基于特征族群语义扩散核的半监督农业文本分类

农业文本分类旨在对主流的农业信息网抽取的文本数据集进行分类.在样本充足的情形下,经典的支持向量机方法能取得较好的效果,然而在样本较少或者样本矩阵很稀疏的情形下效果较差.提出了一种基于特征族群语义扩散核(它是语义扩散核的一种)和支持向量机的半监督农业文本分类方法.该方法在经典的支持向量机方法基础上结合特征族群语义扩散核,使得农业文本分类准确率得到一个显著的提升,在训练集样本数量只有原来一半的数量情况下预测原来的测试样本,预测准确率几乎与原来的相同.     

一种增量式的半监督文本分类算法

传统的文本分类算法存在:忽视训练集的相对固定特征与新文献主题不断交化之间的矛盾,类间没有层次关系从而导致分类不太准确、效率低等问题,对此设计并实现了一种增量式的半监督文本分类算法-IC-Rocchio算法,实验结果表明,该算法能有效地改进这两方面的问题.     

基于半监督与词向量加权的文本分类研究

针对文本分类领域的有监督学习往往需要大量精准标注样本但大量人工标注困难的问题,提出一种新型的半监督学习方式,通过协同训练合理使用大量未标记训练样本,通过添加不同分类的文本特征噪声解决传统协同半监督学习方法中模型参数趋于统一的问题,同时提高分类模型的分类能力。针对传统深度学习方法中文本特征权重一致导致的分类特异性特征不突出问题,在训练模型中加入 self-attention 机制对文本句子特征权重进行提取,并通过句子加权方式突出特异性分类特征。实验结果表明,通过半监督学习方式同时使用少量已标注数据进行训练,模型能够达到 91.4%的准确率,召回率达到 84.3%,与有监督训练方式的分类准确能力相近,从而解决大量人工标注问题,具有一定的使用价值。     

基于半监督与词向量加权的文本分类研究

针对文本分类领域的有监督学习往往需要大量精准标注样本但大量人工标注困难的问题,提出一种新型的半监督学习方式,通过协同训练合理使用大量未标记训练样本,通过添加不同分类的文本特征噪声解决传统协同半监督学习方法中模型参数趋于统一的问题,同时提高分类模型的分类能力。针对传统深度学习方法中文本特征权重一致导致的分类特异性特征不突出问题,在训练模型中加入 self-attention 机制对文本句子特征权重进行提取,并通过句子加权方式突出特异性分类特征。实验结果表明,通过半监督学习方式同时使用少量已标注数据进行训练,模型能够达到 91.4%的准确率,召回率达到 84.3%,与有监督训练方式的分类准确能力相近,从而解决大量人工标注问题,具有一定的使用价值。     

基于领域向量模型的新闻网页分类算法

随着互联网中网页数量的激增,网页自动分类已经成为互联网技术中亟待解决的问题。提出一种领域向量模型的设计与构建方法,设计并实现一种针对新闻网页的基于领域向量模型的网页分类TSC(Topic Sensitive Classify)算法,从新的角度解决网页自动分类问题。首先,对大量的新闻网页URL进行分析,提取新闻网页的URL特征;然后,设计一个领域向量模型,对特定领域的新闻网页内容特征进行提取;最后,结合新闻网页URL特征和内容特征对新闻网页进行自动分类。实验结果表明,TSC算法分类效果比传统SVM和ID3等文本分类算法更优。     

基于半监督拉普拉斯适应实验设计的图像分类

基于流形学习理论,通过改变权值的设置将类别信息加到图构造过程中,提出一种新的主动学习算法.在3个真实图像数据集上的实验结果表明,新算法能够取得较好的图像分类效果.     

基于VSM的中文网页自动分类模型

通过对文本分类的相关技术进行深入研究，提出了一种基于VSM的中文网页自动分类模型的构造方法。     

基于标签传播的半监督社区发现算法研究

近年来,许多关于社区发现的优秀算法被提出并取得了较好的社区划分效果。但是到目前为止,没有任何一种算法能够同时在时间复杂度和准确度方面取得较好的表现。现实网络中往往存在一些有利于指导社区发现的标签信息,如must-link信息、cannot-link信息等。因此提出基于少量标签信息传播、拓扑结构的半监督社区发现算法S_LPA,分别在karate网络、dolphins网络、LFR基准网络上进行测试。实验结果表明,该算法S_LPA时间复杂度为O（m）,相对其它算法,S_LPA在karate网络和dolphins网络的NMI值高于CNM、InfoMap、LPA算法,在LRF网络上准确度高出约20%;提高参数u后,S_LPA算法可识别其它算法不能识别的社区结构。     

基于改进的TF-IDF特征权重算法的网页自动分类

TF-IDF是文档特征权重表示常用方法,但不能真正地反映特征词对区分每个类的贡献。故针对网页分类中特征选择方法存在的问题,加入网页标签特征权重改进TF-IDF公式,提出了一种比较有效的网页分类算法,实验结果表明该方法具有较好的特征选择效果,能够有效地提高分类精度。     

基于自适应距离半监督LE的图像检索

Laplacian特征映射是基于欧氏距离的近邻数据点的保持,高维数据点的近邻选取最终将影响全局低维坐标.本文将鉴别信息引入到近邻数据点中,使用有鉴别信息的距离测度来代替欧式距离测度,提出了一种基于自适应测度的半监督拉普拉斯特征映射相关反馈算法FAD-SSLE(feedback on adaptive distance semi-supervisedlaplacian eigenmaps).在图像检索上的实验结果表明,该方法能够有效地利用少量的监督信息来提高分类和检索性能.     

多模态学习分析实证研究的发展与展望

多模态学习分析(MMLA)是智能化探究有效学习发生机理的关键技术。研究对国外37篇实证文献的任务情境设计和MMLA的四个过程进行系统综述,梳理出多模态数据集的生成场域多以发展认知为主,少关注情感价值的培育;学习标签注释以计算科学指导为主,缺乏不同时间尺度行为关联的理论指导;预测结果多关注学习行为表现,轻心智发展的过程解释;多模态数据分析反馈聚焦个性化学习支持,忽视决策支持。未来实证研究发展应聚焦有效学习与情感体验,融合计算科学和认知带理论,协同人机优势提供反馈支持,开展MMLA系统开发者和利益相关者的深度对话,不断迭代设计与优化分析系统和应用模式,有效促进“人工智能+教育”的发展。     

基于网络环境的大学生英语自主学习现状分析

以计算机和网络为核心的现代信息技术正影响和改变着我们的学校教育,如何在网络环境下进行大学英语自主学习是当今教育研究的一个重要主题。通过对江汉大学非英语专业大学生进行“网络环境下大学英语自主学习现状”的调查．分析了目前大学生自主学习的状况,发现在网络环境下英语学习风格与策略都将发生很大的变化,大学英语的教学模式和师生的角色需要转变,学生的自主意识和自主能力更需要提高和加强。     

网络环境下的研究性学习及其策略分析

研究性学习以培养学生的研究能力与实践能力为目标。现代信息技术的发展,为研究性学习的实施提供了有利的条件。该文从信息化社会对学习的要求出发,来探讨研究性学习的本质和特征。并进一步对现代网络环境下的开展研究性学习的策略进行了探讨。     

计算机辅助学习环境中的词汇学习策略

在总结计算机辅助学习环境中词汇学习的特点的基础上，系统地分析了机助词汇学习环境中学习者在学习策略的选择、学习策略的使用、和学习策略使用效果等方面的特征，从而进一步论证了学习策略与学习环境之间存在紧密地联系。     

基于学习结果理论对基础教育数字化学习资源分类方法的探究

现有的数字化学习资源分类大都是从资源的角度进行划分,学习结果分类从学习者的角度出发提供了一种全新的视角,更贴近学习过程,对数字化学习资源的研究者、开发者和使用者都有启发意义。     

远程教育多维资源组合模式：基于远程学习者的动机和能力

以学习动机和学习能力两个维度为分类标准,可以将远程学习者分为自主学习者、潜在学习者、协作学习者和被动学习者。这四类学习者分别对应自主学习模式、激励学习模式、协作学习模式和引导学习模式。典型的远程教育资源包括文字教材、网上学习资源、视听教材和移动学习资源。不同种类的资源因其独特性而能够较好地契合不同类型学习者的需求。远程教育机构和研究者应该深入研究各种媒体资源的优势,充分考虑不同类型学习者的动机和能力,为他们设计并提供具有针对性的多维资源组合,以期达到＂适用、实用、够用＂的效果。     

网络课程学习效果的监督与评价研究

随着网络课程在我国的蓬勃发展,如何开发高质量的网络课程,并加强对网络课程学习过程的监督,提高学习效果,是目前网络课程研究中一个重要而迫切的课题。该文结合我国网络课程目前应用的现状,对如何有效实现网络课程学习过程的监督,建立完善的效果评价体系,进行了一定的调查研究,有针对性地给出了一些建议,并提出了一些网络课程设计开发相关的意见。     

知识领域分类再探讨及其教学应用价值

“知识领域分类”是教学设计研究的一项基础性工作。国际上近50年来对知识领域分类的探索已形成诸多经典研究成果,如加涅的5种学习结果分类、布卢姆的6层次认知目标分类、梅里尔的学业水平与内容类别二维分类等。然而,这些知识领域分类框架在指导核心素养在课堂教学中的落地上仍然面临一些瓶颈。为此,在综合吸收和借鉴已有知识分类框架、学习科学与教学设计相关研究成果的基础上,可将知识领域划分为“是什么知识”“如何做知识”和“为什么知识”3种类型,具体再细分为事实、概念、程序（规则/步骤）、原理、策略和动力6种知识。其中,事实和概念属于“是什么知识”,程序/规则/步骤属于“如何做知识”,原理、策略和动力属于“为什么知识”。由此形成的学习过程循环可表征为“（动力与策略）+事实—概念—程序—原理+（动力与策略）”。核心素养在课堂教学中的落地,就是要将事实教学为主转向概念教学为主,然后再进阶到程序教学、原理教学、策略教学,同时确保有动力成分。对知识领域分类的探讨有助于教师明了教学目标的设置依据,在课堂上实现减负提质,选择合理的教学策略与评估方式,以及促进其完善最重要的教育专业知识。