线上线下交互融合式教学模式的构建与实施

为实现互联网技术与高校教育教学模式的深度融合,提出线上与线下交互融合式教学模式的构建宗旨和具体实施环节。利用智慧云端作为线上线下学习的连接通道,实现学习与交互平台的有效结合。在有效激发教师主观能动性的同时,还能突出学生的主体性。教师通过课程宣传、资源投放、答疑指导、监督考核等环节实现既定教学目标;学生通过自主选课、自主学习、合作学习等环节,在全面掌握所学知识点的同时,加强了自主解决问题能力、知识推理能力和实践能力。为未来有效利用互联网技术来提高高校教育教学质量提供参考。     

产品评论情感倾向性分类系统的设计与实现

针对消费者网上购物时选择商品的用户体验不足等问题,设计了产品评论情感倾向性分类系统。系统首先对评论进行了分词,然后根据停用词表去停用词,分别采用CHI、IG进行特征选择,最后比较了使用不同的特征选择算法对文本情感分类结果产生的影响。系统采用了Java Web相关技术实现了可视化,并对产品评论的分类过程进行了展示。实验结果表明,有效的特征选择方法有助于提升推荐系统的性能。     

"5-8"校企深度合作实践教学模式探索与实践——以大连民族大学计算机科学与工程学院为例

针对计算机类专业人才培养中出现的一些具体问题,结合大连民族大学计算机科学与工程学院实践教学的实际情况,在学院"一头一尾两足双翼"人才培养模式指导下,构建"四年八学期一贯制"的实践教学体系,提出"5-8"校企深度合作实践教学模式,三年的实践表明,其对提高学生的实践创新能力和提升毕业生的就业质量效果显著.     

几个三角求和算子的线性组合

通过对已有几个三角求和算子进行线性组合, 构造一个新算子T_n(f;x). 证明该算子在全实轴上一致收敛于任意以2π为周期的连续函数f(x), 得到了当f(x)∈C^j_2π(0≤j≤7)时算子的最佳收敛阶, 并且证明了算子的最高收敛阶不 会超过1/n⁸. 在收敛性方面, 所构造的新算子明显优于其他算子.     

基于预训练模型和混合神经网络的医疗实体关系抽取

医疗文本具有实体密度高、句式冗长等特点,简单的神经网络方法不能很好地捕获其语义特征,因此提出一种基于预训练模型的混合神经网络方法。首先使用预训练模型获取动态词向量,并提取实体标记特征;然后通过双向长短期记忆网络获取医疗文本的上下文特征,同时使用卷积神经网络获取文本的局部特征;再使用注意力机制对序列特征进行加权,获取文本全局语义特征;最后将实体标记特征与全局语义特征融合,并通过分类器得到抽取结果。在医疗领域数据集上的实体关系抽取实验结果表明,新提出的混合神经网络模型的性能比主流模型均有提升,说明这种多特征融合的方式可以提升实体关系抽取的效果。     

一类三角求和算子的一致收敛性

由于Lagrange插值算子并非对任意的连续函数都一致收敛,为了改善其收敛性,我们通过对插值基函数,引入中心差分算法基于等距结点组构造了一类三角求和算子;证明了该算子在全实轴上一致收敛于任意以2π为周期的连续函数,得到了算子的最佳逼近阶以及最高收敛阶;另一方面,本文构造的算子也可以看作是Bernstein和Kis两人构造的算子的线性组合,而在收敛性方面,本文的算子明显优于两种已有的算子.最后通过数值算例和例图对这些算子的逼近性质进行了比较.     

三角插值多项式的线性组合

鉴于Lagrange插值多项式并非对任何连续函数都能一致收敛,以x(n)k=2k 1/2n 1π,k=0,l,…,2H作为插值节点,将几个算子进行线性组合,构造了两个新的算子Un(f;x)和Un(f;x),使它们的最高收敛阶要优于算子An(f;x),Bn(f;x),Cn(f;x)。     

一类S.N.Bernstein型插值过程的最佳一致逼近

进一步研究了第三型S.N.Bernstein插值过程，用一种全新的方法构造了一个算子An(f;r,x)，它对于有任意阶连续导数的f(x)∈C[-1,1]^1,(0≤l≤r-1)都一致收敛，并且得到了算子An(f;r,x)的最佳收敛阶。     

组合型插值多项式的收敛阶

在引进了几个已知算子的基础上,为改进这些算子的收敛阶,以xk^(n)=(2k 1)/2n π,k=0,1,2,…,2n作为插值节点,构造了一个组合型的算子Gn(f;x),使算子Gn(f;x)一致收敛到以2π为周期的连续函数f(x),并且其收敛阶要优于已知的算子．     

基于特征贡献度的特征选择方法在文本分类中应用

在目前的文本分类问题中,特征选择方法被认为是提高分类精度和效率的一种有效方法.提出了一种基于特征贡献度FCD（feature contribution degree）的特征选择方法,本方法将某个特征对于类别之间区分能力的贡献度大小作为该特征被选取的条件,特征对于某一类别的FCD值为特征在该类中出现的文档数与在所有类别中出现的文档数的比值.对该方法进行了实验,并与一些常用的特征选择方法进行了比较,实验结果表明该方法具有更好的分类效果.