北科大硕士论文答辩

nullnull基于CBR的Bayesian在ITS中的应用研究基于CBR的Bayesian在ITS中的应用研究答辩人： 丁继红 研究方向：数据挖掘与智能教学系统 指导老师：刘先锋 教授本文的基本框架本文的基本框架 总体架构总体架构系统结构设计 本文主要工作本文主要工作1、利用学生特征库、数据仓库、教学方法库、学习资源库等，提出了基于ITS的知识推理模型。同时设计出了表征学生特征的学生模型表。本文主要工作本文主要工作 2、结合Corpus库，利用余弦相似度函数、Bayesian 定理和联合概率 公式 小学单位换算公式大全免费下载公式下载行测公式大全下载excel公式下载逻辑回归公式下载 构造了一个Bayesian推理网。得出了基于Bayesian推理网的学习推荐算法，利用Java和MySQL 对此方法进行实现，得出仿真实验的结果。 本文主要工作本文主要工作3、构造出了一个基于CBR的Bayesian推理网模型，结合基于用户的协作过滤技术、预测评分方法、Bayesian定理进行学习推荐。 利用Java和My SQL进行实现，得出仿真实验的结果。 Bayesian分类 ： Bayesian分类 ：其中xi是与元组ti相关的数据值，因此由P(Cj|xi)可以进一步计算出P(Cj|ti)。假设元组ti有p个独立的属性值{xi1，xi2，…，xip}。对于每个属性xik，可以很容易计算P(xik|Cj)，进而可以估计出P(ti|Cj)。 知识推理模型 知识推理模型 知识推理模型 Bayesian推理算法Bayesian推理算法具体算法如下： 1、对于学生子网中的每一个学生Ui（或用户组），在学生特征术语子网中，找出与Ui 连接的所有学生特征术语子节点，分别为：TH1，TH2…THj（j表示有j个学生特征术语与Ui相连），且算出学习者Ui与特征术语THj的特征权重WHj。Bayesian推理算法Bayesian推理算法 2、对于上述1中的每一个THj，在教学方法术语子网中，找出与THj连接的所有教学方法术语子节点，分别为：TM1，TM2…TMk（k表示有k个教学方法术语与THj相连），且计算教学方法术语TMk与学生特征术语THj之间的相似度Bkj；同时，在学习资源术语子网中，找出与THj连接的所有学习资源术语子节点，分别为：TR1，TR2…TRk（k表示有k个学习资源术语与THj相连），且计算学习资源术语TRk与学生特征术语THj之间的相似度Vkj； Bayesian推理算法Bayesian推理算法3、重复2，直到TH1，TH2…THj全部运算完毕。 4、对于上述2中的每一个TMk，在教学方法子网中，找出与TMk连接的所有教学方法子节点，分别为：M1，M2…Mm（m表示有m个教学方法与TMk相连），依据TD-IDF方法计算教学方法节点Mm与教学方法术语节点TMk的权重Amk；同时，在学习资源子网中，找出与TRk 连接的所有学习资源子节点，分别为：R1，R2…Rm（m表示有m个学习资源与TMk相连），依据TD-IDF方法计算学习资源节点Rm与学习资源术语节点TRk的权重Wmk； Bayesian推理算法Bayesian推理算法5、重复4，直到TM1，TM2…TMk和TR1，TR2…TRk全部运算完毕。 6、对于上述4中的每一个教学方法Mm，在教学方法术语子网中，找出与Mm连接的所有教学方法术语父节点，分别为：TM1，TM2…TMn，依据以上1、2、3中计算的WHj，Bkj，Ank，根据公式依次算出；同时，在学习资源术语子网中，找出与Rm连接的所有学习资源术语父节点，分别为：TR1，TR2…TRn，依据以上1、2、3中计算的WHj，Vkj，Wnk，根据公式依次算出 ， 和 。Bayesian推理算法Bayesian推理算法 7、重复6，直到M1，M2…Mm全部运算完毕，结合用户对于节点的影响，在m个教学方法中找出 后验概率最大的一个或多个，将其教学方法推荐给学生Ui；同时，在m个学习资源中找出 后验概率最大的一个或多个，将其学习资源推荐给学生Ui（或用户组）。 8、重复1，直到U1，U2…Un全部运算完毕，即给每一个学生（或用户组）都推荐最好的学习方法和学习资源。推荐方法 推荐方法 结果比较 结果比较 null基于CBR的Bayesian在ITS中的应用研究案例推理工作流程 基于案例的Bayesian知识推理模型 基于案例的Bayesian知识推理模型 基于案例的Bayesian知识推理模型 基于用户的协作过滤技术 基于用户的协作过滤技术 基于用户的协作过滤技术分两步： （1）发现与目标用户评分最相近的若干邻居。 （2）预测目标案例与案例库中邻居案例的相似度，并通过目标学生对邻居案例预测打分，将预测评分最高的若干项目形成初步供选择的候选案例。预测方法如下： 算 法算 法输入：用户的基本信息、案例库中的信息和 评价 LEC评价法下载LEC评价法下载评价量规免费下载学院评价表文档下载学院评价表文档下载 结果。 输出：用户的top-N学习资源和教学方法推荐集。 过程： Step1：让用户从案例库中随机选取N种（根据案例空间的大小确定N的值）学习资源及学习方法，并对其打分，打分项目集记作。 Step2：对于项目，以及案例集中的用户及打分项目集利用公式（4-1）计算相似度。 算 法 算 法 Step3：从集合中选取相似度最大的M（M一般取10）个，同时给这些被选取出来的项目集频率增加一次。再利用公式（4-2）计算，选取用户打分最高的5个案例作为初步候选案例集Candidate；(实践证明选取5个案例较好) ，因为基于CBR的推荐算法要达到2个目标： 1.检索出来的案例尽可能少； 2.尽量与目标案例相关或相似。算 法 算 法 Step4：利用Bayesian知识推理算法检索出最适合的学习方法和学习资源。 Step5：让用户对于这些推荐项目集进行最终评分，同时将其与Step4推荐的项目加入到案例库中。对于案例库中频率较低的剔除，以保证CBR增长不至于太快。对于那些案例库中以前不存在的案例要新增进去。 学生信息录入界面 学生信息录入界面 学生基本信息录入 匹配结果匹配结果学生间相似度匹配结果 推荐方法 推荐方法比较推荐结果推荐结果推荐结果 基于CBR的Bayesian推理过程 基于CBR的Bayesian推理过程 案例描述 提取转换 存储到数据仓库 依据CBR推理选择出初步供选择案例 利用Bayesian推理网从候选案例库中选择 进行学习评价 反馈给教师进行教学评价 重新存储到案例特征库基于CBR的Bayesian推理模块基于CBR的Bayesian推理模块基于CBR的Bayesian推理系统共分为三个模块： 信息管理：负责记录学生信息、学习资源、教学方法。 信息转换：把输入的信息转换成 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 的存储 格式 pdf格式笔记格式下载页码格式下载公文格式下载简报格式下载 ，以便Bayesian推理对输入的信息进行计算。 Bayesian推理：该系统核心部分。基于CBR的Bayesian推理的具体实现和 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 基于CBR的Bayesian推理的具体实现和分析本文的主要研究成果有： 1、对ITS系统中的知识推理模块进行了具体、详尽的细化，整个推理过程十分清晰； 2、使用Bayesian推理网和Bayesian定理、Corpus相似度、倒文档频率，将ITS学习推荐中的详细过程和详细算法及步骤得以用公式刻画，用算法实现；基于CBR的Bayesian推理的具体实现和分析基于CBR的Bayesian推理的具体实现和分析3、提出了基于CBR的Bayesian推理，利用CBR技术、余弦预测方法等初步挑选出候选案例集，缩小了搜索空间，极大地降低了时间复杂度。接下来利用Bayesian推理方法从缩小的候选案例集中计算出最佳学习资源和教学方法，最终把这些案例进行更新； 4、利用Java编程技术、MySQL进行算法实现，设计出了一个简单的推荐界面。 基于CBR的Bayesian推理的具体实现和分析基于CBR的Bayesian推理的具体实现和分析下一步的工作： 1、对贝叶斯知识推理和分类技术与其他的推理方法及分类技术进行比较研究； 2、以贝叶斯网为模型，设计和实现一个个性化的智能学习推荐系统——PISR系统（Personalized Intelligent Study Recommendation System）。 基于CBR的Bayesian推理的具体实现和分析基于CBR的Bayesian推理的具体实现和分析3、对于基于CBR的Bayesian推理这一部分，还有许多细节需要考虑，比如案例库的维护标准还需要深入地探讨，影响学生进行学习选择的其它因素还没有考虑，基于CBR的推理还有待于更好地与Bayesian推理网结合。null