小学语文一年级拼音教学的尝试

我们都知道汉语拼音的学习对我们的一生至关重要。它是识字的基础，是学习语文的基本工具，是我们日常生活、工作和学习不可缺少的一把钥匙。因此学好拼音对于刚入学的孩子显得尤为重要。而汉语拼音的学习对七、八岁的孩子来说，选择适宜儿童的生动有趣的方法能更好地帮助他们学好拼音。     

浅谈如何实施初二数学的快乐教学

和谐融洽的师生关系是实施愉快教学的前提和基础，也是诸多人际关系中的主导因素。数学新课标上说：“数学是人们生活、劳动和学习必不可少的工具”，数学知识无处不在。通过联系实际、因势利导、循循善诱，结合一些新的教学辅助手段，培养起学生对数学知识的浓厚兴趣，使学生感到学习数学知识是件愉快的事情。     

略论档案在人才开发中的作用

改革开放以来,特别是在大力实施科学技术发展观的新形势下,科学知识、科技人才越来越倍受重视,大批有用人才在各项事业中大显身手,为推动经济建设迅猛发展起着不可低估的作用。怎样才能更好地发现人才、识别人才、了解人才、知人善任,笔者     

中国市场对大字版图书出版物的迫切需求

正多年来,在有限的版面内追求最大信息量和最大经济效益已然成为办报办刊者的普遍做法,但怎样让读者看清楚,看得轻松这个最大和最根本的问题却被忽视了。文字是符号系统,既有语言信息的载体功能,又具有视觉识别特征。文字不仅表达概念,同时也通过视觉的方式传递着情感。阅读字体的大小与视     

中学生中文课外阅读现状调查分析

正在现代社会,很多人心浮气躁,阅读越来越功利化和庸俗化,阅读的魅力大大降低。经典圣贤读物是人类的精神家园,是安身齐家之宝。本文尝试通过问卷调查结果,分析当代中学生中文课外阅读现状,并提出改进策略。为了确保调查的真实性、准确性和全面性,笔者广泛听取了各方建议,重点调查阅读兴趣、阅读结构、阅读规划、     

高效课堂模式带给我的几点思考

新课改实施以来．各普通高中教育教学出现了一些实实在在的变化．课堂活跃了．学生学习兴趣浓厚了。知识面拓展了，所学知识与实际生活的联系更加紧密了．广大学生开始学会收集和利用资源．积极参加各类实践活动，富有创意的设计不胜枚举．层出不穷．学生真正从过去那种单调、枯燥、乏味的传统教学方式中解脱出来．充分感受到了学习的乐趣。     

一种基于HITS和随机跳转的网页标签排序方法

Web 2.0应用的兴起,推进了情报学科由"文献组织"向"知识组织"演化.网页标签作为重要的Web 2 0应用之一,已经成为大众组织知识的常用途径.然而,现有的标签排序方法难以有效满足知识组织的需求.本文在三核协同标签模型的基础上,充分考虑标签和用户、标签和标签、标签和文档之间的关系,提出了一种结合HITS和随机跳转的标签排序方法.该方法利用高质量标签和高质量用户之间的相互加强关系,根据标签之间的相似性来找出高质量相关标签,有效提高标签排序的质量.在Delicious数据集上的实验结果表明,该方法能较大提高标签排序的准确度.     

基于改进用户兴趣点度量方式的推荐算法研究

推荐算法是个性化推荐系统中最为核心的一部分.文本通过给出产品流行性定义,提出了一种改进的用户兴趣点度量方法,进而将用户的兴趣点嵌入到基于物质扩散原理的推荐算法中.新算法引入参数β度量产品的推荐权重与用户兴趣点之间的关系.MovieLens数据集上的数值结果表明新的用户兴趣点定义方法可以同时改进推荐算法的准确度和推荐列表多样性,当采用60%的数据作为训练集时,多样性可以提高13.15%.进一步的结果表明当训练集很稀疏的时候,应当赋予与用户兴趣点不同的产品更高的推荐能力,随着稀疏度增加,赋予与用户兴趣点相近的产品更多推荐能力可以大幅度提高算法的表现.     

基于情感倾向识别的汽车评论挖掘系统构建

文本情感识别是一个具有广泛应用前景的研究领域,它在信息检索、文本过滤、产品在线跟踪评价、民情民意调查分析、智能教学系统中都有着广泛应用。而汽车情感识别正在成为人们日益关注的研究热点。本文利用文本分类技术,采用分步骤分模型的设计方法,构建出汽车情感倾向识别系统,通过对汽车评论进行挖掘和分析,识别其情感倾向和演化规律,并以可视化的界面将结果展现给用户,从而向汽车生产商提供反馈信息,同时可以为汽车消费者提供购车指导。另外本文还就汽车语料库的建立,分类模型的构建以及本系统构建过程中的一些关键问题进行了分析和探讨。     

面向个性化推荐的快速关联规则挖掘算法

关联规则挖掘是解决电子商务推荐问题的重要方法之一.针对传统关联规则挖掘算法在解决移动电子商务环境个性化推荐问题时反复扫描数据库,频繁项挖掘效率低,关联规则挖掘准确率低以及规则大量冗余等不足,提出一个基于事务矩阵和用户兴趣度的关联规则挖掘算法(Matrix-and-Interestingness-based Association Rules Mining,MIbARM).该算法仅需扫描一次数据库,并在挖掘过程中不断缩小算法搜索空间以避免生成冗余候选项,同时避免了冗余规则挖掘,从而提高了挖掘效率.最后,在四组人工数据和160种参数组合的数值实验环境下,引入Apriori、CBAR 及BitTableFI算法对MIbARM进行对比验证.结果表明,在不减少有趣规则的前提下,MIbARM不但可有效避免冗余候选项集的产生,而且大幅减少了冗余规则数量,极大提高了算法的搜索效率,同时提升了个性化推荐的质量,更适用于移动电子商务环境下的个性化推荐问题.