融合习题难度和作答经验的深度知识追踪模型

针对现有的深度知识追踪模型缺乏对习题和学生特征信息综合考虑的问题,文章提出融合习题难度和作答经验的深度知识追踪模型(DKT-DE)。该模型通过分析作答序列评估习题的难度和学生的作答经验来丰富模型输入层的特征信息,从而提高模型的预测性能。最后,在3个公共数据集(ASSISTments2009、ASSISTments2015、ASSISTments2017)上,对DKT-DE模型与5个基线模型(BKT、DKT、DKT+、DKVMN、SAKT模型)进行对比实验和消融实验。对比实验结果表明DKT-DE模型能够更准确地评估学生的知识掌握状态：与基线模型中表现最好的DKT+模型相比,DKT-DE模型在ASSISTments2009、ASSISTments2015、ASSISTments2017数据集上的AUC平均值分别提升了2.78%、2.44%、1.5%。而消融实验结果进一步证明习题难度和学生作答经验对提升模型预测能力都起到了积极的贡献。     

面向教育大数据的知识追踪研究综述

介绍了知识追踪（KT）的相关概念与任务,梳理其发展脉络,综述KT的原理、相关算法和数据集,分析了不同结构的KT模型的优缺点.在此基础上,对KT领域未来发展方向进行了深入探讨,提出了数据表征、认知建模、模型可解释性三个重要的发展方向,并作出了一定的展望.     

基于学习者能力的注意力机制知识追踪方法

基于学习者能力,针对基于循环神经网络（RNN）和长短期记忆（LSTM）网络的深度知识追踪（DKT）算法对早期知识点关注的不足,提出一种加入注意力机制的DKT算法,并用时隙聚类的方法对不同能力学习者动态分组并赋予不同的注意力权值,以建立更平衡、更客观的知识记忆程度权重分布模型.常用公开数据集上的实验结果表明：该模型优于2种基准模型和2种消融实验模型,说明所提出的模型能更好地表现学习者的知识状态.     

模式识别中的图结构描述方法综述

从概率图、组合图、代数图和几何图等模型角度综述模式识别中图结构的描述.分别讲述每一类图模型的图结构构建形式和计算方式,回顾其起源,归纳其历史发展过程,分析其研究现状.其中,着重论述各类图模型描述的不同特点和潜在关系,剖析未来发展方向.引用基于图模型的模式识别发展史上具有代表性的论著,介绍引领方向的研究学者,旨在帮助读者理清图模型的发展脉络,把握其前沿动态.     

基于“态度”的知识追踪模型及集成技术

知识追踪模型(knowledge tracing model)被广泛地应用在教育系统(intelligent tutoring system)中以预测学生做题的表现.当学生做题时,教育系统采用该模型持续对学生的知识掌握情况作出评估并根据对每个学生的评估给出针对性的题目.通过对该模型预测精度的研究,提出了改进的知识追踪模型,并采用在线教育系统的数据集对两个模型的预测精度进行了对比.最后采用集成技术(ensemble)综合了所有模型,提高了预测精度.     

知识转移基本概念综述

描述了知识转移的基本概念,介绍了两个最著名的知识转移经典模型,指出深刻理解和运用知识转移的相关理论和模型,对于知识型社会中开发和利用各种知识资源、知识载体并且对于控制知识接受者对于知识的掌握运用具有重要的意义。     

概率模糊认知图

模糊认知图模型通过在传统认知图模型中引入模糊测度来量化概念间因果关系的影响程度。在继承模糊认知图模型优点的前提下，首次在概念间的因果关系中引入条件概率测度，提出概率模糊认知图模型。该模型不仅能表示概念间的定性及模糊因果关系，而且能表示概念间的条件概率因果关系，并能退化为模糊认知图。通过对复杂机械部件的拆卸与装配实验，具体阐述概率模糊认知图的应用。实验结果表明概率模糊认知图模型比较模糊认知图模型具有对现实世界更强的模拟能力。     

图追踪在3×3引理中的应用

图追踪法是同调代数中常用的基本方法.主要采用图追踪法证明3×3引理,并对一、三行正合时,第二行的正合性进行了简单的讨论.     

基于改进蚁群算法的个性化学习路径推荐

目前已有的学习路径推荐领域多为学习资源推荐,而课程知识图谱应用率较低,与蚁群算法的结合普遍缺乏对学习者知识水平的精确建模.因此,提出将知识图谱技术、深度知识追踪模型以及蚁群算法三者相结合,同时分类蚁群改进传统的蚁群算法:首先,抽象出课程知识点图谱作为路径基础,将深度知识追踪应用于不同水平学习者的分类,并与知识点难度权重相结合;然后,采用蚁群算法进行相应的路径规划,将蚁群按照不同的学习者类别进行划分,在保障相对最短学习路径的同时考虑不同学习群体客观知识水平情况,从而得到个性化的高效率学习路径推荐;最后,在ASSISTment数据集上验证了本方法的有效性.     

人工智能时代知识图谱表示学习方法体系

总结了不含辅助信息的知识图谱表示学习方法,主要是基于距离和基于语义匹配2类主流方法;研究了包含文本辅助信息和类别辅助信息的知识图谱表示学习方法;通过对比各类表示学习方法的优缺点,发现引入辅助信息能有效表达知识图谱中新实体,但时空开支大幅上升,因而在现阶段,不含辅助信息的方法更易应用于实际场景中.分析了知识图谱嵌入如何应...     

基于改进YOLOv3网络的卡尔曼社交距离检测与追踪

为了预防新冠肺炎的传播,在佩戴口罩的同时,保持一定的社交安全距离是必要的。为解决现有的目标检测算法在社交距离检测中无法同时满足检测的实时性、准确性以及在复杂场景中存在遮挡、小尺度目标等问题,提出基于YOLOv3的改进算法DPPY(Dilated Pyramid-Pooling with YOLOv3)。首先使用空洞卷积参与到YOLOv3的核心图像处理结构中,然后引入密集型连接网络进一步融合不同层之间的连接,并且在这基础上还模仿了空间金字塔结构处理输入数据的尺寸问题,最后将这些处理结果一起与待追踪物体与彼此间的前后位置进行更好的关联并选用卡尔曼滤波器这个工具来更好地处理。若行人彼此间靠的过于紧密,则标红发出警报,以便更好地提醒相关人员注意。结果表明：与传统的YOLOv3算法相比,DPPY算法检测速度更快,检测精度更高。检测速度达到了34帧/s,平均准确率(Average Precision, AP)提高了9.1 %,并且在大、中、小目标检测中平均准确率均值(mean Average Precision, mAP)分别提高了7.8 %、8.2 %、8.9 %。     

基于知识增强的ERBERT-GRU中文图书分类方法研究

图书的自动分类是图书管理和图书推荐算法中的基础工作,也是难点之一,而且目前针对中文分类算法主要集中在短文本领域中,鲜有对图书等长文本分类的研究.该文对深度学习分类算法进行了深入细致的研究,并对BERT预训练模型及其变体进行相应的改进.利用复杂层级网络叠加双向Transformer编码器来提取隐藏在文本中的细粒度信息.在...     

信息网络表示学习方法综述

网络表示学习方法将信息网络表示为低维稠密携带网络节点特征信息的实数向量,应用于下游机器学习任务的输入,随着机器学习与深度学习的发展,网络表示学习拥有强大的建模能力且应用广泛。对网络表示学习方法、应用进行了归纳总结。首先,对当前国内外网络表示学习方法进行梳理归类,分为传统方法、基于网络结构的嵌入、融入属性信息的嵌入,以及基于谱域的图卷积、基于空间的图卷积和图attention网络,按类别对各类模型详细阐述,对比模型之间的适用性和方法特点;其次,介绍了网络表示学习的相关应用,包括推荐系统领域、生物医药领域等,整理常用的数据集、开源实现的表示学习模型和强大的图深度学习库供研究者参考调用;最后,对网络表示学习的发展趋势进行了总结与展望。未来可在深层的图神经网络学习、动态和异构网络的表示、网络模型的泛化能力等方面继续开展研究。     

一种基于知识图谱的用户多偏好推荐系统

提出了一种基于知识图谱（KG）的用户多偏好（MPKG）推荐系统,从用户关系级、实体级和细粒度高阶用户三种不同的视角建模用户的偏好. 首先,将KG中关系向量组合,构建关系级意图,并通过独立性将不同意图之间的差异最大化,由关系级意图来指导学习关系级偏好;然后,根据用户交互实体的频率构建实体偏好图（EPG）,并学习用户的实体级偏好;接着,分别使用关系级意图和实体级偏好来指导模型学习用户的表示;此外,还直接从KG中构建关系实体信息流,用于用户的表示,挖掘用户的高阶细粒度偏好. 在两个基准数据集上进行实验,实验结果验证了该方法的有效性和可行性.     

结合先验知识的深度Q神经网络算法研究

深度Q神经网络(deep Q-network,DQN)算法在训练初期,由于动作选择随机性强,导致算法的训练时间过长。针对该问题,文章提出一种结合先验知识的深度Q神经网络(priori knowledge-DQN,PK-DQN)算法,将先验知识定义为特征状态与最优动作的映射,根据先验知识对动作选择过程的影响程度,将先验知识引入DQN算法,优化DQN算法的动作选择规则,降低其在探索过程中的动作选择随机性,并使用赛车游戏对算法进行训练。实验结果表明,PK-DQN算法能够更快收敛,有较高的学习效率,算法训练时长明显缩短。     

数据驱动下的个性化自适应学习研究综述

智能教育环境下的教学更加关注学习者的个性化诉求,而自适应学习能够为实现个性化教育提供技术和方法支持.文章从数据驱动的视角出发,通过开展国内外个性化自适应学习研究的综述分析,对其系统框架和相关组件进行阐述和解读.其中,重点从领域知识模型、学习者特征模型和教学模型三方面对其实现机制进行探析,提出当前研究存在的问题和不足,并在此基础上介绍了近年来可促进解释性提升的相关组件技术研究,奠定进一步深入个性化自适应学习研究的基础.     

追踪问题的Simulink仿真

追踪问题是数学建模中的一类经典问题,本文在该问题的微分方程模型的基础上构建了相应的Simulink模型,然后利用Matlab软件进行了数值仿真,利用动画模拟了追踪问题的全过程。     

领域知识与数据驱动的混合交通流车辆轨迹预测

自动驾驶车辆需具备预测周围车辆轨迹的能力。诸多发展中国家普遍存在弱规则、强交互的混合交通流道路,高密度混合交通流的车辆轨迹预测是极具挑战性的任务。为了兼顾混合交通流道路环境下轨迹预测的高精度和可解释性,设计一个融合领域知识和经验的深度学习模型（DK-Conv-LSTM）实现车辆的长、短时轨迹预测。该模型采用卷积结构（Conv）提取交互特征,并将融合车辆历史信息的特征向量送入长短时记忆网络（LSTM）模型实现轨迹预测。知识经验通过嵌入损失函数的方式引导深度学习模型的训练。与基础的LSTM相比,仅添加卷积层结构的Conv-LSTM模型可提升终点轨迹误差（FDE）约30.46 %,提升平均轨迹误差（ADE）约34.78 %;而DK-Conv-LSTM模型可分别提升FDE 46.81 %和ADE 49.08 %;同时DK-Conv-LSTM模型可还原多前车跟驰、超车行为的驾驶轨迹。