基于多粒度树模型的Web站点描述及挖掘算法

随着Web所拥有的信息量和信息种类的急剧增长,Web站点挖掘对于自动实现特定主题的Web资源发现和分类具有重要的意义.然而现有的Web站点分类或挖掘算法在利用上下文语义信息、去除噪声信息以进一步提高分类准确率等方面还缺乏深入研究.从站点的采样尺寸、分析粒度和描述结构3个方面分析了设计高效的Web站点挖掘算法所需要解决的问题.在此基础上,提出了一种新的Web站点多粒度树描述模型,并描述了包括基于隐Markov树的两阶段分类算法、粒度间上下文融合算法、两阶段去噪程序以及基于熵的动态剪枝策略在内的多粒度Web站点挖掘算法.站点的多粒度描述方法及挖掘算法为多站点查询优化、Web效用挖掘等的深入研究奠定了基础.实验表明,该算法相对于基线系统平均可以提高16%的分类准确率,并减少了34.5%的处理时间.     

个性化小学英语学习系统的设计与实现

针对目前资源学习系统缺乏个性化导致小学英语学习者的资源选择迷航问题,构建以个性化资源组织为核心的学习系统。通过纪录用户信息和个性化学习行为,建立小学英语学习者信息模型;以知识点标注的方式描述英语学习资源,建立学习资源库;运用学习偏好算法和学习水平算法计算学习者偏好,采用新型智能推荐技术,向用户推荐个性化的学习资源。通过原型系统运行实例,其结果验证了个性化学习和智能推荐的有效性。     

关系概念的Web资源语义标识模型研究

Web环境下资源内容丰富,形式多样,描述标准不一,组织结构离散,既有标识方法存在语义单一,缺乏领域知识背景或人工参与度大等问题,限制了它们在个性化资源推荐和获取中的应用效果。基于关系概念的激活扩散以及资源分层语义标识的思想,面向Web资源构建了关系概念语义标识模型(relational concept annotation model,RCAM)。RCAM模拟人类记忆激活扩散过程,考虑记忆的加强与遗忘机制,由此实现资源更为动态、个性化的关联组织。RCAM中资源标识以关系概念作为语义要素,以片段关系概念集为语义模式,标识粒度灵活,语义逻辑相对完整,为Web资源标识组织提供了新的研究思路。实验表明,RCAM能提供更多的领域知识背景,可适应不同学习情景、学习个性下的资源动态组织,并且针对开放的Web资源,具有更好的通用性、扩展性。     

基于增量学习的混合推荐算法

推荐系统是自适应信息系统中的个性化服务模块,可以根据目标用户的信息需求提供个性化的信息服务。针对传统协作过滤算法存在的用户兴趣描述粒度过大问题,以及稀疏评分矩阵造成相似度计算不准确的问题,提出了一种基于增量学习的混合推荐算法WHHR,该算法通过Widrow-Hoff增量学习构建基于内容的用户模型,并结合协作过滤推荐机制实现评分预测。实验验证了WHHR算法在收敛速度和推荐准确性方面较类似推荐算法有较大提高。     

基于事件驱动的多智能体强化学习研究

本文针对多智能体强化学习中存在的通信和计算资源消耗大等问题,提出了一种基于事件驱动的多智能体强化学习算法,侧重于事件驱动在多智能体学习策略层方面的研究。在智能体与环境的交互过程中,算法基于事件驱动的思想,根据智能体观测信息的变化率设计触发函数,使学习过程中的通信和学习时机无需实时或按周期地进行,故在相同时间内可以降低数据传输和计算次数。另外,分析了该算法的计算资源消耗,以及对算法收敛性进行了论证。最后,仿真实验说明了该算法可以在学习过程中减少一定的通信次数和策略遍历次数,进而缓解了通信和计算资源消耗。     

一种基于组织学习的自适应Agent系统体系结构

在复杂适应系统和组织学习理论的基础上，探讨了一种基于组织学习的自适应Agent系统体系结构。在这种体系结构中，通过Agent交互中的适应性行为获取对系统复杂性的认知，而Agent的适应能力则依靠增强学习和动态自组织与重构来实现。文中给出了一个基于组织增长模型的分类器系统算法以及相应的软件实现技术途径。     

基于资源拆分的虚拟网络功能服务链映射算法

针对网络虚拟化环境下虚拟网络功能服务链的资源分配以及部署问题,提出了基于资源拆分的虚拟网络功能服务链部署策略。通过对租户的资源需求进行主动拆分,利用更小的资源分配粒度达到提高物理资源利用率的目的。利用最优化理论将虚拟网络功能服务链的资源分配问题建模成具有链式拓扑结构的虚拟网络映射问题,并通过设计高效的启发式算法以有效地解决这一问题。实验结果表明,该算法与其它虚拟网络映射算法相比,能有效提高物理资源的利用率以及租户请求的接收率。     

基于信息元的教学资源组织系统设计与实现 *

以文本类型教学资源为研究对象,在领域知识可拓信息网模型和CELTS-3的基础上,阐述了基于信息元的教学资源组织系统设计与实现过程,包括信息特征元数据描述框架、特征词获取、信息元距离度量、信息元匹配规则以及匹配算法等.该系统通过有限的信息元描述无限的资源,实现了教学资源的高效组织,支持学习过程中资源自动重组.     

协作学习中基于协同过滤的学习资源推荐研究

符合学习者特征的学习资源对于提高协作学习效率具有重要的影响。但是传统的学习资源推荐,没有充分考虑学习者、学习资源的特征和高效的推荐算法。针对上述问题,提出了基于协同过滤的学习资源推荐算法,根据学习者学习特征、学习资源特征和学习者对学习资源历史评价信息,采用协同过滤推荐算法,实现学习资源推荐。首先,通过学习者特征和学习资源的评分,寻找相似学习者并计算学习资源预测评分,然后根据该评分值和学习资源与学习者匹配度推荐学习资源,从而为学习者推荐符合自己兴趣爱好最合适的学习资源。实验结果表明该算法在个性化学习资源推荐的准确性上优于传统算法。     

高校教学中计算机网络技术应用探讨

目前的计算机网络技术和网上的相关资源,将网络软硬件资源转化成为课堂教学资源,应用于教学的组织实施,优化教学过程,改进教学方式。培养学生研究性学习,探讨网络环境下研究性学习模式的学习过程、师生活动以及教学组织原则等要素,提高教学效率。先进的计算机网络技术可以为学生提供更好的教材和全新的学习方式,使学生在最短的时间内学到更多更丰富的内容。     

基于博弈理论的节能疏导算法

多粒度传送网作为下一代骨干传输网的核心部分,其高带宽和节能优势受到广泛关注。但是,由于用户不断激增的带宽需求和全球电力资源日趋紧张的现状,需要对网络传输系统的容量和性能作进一步的提高。对多粒度传送网能够快速提供新链路和删除旧链路的特点进行了研究,并将博弈均衡的思想引入业务量疏导的选路过程中,设计了一种基于博弈理论的多粒度传送网节能疏导算法。该算法不仅降低了业务阻塞率,而且节省了网络能耗。在拓扑EON和CERNet2下对算法进行了评估,仿真结果表明该算法具有可行性和有效性。     

多Agent系统分布式问题求解的代数模型方法(Ⅱ): 群体智能和社会动力学

该文是组合论文中第二篇，讨论多Agent系统分布式问题求解的代数模型中的特性层和动力学层，即没粒度Agent群体的宏观群体智能的形式优化代数模型以及宏观社会智能与Agent个体间微观社会行为之间的社会动力学模型，提出了基于这种新的代数模型方法的超分布超并行社会智能问题求解算法，关于分布式多任务自组织规划和资源自组织分配的仿真实验以及与其它方法的比较分析，表明了该文提出了代数模型和问题求解方法的特点和有效性。     

基于Hebbian法则的P2P学习网络构建算法

针对远程教育环境中信息量过大,学习者分散、难于组织的问题,提出了一种E-Learning学习网络构建算法.该算法采用P2P的网络结构组织节点之间的通信,利用Hebbian学习法则来修改网络节点之间的信任权值,通过不断调整节点的联系人来实现学习网络的构建.学习网络能够对学习者关于学习资源的查询做出符合学习者学习兴趣的反馈,从而最大限度地满足学习者的需求,提高学习者的学习满意度.实验结果表明,算法相比于传统算法,具有较快的网络建设速度、较高的网络建设质量以及较高的鲁棒性,因而能够更好地适用于大规模的E-Learning学习这种开放的分布式环境.     

基于信息元的教学资源组织系统的设计与实现

文章以文本类型教学资源为研究对象．在领域知识可拓信息网模型和CELTS-3的基础上，阐述了基于信息元的教学资源组织系统设计与实现过程．包括：信息特征元数据描述框架、特征词获取、信息元距离度量、信息元匹配规则以及匹配算法等。该系统通过有限的信息元描述无限的资源，实现了教学资源的高效组织，支持学习过程中资源自动重组。     

在线学习资源推荐综述

近年来越来越多的学校广泛使用网络在线授课，然而互联网中海量的学习资源令学习者难以抉择。因此，研究在线学习资源推荐并为学习者进行个性化推荐非常重要，这可以帮助学习者快速获取其所需的优质学习资源。针对在线学习资源推荐的研究现状，从以下5个方面进行分析总结。首先，总结了目前国内外在线教育平台在学习资源推荐方面的工作；其次，分析和探讨了以知识点习题、学习路径、学习视频和学习课程为学习资源推荐目标的4种算法；接着，分别从学习者和学习资源的角度出发，以具体的算法为例，详述了常用的基于学习者画像、基于学习者行为和基于学习资源本体的3种学习资源推荐算法；此外，总结了公开的在线学习资源数据集；最后，分析了学习资源推荐系统目前存在的问题和未来的发展方向。     

网格下的一种动态负载均衡算法理论模型

一个具有高可用性的网格平台,必然采取某种负载均衡策略和方法来解决提高资源的优化配置问题。影响负载均衡的因素有三个,分别是算法、网络拓扑以及负载均衡的粒度。本文在介绍网格技术的发展趋势和研究方向的基础上,主要针对负载均衡算法进行研究。提出了一种动态负载均衡算法的理论模型,并采用现有的算法对该理论模型进行了验证。实验结果表明,本文的理论模型是正确的、可行的和有效的。     

多粒度时间下的近似周期挖掘研究

研究时态数据库中多粒度时间下的近似周期的挖掘问题。在多粒度时间、多粒度时问格式的基础上引入多粒度时间间隔的定义以及相关性质,构造多粒度近似周期模型,提出一个基于SOM聚类的多粒度近似周期的挖掘算法。利用高频股票数据580000宝钢JBT1进行实验,证明了该算法的有效性。     

基于隐式评分和相似度传递的学习资源推荐

协同过滤推荐算法存在数据稀疏的问题。这使得学习平台中,由于用户学习行为记录的稀疏而无法满足用户的学习需求。为此,本文提出了一种基于隐式评分和相似度传递的学习资源推荐算法。首先,收集用户的学习行为;其次,改进传统的相似度计算方法,并在此基础上引入相似度传递策略;最终应用并实现E-earning平台中学习资源的推荐。实验表明,该算法能够在一定程度上解决相似度计算不准确以及数据稀疏问题,从而提高学习资源的推荐质量。     

工程化方法在《数据结构》实践教学中的应用

数据结构是计算机专业的重要核心基础课程,但是由于该课程逻辑性强、抽象性高,难实现,学生在学习时很难将抽象的算法与程序进行结合,因此实践教学环节是教学过程的一个十分重要环节。本文针对数据结构的实践教学环节的要求以及当前存在的问题,进行了分析,并详细探讨了在整个数据结构实践过程中采取工程化方法的实现算法的教学方法以及内容组织的与安排,从而提高学生的实践能力和学习积极性。     

无线传感器网络聚类算法研究

要在自组织无线传感器网络领域,由于受到能源以及带宽等资源的限制,使得网络的分解成为研究工作者面临的一项挑战性课题。该文就如何有效地将网络进行分解以提高网络自组织的效率进行了探讨,提出了一种新的基于预算的网络分解方案,并给出了两种算法实现。对比原有的扩展广播算法,在分解网络进而产生一定大小的聚类时,新算法的信息复杂度大大降低。