【摘 要】
：
面对日益丰富的知识资源,低成本、高精度的知识转移机理能够支撑知识服务型组织为知识用户提供良好知识服务、实现知识资源有效配置及提高知识资源利用率.以隐性知识为研究对象,针对知识本身的特性,提出基于三支决策的隐性知识转移模型.该模型主要包含三部分:用户知识需求与既有知识资源的匹配;根据转移成本确定决策阈值(α,β);根据决策阈值确定隐性知识转移的划分区域“转移”“不转移”和“延迟转移”.实证结果表明,与既有方法相比,提出的基于三支决策的隐性知识转移模型通过对转移区域的细分,降低了因错误分类而产生的知识转移成本
【机 构】
：
郑州大学 管理工程学院,郑州 450001;郑州大学 机械与动力工程学院,郑州 450001
论文部分内容阅读
面对日益丰富的知识资源,低成本、高精度的知识转移机理能够支撑知识服务型组织为知识用户提供良好知识服务、实现知识资源有效配置及提高知识资源利用率.以隐性知识为研究对象,针对知识本身的特性,提出基于三支决策的隐性知识转移模型.该模型主要包含三部分:用户知识需求与既有知识资源的匹配;根据转移成本确定决策阈值(α,β);根据决策阈值确定隐性知识转移的划分区域“转移”“不转移”和“延迟转移”.实证结果表明,与既有方法相比,提出的基于三支决策的隐性知识转移模型通过对转移区域的细分,降低了因错误分类而产生的知识转移成本;同时,根据视图相似度确定决策区域,提高了知识转移的准确性.
其他文献
针对大数据环境下并行MRPrePost频繁项集挖掘算法中存在计算节点负载不均衡,N-list合并效率低以及冗余搜索等问题,提出了基于N-list结构的混合并行频繁项集挖掘算法HP-FIMBN.首先,设计负载量估计函数(LE)来计算出频繁1项集F-list中每一项的负载量,同时提出基于贪心策略的分组方法(GM-GS)将F-list中的每一项根据其负载量进行均匀分组,既解决了数据划分中计算节点负载不均衡的问题,又降低了集群中各节点上子PPC-Tree树的规模;其次,提出预先放弃策略(EAS),该策略不仅能有效
个性化学习推荐是智能学习的一个研究领域,其目标是在学习平台上给特定学习者提供有效学习资源,从而提升学习积极性与学习效果.虽然现有的推荐方法已被广泛用于教学场景,但教学活动自身的科学规律,使个性化学习推荐在个性化参数设置、推荐目标设定、评价标准设计等方面具有一定的特殊性.针对上述问题,在调研大量文献的基础上对近年来个性化学习推荐的研究进行了综述.从学习推荐通用框架、学习者建模、学习推荐对象建模、学习推荐算法、学习推荐评价五方面对个性化学习推荐的相关研究进行了系统的梳理和解读.首先提出了学习推荐系统的通用框架
随机森林(RF)是最经典的机器学习算法之一,并已获得广泛应用.然而观察发现,尽管现实中存在众多的二视图数据并已获得广泛的分析研究,但针对二视图场景的RF构建相当少,仅有的利用RF解决二视图学习问题的方法也都是先为各个视图生成各自的RF,在决策时才融合了视图间的信息.这样的方法存在一个显著不足是在其RF的构建阶段未利用两个视图间的相关性,这无疑浪费了信息资源.为了弥补这一不足,提出了一种改进的二视图随机森林(ITVRF).具体而言,在决策树的生成过程中采用典型相关分析(CCA)进行视图融合,将视图间的信息交
知识图谱(KG)提供了一种数据结构来生成基于内容和协同过滤的混合推荐,但现有的基于知识图谱推荐方法对用户属性信息的考虑少于对物品属性的考虑,针对这一问题,提出了基于知识图谱卷积网络的双端推荐算法(DEKGCN).该算法用知识图谱中每一个实体邻域的抽取样本作为其高阶接受域,用数据集中用户的相关属性作为其一阶接受域,在计算给定实体和用户的表示时分别结合各自的邻域信息,最后得到用户对物品的偏好概率.用户端和物品端的多种信息被用来学习用户和物品的向量表示,有效解决了数据稀疏和冷启动问题.在真实数据集上的实验结果表
移动边缘计算(MEC)支持终端设备将任务或应用程序卸载到边缘云服务器处理,边缘云服务器处理外来任务会消耗本地资源,为激励边缘云提供资源服务,构建向终端设备收费以奖励边缘云的资源定价机制尤为重要.现有的定价机制依赖中间商的静态定价,费用高且终端任务处理不及时,难以实现边缘云计算资源的有效利用.针对上述问题,提出一种基于Stackelberg博弈的边缘云资源定价机制.首先,针对资源定价时终端设备因资金不足而导致的本地任务搁置问题,提出包含贷款和激励的辅助机制,实现终端设备任务的及时处理;其次,提出影响资源定价
近年来,自编码器和神经网络技术已被广泛研究并应用于轴承振动等工业数据的异常检测问题上,但仍存在着训练数据量大、网络参数初始化、训练效率较低、异常检测效果较差等问题.为解决上述问题,提出了一种结合马氏距离和自编码网络的异常检测方法.利用轴承振动数据特征之间具有一定相关性的特点,通过数据的马氏距离快速检测出部分异常数据,减少了自编码网络的训练数据量;用自编码器结合分类器构建自编码网络,解决了网络参数初始化问题并且显著提高了训练效率;将数据的马氏距离作为特征加入训练中提升了自编码网络的异常检测效果;在自编码器中
随着我国经济水平的不断提高,我国医疗行业发展迅速,行业体量不断增大。人们对高质量、高水平的医疗服务的需求日益增长,国家也在积极号召要加强人工智能在医疗卫生等领域的深度应用。目前医院的信息化建设虽然已经初见成效,但仍存在医疗工具缺乏维护、用法繁琐、缺乏智能化等问题。本论文以结直肠癌为例,在XGBoost方法的基础上使用SEER数据集进行结直肠癌症患者采用特定治疗方案存活性预测模型的研究,并将该模型应
应急场景中灾情信息的及时传输与处理对于提升应急救援效率十分重要。而灾区基础通信设施往往损毁严重,应急通信车等传统应急通信手段存在移动性差、灵活性低等缺点,无法很好的支撑应急场景中的通信需求。因此,可以采用无人机辅助应急通信,高效完成灾区中的救援任务。然而,在无人机辅助下的空地协同应急场景中,存在两方面的问题需要考虑:首先,无人机服务能力有限,如何通过无人机位置的最优部署,最大程度提升通信容量,是需
为了提高无监督嵌入学习对图像特征的判别能力,提出一种基于深度聚类的无监督学习方法.通过对图像的嵌入特征进行聚类,获得图像之间的伪类别信息,然后最小化聚类损失来优化网络模型,使得模型能够学习到图像的高判别性特征.在三个标准数据集上的图像检索性能表明了该方法的有效性,并且优于目前大多数方法.
针对深度学习构建网络模型以及确定模型参数的问题,在分析神经网络基本结构和线性模型局限性的基础上,研究了深度神经网络设计的关键因素和优化策略.结合手写数字识别问题,对优化策略、动态衰减学习率、隐藏层节点数、隐藏层数等情形下的识别正确率进行了实验.结果表明,不同神经网络模型对最终正确率有质的影响,相同优化策略在不同参数取值时对最终正确率有很大影响,并进一步探究了具体选取优化策略和参数的方法.