【摘 要】
:
随着教育数字化转型的发展,在线学习模式逐渐受到学习者的青睐,拉近了不同时空下学习者的距离,同时产生了海量的学习行为数据。网络学伴社区结构能够提升在线学习的效果,但传统的社区发现方法无法有效利用学习行为数据挖掘清晰的网络学伴社区结构。由于社区中学习者的学习兴趣影响学习行为,学习者行为特征与学伴社区发现存在较强的关联。因此,基于学习行为兴趣标签的网络学伴社区发现问题值得进一步研究。现阶段,在学习行为特
论文部分内容阅读
随着教育数字化转型的发展,在线学习模式逐渐受到学习者的青睐,拉近了不同时空下学习者的距离,同时产生了海量的学习行为数据。网络学伴社区结构能够提升在线学习的效果,但传统的社区发现方法无法有效利用学习行为数据挖掘清晰的网络学伴社区结构。由于社区中学习者的学习兴趣影响学习行为,学习者行为特征与学伴社区发现存在较强的关联。因此,基于学习行为兴趣标签的网络学伴社区发现问题值得进一步研究。现阶段,在学习行为特征的研究中缺乏对学习行为兴趣的考虑。由于学习行为兴趣具有可解释性强、指向性明显等特性,能够精确表征学习者的学习习惯,忽略学习行为兴趣的学习行为特征挖掘方法是不完善的。同时,在网络学伴社区发现的研究中,传统研究无法处理学习者之间的多种不同连接,缺乏社区中学伴关系的考虑。针对目前研究的不足,本文研究基于学习行为数据的网络学伴社区发现中的两个主要问题:(1)学习行为特征挖掘:如何利用学习行为兴趣提高学习行为数据特征挖掘的准确性和可解释性。(2)网络学伴社区发现:如何根据学习行为特征挖掘结果,进一步改进网络学伴社区发现方法。聚焦上述问题,本文的主要工作内容包括:(1)针对学习行为特征挖掘的问题,本文提出了一种基于图神经网络的学习行为兴趣标签预测方法。使用学习行为兴趣表征学习者丰富的学习行为数据内含的学习习惯和学习兴趣,首先从学习行为数据中挖掘出隐含的学习行为异构图数据结构,使用图神经网络模型挖掘学习者的学习行为特征,然后输入预测模型中,预测学习者的学习行为兴趣标签。(2)针对网络学伴社区发现的问题,根据网络学伴社区中学习者间存在紧密学伴关系的特性,本文提出了一种基于学习行为兴趣标签的网络学伴社区发现方法。首先基于二分图提取出学习行为异构图中的学伴关系网络,随后使用改进的网络学伴社区发现方法,通过量化学习者间学伴关系存在性,检测出网络学伴社区结构。综上所述,本文根据学习行为数据挖掘学习行为兴趣标签,提高网络学伴社区发现方法的性能。
其他文献
在信息快速传播的互联网时代,越来越多的用户乐于在社交平台上发布自己的评论,虽然为情感分析带来强大的数据支持,但是会导致“信息过载”从而难以获取到真正所需的信息。所以从海量关系数据中分析并挖掘有用的信息,在此基础上进行准确的情感预测是情感分析领域研究的热点。当前的情感分析方法大多注重文本信息并且其方法取得了较大的成效,但是它们在提取用户的潜在情感方面显得尤为不足。对无文本信息或者使用反讽文本的用户,
聚类分析的目标是对一组数据进行分类,使得相似的数据归为同一类别,不相似的数据归到不同类别。近年来,聚类分析在生物医学,图像处理和自然语言处理等多个领域有广泛应用。由于现实生活中的数据分布复杂,存在形状不规则,密度分布不均匀等特点,现有的聚类算法无法得到满意的结果。另外,大部分的聚类算法需要预先输入聚类数目,但实际情况下无法预知该值。为解决上述问题,本文引入了稀疏因子和增广非共享近邻的概念,并在此基
异养硝化细菌(heterotrophic nitrifying bacteria)是重要的硝化微生物类群之一,在生长过程中可以通过硝化作用快速去除污水中多余的氮,因而成为生物脱氮领域的研究热点。近10年来异养硝化细菌的研究获得了较大进展,本文系统总结异养硝化细菌类群的硝化酶系及其编码基因特点,对异养硝化代谢途径进行梳理;同时总结其他氮转化功能酶及其编码基因在整个类群中的分布,探讨异养硝化细菌的脱氮
离子聚合物金属复合材料(IPMC)是一种具有轻质量、高柔韧性、高效电能转化(电能转化为机械能)的智能材料。IPMC在软机器人应用中具有一些显著的优势,尤其是电能向机械能的高效转化,其在较低的电压下激活,快速响应下可实现较广范围的形变。其功耗低,而且具有一定的机械和化学耐受性和稳定性、易于小型/微型化。由于其具有上述特点,因此作为软体机器人的软执行器是不可多得的材料,在微型机器人和水下机器人应用中得
网上社交媒体平台上文本、图像、音频、视频等多模态数据的增长迅猛,传统的单一模态数据检索已经无法满足当今社会的需求,跨模态检索应运而生。多模态数据往往具有很高的维度,使其难以有效检索。为了有效地组织、管理和检索在文本、图像的语义之间相互关联的有效数据,跨模态检索已经成为了当今学术界和工业界的热门话题。本文以跨模态图文检索技术为重点,结合多模态数据的特点,研究提高跨模态图文检索的精度问题,设计和开发跨
水稻是世界上最主要的三大粮食作物之一。水稻谷粒的性状参数是反映谷粒品质和进行育种等相关研究的重要评价指标。通常,在水稻育种的各个环节都需要对谷粒的性状参数进行测量,主要包括谷粒数量、谷粒长度、谷粒宽度、谷粒面积、谷粒周长、谷粒萌发率等。传统的谷粒性状参数测量方法依赖于专业人员的手工测量,不仅测量效率低下,而且测量结果易受个人主观因素影响,准确性和稳定性无法得到保证。此外,当前已有的谷粒性状参数测量
空气污染已经成为21世纪以来世界范围内最受关注的问题之一,为了缓解空气污染,许多研究人员试图使用各种方法准确预测空气污染物的浓度以及扩散趋势。研究表明,空气污染物具有动态的时空依赖特征。许多研究者利用非深度学习方法包括确定性方法和统计学方法预测空气污染物浓度。这些方法存在一定的限制,例如:确定性方法应用于有限数据集,需通过气象原理和数学方法来模拟大气的物理化学反应和污染物的扩散、排放和转化过程,由