面向在线教育的同伴互评技术综述

随着以慕课（MOOC）为代表的在线教育平台的迅速发展，如何评价平台学习者提交的大规模主观题作业是面临的重大挑战。同伴互评是有效应对大规模主观题作业评价挑战的主流方案，近年来受到学术界与工业界的广泛关注。鉴于此，对面向在线教育的同伴互评技术进行了调研与分析。首先，概述当前实施同伴互评的通用流程；然后，分别阐述评价者分配、评语分析、异常互评信息检测与处理以及主观题作业真实分数估计等重要的同伴互评流程活动的主要研究成果；其次，对比具有代表性的在线教育平台或已发布的教学系统中的同伴互评功能；最后，总结和展望同伴互评的未来发展趋势，为正在从事或打算从事同伴互评研究的人们提供借鉴与参考。     

基于MOOC平台的互评质量控制的研究

近年来,随着众包的发展,对工作者的准确率估计越来越受到关注。而作为一种特殊的众包形式,学生互评也被MOOC平台(大规模开放式在线课程)广泛应用。本篇文章研究MOOC课程中的在线互评机制,通过结合学生互评质量与学生的学习能力对其互评能力做出估计,以此设计互评分配算法。通过更精准地分配互评任务,得到更符合学生作业质量情况的互评结果。     

互助学习环境下可抗恶意评价的同伴互评算法

受学习者能力和意愿等主观因素的影响,互助学习环境下同伴互评结果与真实评价通常存在显著差距。为了提高同伴互评的质量,避免互评过程中利益驱动的恶意评价,引入少量由教师预评分的作业作为哨兵。通过评审人对哨兵的评审情况,以评审人的信誉评价作为权重向量,并利用阈值进行截尾,从而实现了对恶意评价的有效隔离。真实测评数据上的实验结果证明,相较于当前主流的互评算法,该算法能有效过滤恶意高评或低评,并且能适应较大数量级的学习者进行互评。在未来的研究中,将针对信誉模型的优化进行深入的研究。     

利用结构化对等网络构造计算资源共享平台

设计和构建了一个基于结构化对等网络的计算资源共享平台DHT-CRSP。它可以把因特网上用户提交的科学计算作业高效地映射到平台中合适的工作节点上运行,通过容错和安全机制,能保证系统的可靠性和正确性。描述了DHT-CRSP中支持的两种分布式哈希表：Chord协议节点树和CAN协议空间区域;分析了DHT-CRSP中高效的资源匹配算法。通过构建评测环境,运行各种负载与作业场景下的结果表明,DHT-CRSP系统可以获得好的负载均衡性能、低的资源匹配代价,它提供了一种构建高性能的桌面网格平台的新思路。     

基于Hadoop-Mahout的分布式课程推荐算法

针对MOOC(Massive Open Online Course)平台上同类及相似课程繁杂,在线学习者不易找到适合自己的课程,而导致学习效率降低,学习效果较差等问题,提出一种IRS课程评价方法,对在线课程进行相关的评价。结合用户偏好及IRS方法改进了机器学习框架Apache-Mahout的协同过滤推荐算法,对在线学习者进行个性化课程推荐。面对MOOC平台上大量的课程信息及学习者信息,基于Hadoop分布式云计算平台,设计了在线课程推荐并行算法。实验结果表明,提出的IRS推荐算法有效且适用于分布式云计算环境,同时验证了该算法在分布式环境下并行计算的高效性。     

情境感知推荐中的上下文宽松匹配方法研究

情境感知推荐是一种有效的推荐方法,但存在难以确定有效上下文变量的问题,使用过多的上下文变量会导致数据维度的上升及推荐准确性的下降。提出一种将推荐算法分解,以各分解部分为上下文匹配主体,且采取宽松匹配的上下文信息匹配策略。形成了一种融合上下文预过滤和上下文建模的混合推荐算法。通过同其他类型算法的性能对比实验证明了该方法在确定有效上下文变量及提高推荐算法准确性上的有效性。     

一种基于认知诊断的主观题同行互评技术

针对MOOCs平台上大规模主观题作业的同行互评问题，研究人员基于概率模型对评价者的可靠性和偏见进行建模，提出了许多估计主观题作业真实分数的有效技术.然而，现有技术均未同时考虑评价者在待评价作业中的答题表现以及评价者的历史答题表现这两方面因素对其可靠性的影响.鉴于此，提出了基于认知诊断的主观题同行互评技术：首先以评价者的历史答题记录为输入，基于流行的认知诊断模型量化评价者对主观题作业的掌握程度；其后同时基于评价者对主观题作业的掌握程度以及评价者在该主观题作业中取得的真实分数对评价者的可靠性建模；最后结合对评价者偏见的建模提出了估计主观题作业真实分数的同行互评概率模型.真实课堂实验表明，在同行互评活动中，本文提出的同行互评技术对主观题作业真实分数的估计更为准确，比相关技术在真实分数估计误差方面平均降低了42%.     

基于粒子群优化的项聚类推荐算法

针对传统推荐算法的数据稀疏性问题和推荐准确性问题,提出基于粒子群优化的项聚类推荐算法。采用粒子群优化算法产生聚类中心,在此基础上搜索目标项目的最近邻居,并产生推荐,从而提高了传统聚类算法的推荐准确性及响应速度。实验表明改进的项聚类协同过滤算法能有效提高推荐精度。     

基于免疫优化算法的电影个性化推荐

本文针对传统电影推荐系统中缺乏新颖性的问题,提出一种基于免疫优化算法的求解方法。该算法将准确性和新颖性作为两个目标函数,通过免疫优化算法的原理,设计了个体编码、交叉算子以及变异算子。仿真实验结果表明,免疫优化算法能够有效地求得最佳解决方案,为用户提供准确性和新颖性都较高的电影推荐列表。     

Method of intelligent recommendation of Web serviceresources towards users balanced requirements

研究了满足用户在服务功能、服务属性和服务质量上的多层次均衡需求的Web服务资源智能推荐方法, 解决了服务信息过载问题。现有服务推荐技术存在未考虑用户对服务多层次均衡需求的不足, 结合Web服务资源的特点, 综合考虑用户服务需求与候选服务群之间的多层次相似度, 设计了综合Web服务资源的功能、属性和质量三个层次的适合度匹配算法, 以及用户主观兴趣度匹配算法。通过这两个算法建立了面向用户均衡需求的个性化Web服务资源智能推荐方法, 能将最大匹配度的Web服务资源推荐给目标用户。     

MCRS: A course recommendation system for MOOCs

With the popularization development of MOOC platform, the number of online courses grows rapidly. Efficient and appropriate course recommendation can improve learning efficiency. Traditional recommendation system is applied to the closed educational environment in which the quantity of courses and users is relatively stable. Recommendation model and algorithm cannot directly be applied to MOOC platform efficiently. With the light of the characteristics of MOOC platform, MCRS proposed in this paper has made great improvement in the course recommendation model and recommendation algorithm. MCRS is based on distributed computation framework. The basic algorithm of MCRS is distributed association rules mining algorithm, which based on the improvement of Apriori algorithm. In addition, it is useful to mine the hidden courses rules in course enrollment data. Firstly, the data is pre-processed into a standard form by Hadoop. It aims to improve the efficiency of the basic algorithm. Then it mines association rules of the standard data by Spark. Consequently, course recommendation information is transferred into MySQL through Sqoop, which makes timely feedback and improves user’s courses retrieval efficiency. Finally, to validate the efficiency of MCRS, a series of experiments are carried out on Hadoop and Spark, and the results shows that MCRS is more efficient than traditional Apriori algorithm and Apriori algorithm based on Hadoop, and the MCRS is suitable for current MOOC platform.

     

基于pu-learning的同行评议文本情感分析

最近几年逐渐出现了对同行评议文本情感分析的研究，包括通过同行评议文本预测审稿人的推荐状态的任务。现有模型融入了论文本身或摘要信息，采用神经网络学习论文或摘要的高层表示，结合同行评议文本预测审稿人的推荐状态，这使得模型变得非常复杂的同时结果却没有实质性的提高。为此，提出了OSA机制来提高情感分析模型中对观点句的关注度。具体来说，采用pu-learning从同行评议文本的前N个句子中学习观点句的特征，使每一个句子都得到一个观点句权重，将其应用于情感分析模型的倒数第二层，由此得到最终的预测结果。在ICLR2017—2018数据集上使用不同的情感分析模型对OSA进行了评估，实验结果验证了OSA的高效性，并在两个数据集上取得了优异的性能。     

基于亲和力与研究方向覆盖率的审稿人推荐算法

针对现有审稿人推荐算法主要通过亲和力分数分配审稿人，而忽略了审稿人与论文研究方向匹配的问题，提出一种基于亲和力与研究方向覆盖率的审稿人推荐算法（ARDC）。首先，根据研究方向在待审论文和审稿人论文组中出现的频数，确定论文选择审稿人的次序；然后，综合审稿人和论文间的亲和力得分以及审稿人对论文的研究方向覆盖得分，来计算审稿人对待审论文的综合审阅得分，并依据轮询调度得到论文预分配审稿小组；最后，对预分配审稿小组进行利益冲突检查与消解以实现最终的审稿小组推荐。实验结果表明，与基于松弛迭代的分配算法（FairIR）和同行评审公平分配算法（PR4A）等基于分配的审稿人推荐算法相比，所提算法在牺牲少量亲和力的情况下，将研究方向覆盖得分平均提高了38%，从而确保推荐结果更加准确合理。     

基于推荐机制的网格资源匹配算法研究

针对网格计算环境下,参与计算用户和计算资源规模日益庞大,用户申请资源过程中所需的资源匹配过程逐步复杂化和大规模化,提出了一种基于推荐机制的网格资源匹配算法.以往的网格计算资源的匹配和调度算法需要在调度计算时遍历所有网格资源,而改进的基于SVD(奇异值分解)的协同过滤算法考虑了用户行为相关性和资源使用频度的相关性,通过用户对资源项的使用历史记录建立用户对资源的满意度评分体系,利用推荐机制给出用户推荐资源集以到达资源匹配的效果.从一个新的角度给出了解决大量资源匹配的方法.     

面向个性化推荐系统的二分网络协同过滤算法研究

为提高个性化推荐系统的推荐效率和准确性, 提出了个性化推荐系统的二分网络协同过滤算法。协同过滤算法引入二分网络描述个性化推荐系统, 使用灰色关联度来度量用户相似性和项目相似性, 对灰色关联相似度加权求和预测用户对项目的预测打分值, 从而提供给用户排序后的项目列表。实验结果表明, 协同过滤算法有效提高了过滤推荐的精准度和可靠性, 具有良好的推荐效果。     

基于遗传算法负载均衡的网格工作流技术研究

针对传统的网格工作流系统中,在分配任务的过程中,根据执行任务的最短时间选取传输路径,这样造成多条路径负载的不均衡,导致网格工作流的工作效率低的问题。文章提出一种基于遗传算法负载均衡的网格工作流算法。通过模拟自然界的生物进化过程对任务空间进行随机化搜索,根据预定任务的适应度函数,并用全局并行搜索方式找到最优节点,避免了传统均衡方法的逐次匹配执行带来的低效问题。实验表明,该新算法能够实现快速负载均衡,提高网格工作流系统的工作效率,取得令人满意的结果。     

基于知识图谱的人岗推荐系统构建

为解决传统人岗推荐系统存在的三个常见问题,即数据稀疏性、数据冷启动和数据利用率低,提出了基于知识图谱的人岗推荐系统构建方法。该方法通过改进传统推荐模型,将知识图谱作为辅助边信息融合到推荐系统中进行人岗推荐,有效解决了数据稀疏性和数据冷启动问题;引入知识图谱补全算法提高了数据利用率。提出的方法在人岗推荐上准确率可达92%,比现有人岗推荐方法准确率提高约1%。实验结果表明该方法是可行的,知识图谱的加入可以提升人岗推荐系统的推荐效果。     

面向电子商务协同过滤推荐的语义P2P网络技术研究*

在综合分析相关领域语义P2P网络的研究成果基础上,探讨了面向电子商务过滤推荐的语义P2P网络关键技术,包括基于本体的知识表示、知识协同和协作过滤的Peer节点模型;基于语义的领域本体映射方法和机器学习算法;语义P2P协作推荐社区结构、搜索机制和推荐反馈率修正的社区动态知识更新策略;基于语义相似度的协同过滤推荐算法.     

一种结构化P2P网络动态负载均衡算法的研究

负载均衡是P2P网络的研究热点之一,当前负载均衡技术存在负载均衡程度低、假设条件过多等问题.提出一了种增强型负载均衡算法ELB_P2P,它根据节点的承栽能力为其分配相应大小的可动态调整的ID地址空间以及合理的载荷,在负载转移时自动选择延迟小带宽高的轻栽节点,并引入负载转移流量控制机制.实验表明,相对于Chord等传统P2P协议,ELB_P2P算法有更快的负载均衡速度、更小的负载均衡开销,系统稳定性好,在网络重栽情况下也能取得较低的负载不平衡度,并且对节点属性没有苛刻的限制和假定.     

A content and user-oblivious video-recommendation algorithm

Videos have become popular on Internet, and corresponding video-recommendation algorithms have become an important factor for maintaining user’s satisfactory level and the profits of video-service providers. Existing recommendation algorithms are often highly dependent on the precious information of contents and users. However in many scenarios those information is not available for privacy reasons. This paper provides a watching sequence-based video-recommendation algorithm that can work well without the video contents and users information. The algorithm consists of three models: the exactly prefix matching tree, partial prefix matching tree, and the postfix matching tree. The final recommendation results are composed from the three models. The corresponding search tree, the matching search tree, and weight calculating algorithm are developed for each model. The algorithm is evaluated based on the half-year log files of a practical video website. The experimental results show that our algorithm performs better on execution time, accuracy, diversity of recommendation results, and non-hot coverage than the traditional recommendation algorithms.