建模）,以机器人搜寻食物为例,从agent角色定义到系统的用例图和系统的静态结构模型开始描述,给出了AUML主要模型。     

推荐系统在高校数字图书馆的应用研究

信息时代，数字图书馆连渐成为满足图书馆用户个性化服务的主要解决方案。本文在描述高校数字图书馆个性化服务的概念及其特点后，提出使用电子商务中的推荐系统采帮助实现高校数字图书馆的个性化服务的论点。文章中建立了高校数字图书馆推荐系统的框架模型．井在此基础上对高校数字图书馆推荐系统的组成、处理、以及推荐结果的形式进行了探讨，指出了适合本系统的推荐算法。     

借助本体描述数字图书馆浏览与搜索的个性化系统

本文介绍了西班牙UOC大学图书馆运用本体来描述参与使用数字图书馆方案的所有元素之间的关系,并以此为基础描述了一个浏览和搜索数字图书馆的个性化系统。     

基于Webservice的个别指导式远程学习软件中知识的设计策略

基于Webservice技术的个别指导式远程学习软件,具有为学生提供个性化教学,能辅助教师教学、学生自学的功能.本文首先建构了个别指导式远程学习软件的系统模型,然后根据认知心理学领域,知识分为陈述性知识和程序性知识,主要讨论了知识库模型中,针对不同的知识选择不同的设计策略,以增加软件的可读性,使学生能进行高效率地学习.     

基于多Agent的电子商务个性化推荐系统模型研究

针对现有推荐系统缺乏智能性、自适应性、主动性等处理能力的局限性，采用多Agent技术并结合Web日志挖掘技术，将传统的个性化推荐系统中的功能模块构建为智能体，提出了一个基于多Agent的电子商务个性化推荐系统（MAPRS）的整体架构模型，并讨论了模型中各组成部分的功能与系统的运作流程。     

基于共享知识迁移学习的跨领域推荐研究

【目的/意义】基于迁移学习理论，提取多领域间共享知识模型，并进行有效的领域适应，提升目标领域推荐 性能。【方法/过程】充分利用领域中的用户-物品评分矩阵，分别对多领域用户和物品进行潜在特征提取，并将用 户-物品特征向量分别进行特征聚类；同时对多领域特征矩阵进行领域适应融合，得到共享知识模型；最后再运用 迁移学习理论与方法，将收敛的共享知识模型从源领域迁移至目标领域，提高目标领域推荐性能。【结果/结论】实 验结果表明，首先，多领域信息融合较于单领域推荐有着更好的推荐性能；其次，本文所提出的基于共享知识迁移 学习的跨领域推荐模型在推荐效果上要优于当前业界已有的其它跨领域推荐算法。