一、智能化远程学习支持系统——领域建模方法的分析与比较（论文文献综述）
宋容嘉[1]（2021）在《集成决策的情境感知业务流程一体化建模方法研究》文中认为随着泛在网络与普适计算的快速发展,企业数字化发展进入大数据时代,物联网+数据分析成为了企业在数字时代大幅提高生产效率、降低作业风险、增加客户满意度、提升智能化水平的重要信息技术架构,且逐步成熟应用。业务流程作为企业真正实现目标定位、价值创造的核心,需要与信息技术发展共同进化、相辅相成。而且,业务流程的情境可在物联网环境中得到有效捕捉和采集,可极大丰富其数据维度和体量,同时情境隐含着业务环境和流程行为的中介信息。情境感知能力随之成为业务流程建模的新范式和新原则,以面向动态场景实现快速灵活响应、针对多样的客户需求提供个性化服务、面对知识密集型任务保障正确执行。虽然,情境感知业务流程建模领域已获得学术界和业界的关注和探索,流程变体、流程情境化等部分零散化解决方案被提出,但仍大幅依赖专家知识,完整性和系统性存在不足。考虑到流程改造的庞大成本和时间周期,业务流程趋向于规范化和稳定性。但是,在多元动态市场对灵活性、机敏性的更高要求下,业务流程管理（Business Process Management,BPM）领域自2013年起呈现出将决策维度抽离业务流程的工作流单独建模的研究趋势。即通过将业务规则表达和数据分析能力封装在决策模型中,将流程智能化和动态性抽离至其决策模型维度,形成决策模型与业务流程模型分别构建又有机结合的一体化模型。其中,决策建模标记法（Decision Modelling Notation,DMN）的提出是里程碑式的研究成果,为业务流程的决策和工作流提供了可分离并可集成的建模方法和技术,开创了集成决策的业务流程一体化建模新范式（BPMN/CMMN+DMN）。然而,着眼于情境感知的业务流程建模研究,决策维度仍然以传统的建模方式隐含嵌入在业务流程的工作流中,硬编码大量数据、业务规则并引入大量网关,不利于其对动态场景的灵活响应与适应性调整。基于以上发展趋势、应用需求以及研究不足,本研究的科学问题可以归结为:“面向情境感知业务流程建模,如何识别并集成业务流程的情境以应对动态性?面向物联网+数据分析信息技术发展与应用,如何连接企业物联网基础设施与情境感知业务流程以实现共同进化?”。由此,本研究将集成决策的业务流程一体化建模范式引入情境感知业务流程建模领域,从理论和应用两方面显示化决策在业务流程获取情境感知进程中的重要角色;提出Deci-CaBPM（Decision-based Context-aware Business Process Modelling）情境感知业务流程建模框架方法,为系统性实现情境适应性节点识别,适应性调整流程片段设计,并进化构建具有情境感知可变性的业务流程模型提供方法论;搭建物联网环境下的情境感知业务流程多层应用架构,融合物联网的情境数据在层级间的流动和转化,将物联网基础设施、流程情境、动态数据分析、智能决策与情境感知的业务流程有机连接起来,为企业业务流程与物联网、机器学习等信息技术融合发展、共同进化提供解决方案。此外,应用Deci-CaBPM框架方法与物联网环境下的情境感知业务流程多层应用架构,实现了港口物流企业汽车提货流程与物联网基础设施改造的共同进化,构建了情境感知的汽车提货流程模型,并集成了汽车提货货物偷盗贝叶斯网络预测模型,实现物联网环境下的作业风险智能化管理。基于行业需求驱动、真实数据支持的案例研究,对本文提出的方法论和解决方案进行了可用性验证和有效性评估,同时为更多企业业务流程面向情境感知可变性建模、与物联网技术应用共同进化提供有效参考、借鉴。本文主要研究内容与成果如下:（1）提出业务流程的情境、情境感知的业务流程可应用的标准化定义,补充集成决策的业务流程结构的理论表达,并面向情境感知可变性进行推演,分析检验决策在业务流程与其情境之间的内生连接作用。（2）分析战略、战术/管理、运营决策对情境感知业务流程的驱动机制,构建决策在业务流程获取情境感知可变性中的关键角色分析模型。（3）将集成决策的业务流程一体化建模范式引入情境感知业务流程领域,提出Deci-CaBPM集成决策的情境感知业务流程一体化建模框架方法,包括显式化融合情境的CaDMN（Context-aware DMN）决策建模扩展标准及其应用步骤,支持系统性实现业务流程情境化和适应性调整建模全环节。（4）搭建物联网环境下的情境感知业务流程多层应用架构,支持Deci-CaBPM框架方法的行业应用,并以融合物联网的情境数据在层级间的流转连接多个层级,包括物联网基础设施、业务流程情境、动态数据分析、CaDMN决策模型和情境感知业务流程五个层级,为企业级的应用提供解决方案。（5）在港口物流行业中,通过应用Deci-CaBPM框架方法与物联网环境下的情境感知业务流程多层应用架构,帮助企业完成了汽车提货流程面向情境感知可变性的进化建模,同时集成了汽车提货货物偷盗贝叶斯预测模型实现物联网环境下的作业风险进阶管理,使得汽车提货流程与逐渐成熟应用的智能门闸、远程地磅等物联网基础设施实现了共同进化。同时,基于技术和业务两方面沟通的企业管理分析,对方法论进行了可用性验证和有效性评估,为更多企业应用提供有效参鉴。图51幅,表14个,参考文献183篇。
秦川[2]（2021）在《面向智能招聘的数据挖掘方法及其应用》文中指出在世界经济的快速发展中,人才一直是企业发展的最重要生产力。因此,企业均将人才招聘做为最重要的发展战略之一,并尝试开发智能化招聘系统来高效地吸引、识别、筛选优秀的人才。近年来,招聘网站的出现使得招聘市场从信息不对等偏向企业的卖方市场逐步向信息对等的供求市场演化,从而导致招聘市场上的竞争愈发激烈,给企业人才招聘带来了一系列全新的挑战。与此同时,飞速发展的数字化招聘系统与在线招聘网站积累了大量的招聘数据,这为智能招聘系统的发展提供了新的范式。目前,围绕智能招聘的相关研究方滋未艾,受到计算机、管理学及其相关交叉学科研究者的广泛关注。然而现有研究依旧面临着数据多源异构、算法缺乏可解释性以及相关学科交叉等挑战。为此,本文利用数据挖掘技术并结合管理学等交叉学科知识,围绕人才招聘中人才吸引、人才筛选、人才评估三个核心环节开展了系统性的研究工作。相关工作依托于百度人才智库平台,研究问题和数据源于实际招聘场景,研究成果均在真实招聘业务中部署和验证,具有很好的实际应用价值。本文主要贡献可以概括如下:第一,在人才吸引方面,通过挖掘分析海量招聘数据中岗位文本数据,提出基于能力感知的岗位需求文本自动生成方法,从而可以有效地预测出不同岗位的技能需求,帮助人力资源员工更高效地设计岗位需求文本,助力企业吸引合适的人才。具体地,首先提出了一个能力感知的神经主题模型,实现从海量的招聘数据中蒸馏出丰富的能力信息。然后设计了一个基于编码器-解码器结构的循环神经网络去实现岗位需求文本生成。为了保证生成结果可以全面地覆盖和该岗位相关并具有代表性的能力需求,进一步提出了能力感知下的注意力机制和复制机制来指导岗位需求生成过程。此外,设计了一种能力感知下的策略梯度训练算法来有效地提升生成的岗位需求的合理性和流畅度。最后,在两个采集于真实应用场景的招聘数据集中进行了大量实验,结果验证了所提方法可以有效地生成岗位需求文本,准确覆盖该岗位所需的相关技能,并且具有很好的可解释性。第二,在人才筛选方面,提出了基于技能感知下的人岗匹配模型,从而可以有效地衡量人才和岗位之间的匹配度,提升招聘筛选效率。具体地,首先基于循环神经网络设计了一个对岗位需求文本和求职者工作经历文本的词级别的语义表征模块。并且通过两个特殊设计的基于主题的能力感知下的层级别注意力机制,更为有效地捕捉岗位需求中的重要语义信息,以及评估对于特定岗位需求下不同工作经历的重要性。然后,基于历史招聘记录数据针对所提出的人岗匹配模型进一步设计了一种重训练机制,实现对匹配效果的提升。此外,本文将所提的模型应用到人才初筛和岗位推荐这两个具体的人才招聘任务中。最后,在一个采集于真实应用场景的招聘数据集中进行了大量的实验,其实验结果验证了所提模型在预测人才岗位匹配度上的准确性和预测结果的可解释性。第三,在人才评估方面,提出了专业技能导向的面试题库自动生成和智能检索算法,构建了一个智能面试官辅助工具帮助面试官高效地准备面试试题考察求职者。该系统首先实现了基于在线知识分享社区中蕴含的信息来大规模生成技能导向的面试试题。具体地,提出了一个新颖的远程监督下的技能实体识别方法,实现在少量人为数据标注的情景下对搜索引擎中包含的海量点击数据和网页标题数据高效地识别技能实体。并提出了一种基于神经网络的生成模型来生成技能导向的面试试题,其中设计了一种数据驱动下的高质量训练数据构建算法,以及一种新颖的训练方法来有效地提升面试试题生成的效果。该系统进一步实现基于搜索引擎中的点击搜索日志数据,构建一个推荐系统来帮助面试官检索合适的面试题。这里设计了一种基于图提升的试题推荐算法,从而可以针对面试官检索的一组技能高效地推荐合适的试题。最后,在采集于真实应用场景的数据集上分别有效地验证了所提方法在生成技能导向的面试试题质量和试题检索准确率这两方面的性能。第四,在人才评估方面,进一步提出了基于技能关系图的个性化笔试、面试试题推荐框架,从而实现对候选人能力的有效评估。该框架的核心是构建了一个工作技能的知识图,来全面建模人才评估中应该涉及的相关能力。具体地,首先构建了一个基于双向循环神经网络和条件随机场的模型实现对招聘数据中技能实体的抽取,通过设计了一种门机制来提升抽取效果。随后基于海量的搜索引擎中的点击数据,构建了一个新颖的标签传播算法,进一步提升了抽取到的技能实体的可靠性。然后通过设计一个基于多源内容特征下的分类模型来实现挖掘技能实体之间的上下位关系,来构建技能图。并且基于技能图设计了一种个性化的试题推荐算法,帮助提升人才评估效率。最后,在采集于真实应用场景的招聘数据上进行了大量的实验,其结果验证了所提框架每个组成部分的有效性。
汪哲宇[3]（2021）在《数字化慢病管理系统的研究与实践》文中进行了进一步梳理为了应对以长期性、非传染性与难治愈性为主要特征的慢性疾病的复杂护理需求,“慢病管理”——一种以患者为中心的新型卫生服务模式——自上世纪八十年代开始逐渐涌现并不断发展。协同护理是慢病管理区别于传统卫生服务模式的关键要素,其目标是为患者提供有组织性的协同化医疗服务。以移动健康和人工智能为代表的信息技术能够提升慢病管理的协同效率,帮助患者与护理提供者之间形成完整的闭环反馈,将循证知识与健康数据中蕴含的信息集成到管理过程之中,推动慢病管理逐渐从传统方式向全面的数字化方式过渡。虽然以慢性病照护模型为代表的慢病管理理论模型已经发展得较为成熟,且其有效性已经在多个国家得到了验证,但在当前我国的慢病管理实践中,仍然存在着一系列的关键问题,导致以协同护理为核心的数字化慢病管理技术尚未得到有效应用。同时,数字化慢病管理领域的相关实施性研究也存在着一定的局限性。针对这些关键问题,本论文系统性地研究了如何在我国的医疗场景下形成以协同护理为特征的数字化慢病管理关键方法,具体内容包括:（1）数字化慢病协同管理模型的构建与表达方法研究。针对我国慢病管理实践存在的管理角色分工不明确、缺乏数字化全流程决策支持等问题,使用路径的方式对通用性慢病管理方法进行明确可执行的表示,通过对高血压、糖尿病与慢阻肺三类常见慢病国内外指南的分析与归纳,提炼出了包含九类共通任务的通用性管理路径,并对数字化场景下各病种的具体路径进行了明确。在此基础上,面向我国管理模式构建了路径驱动的数字化协同管理模型,并通过本体对模型中包含的结构化知识与具体路径中的医学决策知识进行了表达。（2）数字化背景下面向患者依从性增强的个性化管理方法研究。针对患者自我管理依从性问题与相关个性化管理研究的局限性,一方面,从移动健康应用的个性化需求分析入手,基于目标导向型设计方法中的用户建模过程,结合相关健康行为理论,提炼了面向患者自我管理依从性提升的用户模型,结合问卷与访谈结果识别出了三类患者虚拟角色与其对应的个性化需求。另一方面,从人工智能技术的管理实践入手,基于本体与多种自然语言处理技术实现了一种根据患者特征为其推荐相关文章的个性化健康教育方法;基于强化学习技术实现了一种在虚拟管理环境中根据患者与管理师状态给出干预建议的个性化管理策略生成方法。（3）数字化慢病闭环管理系统的设计与实现。针对我国慢病管理信息化实践中存在的缺乏理论指导以及多病种集成性较低等问题,基于所构建的模型与个性化管理方法,设计并实现了包含智能服务引擎与客户端两大组件的数字化慢病闭环管理系统。智能服务引擎以通用性慢病管理路径本体为核心,能够通过多种类型的接口为系统提供数据存储与全场景决策支持服务;客户端中的医生工作平台基于共通性路径任务设计,能够辅助不同角色的医护人员执行具有时序性与闭环性的协同式管理;客户端中的患者移动终端基于所提炼的个性化需求与行为改变轮设计,能够为患者提供全方位的自我管理支持,并在一定程度上改善患者依从性。所实现系统目前已在我国多个地区进行了实际的部署与应用。（4）面向数字化慢病管理的评价体系构建与实践。针对数字化场景下管理系统评价方面存在的局限性,基于面向远程医疗的综合评估模型,提炼了包含评价角色、评价重点与评价角度三个维度的面向个体层面的数字化慢病管理评估模型,并依据该模型对所实现系统进行了不同证据水平的实践评价,包括基于系统真实数据的回顾性评价、面向慢阻肺患者的前后对比试验与面向高血压患者的随机对照试验。评价结果表明,当前系统能够帮助医护人员与患者共同合作,开展医患之间高效互动的闭环式协同管理,并在一定程度上改善患者的疾病控制情况、日常生活质量与疾病认知水平。总的来看,本论文所提出的路径驱动的数字化慢病管理系统能够在一定程度上解决我国慢病管理实践与慢病管理领域相关研究中存在的多种问题,为数字化慢病管理在我国的推广与应用提供了理论指导与实践验证。
周翔宇[4]（2020）在《面向自主船舶的危险分析方法研究》文中研究指明继蒸汽技术革命、电力技术革命、计算机及信息技术革命之后,以人工智能、物联网、云计算、虚拟现实、量子信息技术等为代表的第四次工业革命正在改变世界。信息和通信技术的进步、信息分析能力的提高为各行各业创造了革命性的发展机会,在航运业中,以更为安全、高效、绿色的方式运载货物和乘客的自主船舶正受到前所未有的关注,并已成为航运业未来的发展方向。作为航运业数字化转型和新技术革新的代表,相较于仅由人工控制的常规船舶,自主船舶将在总体设计结构、系统交互方式、动力驱动来源等方面发生颠覆性的变化,同时,随着船岸间、船舶各子系统间的互联互通,自主船舶将成为现代航运生态体系中的传感器中枢和数据生成器。在此背景下,为避免由于自主船舶的引入对当前海上交通状况可能造成的负面影响,并确保自主船舶的预期安全水平至少不低于常规船舶的现有安全水平,不仅需要关注包括航行安全、货物安全在内的传统安全,还需要考虑以网络安全为代表的非传统安全。因此,针对自主船舶的安全性开展理论研究是十分必要且具有重要意义的。本文围绕自主船舶的安全性,以危险分析方法为研究对象,在明确自主船舶运行特点的基础上,提出了一种适用于自主船舶的安全性协同分析方法。以远程控制船舶为例,使用所提出的方法对其进行了危险分析,并利用模型检测工具UPPAAL验证了危险分析结果的正确性。本文的主要研究工作及成果如下。（1）自主船舶的定义及自主水平分级方法研究。从自主船舶的历史沿革和发展历程入手,在明确自主船舶的定义及其中英文表述的基础上,分析了现有自主水平分级标准存在的局限性,并提出了一种基于航海实践的自主水平分级方法。研究结果表明,划分自主水平的关键在于能否独立于人的干预完成相应的任务或实现相应的功能,而非取决于船舶自动化水平和/或决策地点。以2艘搭载自主航行技术的测试船舶为例,相较于现有自主水平分级标准,所提出的自主水平分级方法有效避免了由于单一功能的自主实现导致船舶整体自主水平认定不准确的弊端,得出的分级结果更符合客观事实。（2）危险分析方法的适用性研究。为筛选出一种或多种能够捕获自主船舶运行特点的危险分析方法,面向自主船舶提出了一种基于系统工程的适用性评估方法。该方法依据制定的适用性评估程序,生成了以功能方式描述的系统级安全需求和与自主船舶设计目标相联系的评估准则。适用性评估过程面向29种广泛使用的危险分析方法展开,结果表明,系统理论过程分析（System-Theoretic Process Analysis,STPA）方法满足了所有的评估准则,其能够更好地理解系统行为、识别危险,并揭示危险致因因素,是目前适用于自主船舶的、最具潜力和发展前途的危险分析方法之一。（3）面向自主船舶的安全性协同分析方法研究。在明确自主船舶运行特点的基础上,考虑到日益增加的网络威胁对自主船舶系统安全性的负面影响,提出了一种基于STPA 的安全性协同分析方法,即 STPA-SynSS（STPA-based analysis methodology that Synthesizes Safety and Security）。该方法在STPA的基础上提出了 6项改进,并提供了一个识别危险并揭示危险致因因素的综合过程,有效实现了对潜在危险的持续跟踪和闭环管理。以远程控制船舶的避碰场景为例,使用所提出的方法对该场景进行了详细的危险分析,并生成了具体的危险控制策略。危险分析结果的对比分析表明,相较于STPA,STPA-SynSS能够识别出更多的不安全控制行为和损失场景,同时,能够生成更具针对性的危险控制策略,证明了该方法的有效性和先进性。（4）考虑退化组件的自主船舶安全性建模研究。使用STPA-SynSS生成损失场景时,需要考虑因组件性能退化导致的不安全控制行为。为表征自主船舶的系统安全性状态随时间退化的特性,将系统安全性分析由“二态假设”扩展为多状态。根据STPA-SynSS实例分析中构建的控制结构,对远程控制船舶的安全性进行建模,构建了服从指数分布的安全性函数和描述系统达到安全性极限状态的时间分布函数。该模型可用于指导设计人员将更有针对性的安全性设计纳入到系统中,并面向退化组件建立相应的保护机制,以避免危险从潜在状态向可能导致损失的现实事故状态转移。（5）自主船舶的形式化建模与危险分析结果验证研究。为克服危险分析结果的正确性和完整性无法得到验证的限制,创新性地将形式化方法引入危险分析过程,提出了一种基于时间自动机的STPA-SynSS扩展流程。在构建时间自动机网络模型的基础上,通过利用模型检测工具UPPAAL对系统模型的有穷状态空间进行穷尽搜索,以检验语义模型与其性质规约间的满足关系,从而验证系统建模的活性和危险分析结果的正确性。验证结果表明,远程控制船舶时间自动机网络模型无死锁且运行正确,STPA-SynSS识别的不安全控制行为均会发生,即验证了 STPA-SynSS危险分析结果的正确性,同时,证明了所提出的STPA-SynSS扩展流程的有效性。本文的研究结论为识别、控制自主船舶的潜在危险奠定了较为坚实的理论基础,在一定程度上满足了航运业对于明确并提高自主船舶安全性的迫切需求。同时,可为自主船舶的安全性设计提供参考,有力保障自主船舶的安全运营。
朱光辉[5]（2020）在《分布式与自动化大数据智能分析算法与编程计算平台》文中研究指明与传统小规模数据场景下的智能化分析应用不同,大数据场景下的智能化分析应用,不再是单一的单机AI算法模型问题,而是大数据、大模型、大计算的融合,需要同时考虑算法模型设计、大数据处理以及高效的分布并行计算问题,这对大数据智能分析基础理论方法与关键技术研究,带来了一系列新的挑战和问题。首先,现实世界大规模数据场景下的复杂数据挖掘与机器学习,存在突出的计算效率问题。大数据动摇了传统计算复杂性理论和方法。在大数据场景下,传统的多项式复杂度算法难以完成大数据、大模型计算问题,因此,需要研究设计大规模数据场景下高效的分布式并行化方法与算法,以此提升大数据智能分析计算效率。然而,高效的分布式数据挖掘和机器学习方法与算法设计,面临一系列复杂的基础理论方法与关键技术问题,不仅需要考虑单机串行算法固有的计算复杂性,还需要考虑并研究解决在分布并行环境下,大数据分布式算法的可并行度、存储、I/O和网络通信等系统复杂性,以及分布式算法性能的深度优化问题。除了计算效率问题外,现有的大数据智能分析技术和平台还存在突出的易用性问题。一方面,现有大数据智能建模方法技术门槛高、大量依赖专家经验,为此,需要研究高效的自动化机器学习（Auto ML）建模方法,以此降低AI建模技术门槛,大幅提升AI建模效率。但Auto ML自动化机器学习面临着搜索与建模方法的有效性、搜索计算效率优化等诸多基础理论方法与难点技术问题。另一方面,如前所述,大数据场景下的智能化分析应用开发,不仅仅是算法模型设计问题,还是一个大数据和大计算问题,这就需要研究解决大数据智能化分析建模与分布并行计算系统交叉融合的关键技术问题,以此构建一个融算法模型设计与大数据编程计算能力于一体的统一大数据智能分析编程计算支撑平台。围绕以上关键科学问题,本文在大数据分布式数据挖掘与机器学习、自动化机器学习以及大数据编程计算方法等基础理论与方法研究基础上,结合算法本身的重要性和技术挑战性以及业界的实际应用需求背景,首先选取了一系列基础常用、复杂性高、计算效率问题突出、且分布式算法设计难度大的数据挖掘与机器学习算法,开展了高效大规模分布式并行化数据挖掘与机器学习方法与算法研究;其次,开展了面向不同任务场景的高效Auto ML自动化机器学习方法与算法研究;最后,在融合分布式数据挖掘与机器学习以及Auto ML自动化机器学习关键技术方法与算法的基础上,研究构建了高效易用的统一大数据智能分析编程计算方法与系统平台,并进行了实际应用验证。具体而言,本文工作包括以下主要研究内容和创新:（1）研究实现了基于属性重排序的大规模分布式函数依赖发现算法。函数依赖是数据挖掘中基础常用的数据结构,但是函数依赖发现任务计算复杂度与内存复杂度高,尤其在大规模数据场景下,算法运行时间和内存开销巨大。为此,本文研究提出了基于属性重排序的大规模分布式函数依赖发现算法Smart FD。在数据预处理阶段,研究提出了一种高效的基于倾斜度和基数的属性重排序方法;在函数依赖发现阶段,研究提出了一种基于快采样早聚合机制的分布式采样方法、基于索引的验证方法以及采样验证自适应切换方法。实验结果表明,与已有算法相比,Smart FD可以实现一到两个数量级的性能提升,且具有良好的数据可扩展性与系统可扩展性。（2）研究实现了基于分布式数据并行的大规模并行化谱聚类算法。谱聚类算法聚类效果优于传统聚类算法,但其存在计算流程复杂、计算复杂度高以及计算耗时长等问题,尤其在大规模数据场景下,计算效率问题更为突出。为此,本文研究提出了基于分布式数据并行模式的大规模并行化谱聚类算法SCo S,实现了谱聚类算法中相似度矩阵构建与稀疏过程并行化、Laplacian矩阵构建与正规化过程并行化、正规化Laplacian矩阵特征向量计算并行化以及k-means聚类并行化。实验结果表明,SCo S算法在大规模数据场景下表现出了良好的数据及系统可扩展性。（3）研究实现了基于子森林均匀划分的分布式任务并行深度森林训练方法与算法。近年来,研究人员提出了可与深度神经网络相媲美的深度森林模型。但已有的深度森林训练算法是单机串行的,计算效率低、可扩展性差,难以满足大数据场景下深度森林训练的应用需求。为此,本文研究提出了基于细粒度子森林均匀划分、任务并行的分布式深度森林训练方法与算法Forest Layer,在提升计算并发度的同时,优化和降低网络通信开销。另外,进一步实现了延迟扫描、预池化以及部分传输三种系统层优化方法。实验结果表明,与已有深度森林训练算法相比,Forest Layer能够实现7到20倍的加速比,并具有近线性的可扩展性及良好的负载均衡。（4）研究实现了面向不同任务场景的Auto ML大数据自动化机器学习方法与算法。首先,针对全流程化大数据分析场景,研究提出了基于强化学习和贝叶斯优化的机器学习流水线自动化设计算法Robo ML,实现交替的流水线结构自动搜索和超参数优化。针对资源受限场景,研究提出了一种基于自适应连续过滤的Auto ML算法BOASF,将Auto ML问题统一抽象为多臂赌博机问题,通过自适应快速过滤以及自适应资源分配等方法加速Auto ML搜索过程。最后,针对终生学习场景的概念漂移问题,研究提出了基于自适应加权集成学习的自动化终生学习算法Auto LLE,集成了全局增量模型和局部集成模型,并基于时间窗口和误差度量自适应调整各模型权重,有效捕捉概念漂移,大幅提高模型的准确性。（5）研究实现了高效的Auto DL大数据自动化深度学习方法与算法。为了提升深度神经网络超参数优化的计算效率,研究提出了一种结合渐进多保真度优化和Successive Halving优化的超参数优化方法Fast HO,通过尽早过滤掉表现较差的超参数配置,并为剩余超参数配置分配更多的资源,从而提升超参数优化的效率。其次,为了提升深度神经网络架构搜索效率,研究提出了基于最小化离散性能偏差的可微分架构搜索算法MGDARTS,通过设计更容易饱和的权重函数以及对超网络每条边的权重之和做整体性约束,尽量减少超网络离散化后的性能损失。实验结果表明,所提出的算法优于现有算法的性能。（6）研究实现了高效易用的统一大数据智能分析编程计算方法与平台。为了有效支持大数据智能化分析应用的开发,在融合上述分布式数据挖掘与机器学习以及Auto ML自动化机器学习关键技术方法与算法的基础上,研究设计并实现了一个支持多计算模式、高效易用的跨平台统一大数据智能分析编程模型与计算平台。首先研究提出了覆盖表模型、矩阵模型、张量模型、图模型、流式数据模型等多种计算模型的跨平台统一大数据智能分析编程计算模型。在此基础上,研究设计了基于计算流图的大数据智能分析编程方法。其次,研究实现了统一大数据智能分析平台集成框架以及跨平台统一的作业调度方法。最后,基于统一大数据智能分析与可视化编程系统平台,进行了实际的应用验证。本文工作发表第一作者研究论文7篇（其中CCF A类期刊/会议论文2篇,B类期刊/会议2篇,中文CCF A类期刊论文1篇）。此外,在Auto ML自动化机器学习方面的研究工作,在Neur IPS、KDD、PAKDD等国际顶级人工智能会议上举办的Auto ML大赛中,共计荣获9项大奖,并在教育部主办的第五届中国“互联网+”大学生创新创业大赛中,荣获全国金奖。另外,大规模分布式数据挖掘与机器学习以及Auto ML自动化机器学习等相关技术研究成果已转让给国内华为、360等多个大型IT企业落地应用。
陈继智[6]（2020）在《教育本体自动构建关键技术研究》文中认为教育信息化和智慧教育是未来教育的发展趋势。教育信息化的一个重要特点是教育智能,即借助于互联网提供优质的个性化智慧学习环境,满足学习者、教学者和管理者的个性化需求,实现学习资源的有效分享和重用,提高教育效益。简单地说,学习过程是一个知识获取过程,因此,智慧教育涉及一个知识传播和知识获取环境问题。可以说,智慧教育基础设施是一个知识平台,从而,知识和学习成分的识别、形式化、组织和可持续使用问题就变得十分重要。某种程度上,智慧教育一个主要问题就成了知识管理和共享问题。因此,如何有效地将教学资料、教学方案和教学过程等教育要素知识化构成了新的挑战。具体说,智慧教育的迫切需求是如何在教学资料、教学方案和教学过程的知识化中引入语义智能。本体作为一种明确的概念化体系规范,可以很好满足上述教育信息化和智能化的要求。并且本体最重要的一个特点就是知识共享和重用,并使之能够机器处理。因此本文对面向教育应用的本体（教育本体）展开了深入研究。教育本体是实现教育信息化和智慧教育的一种重要工具和手段,但是如何构建教育本体呢?在传统的本体学习中,本体构建基本上是靠手工完成的,它不仅费时且容易出错,构建过程也很乏味枯燥且不易扩展。随着数据数量的大量增加,涉及面的延展,手工构建已经无法满足需求,因此自动地去构建领域本体成为了迫切需求。本学位论文旨在研究如何结合本体和智慧教育的特点来自动构建教育本体,提出了一个本体自动构建框架来实现本体的自动构建。与此同时,针对构建过程中的相关技术难点（包括教育知识的自动获取,教育知识之间隐藏关系的挖掘等等）,本文研究了所需的若干关键技术（如知识抽取、共指消解、本体自动扩展等）,提出了相应的解决方法,为推动自动化构建技术提供基础支撑。本文的主要研究内容如下:·针对教育本体自动构建和扩展方法的缺失,设计了一个教育本体并提出了一个教育本体自动构建和扩展框架。首先,我们提出了一个包含三个子类（教程教材、辅导资料、个人知识）的教育领域基础本体。然后针对此本体,我们又提出一个逐步扩展的本体自动构建框架,主要思路是,借助自然语言处理领域中若干技术自动从文本数据中抽取知识形成了一个原始本体。最后考虑到本体的生态扩展,在原始本体的基础上,进一步提出了本体的自动扩展框架。以上的方法在中学物理教材的知识数字化上进行了实现,有效成功地构建了一个面向中学物理学科的物理教育本体。·针对教育本体构建中已有方法无法解决的多头问题（Multi head Problem）,一个教育本体构建中广泛遇到的问题,提出了一种有效的知识联合抽取方法。该方法解决了现有端对端联合抽取模型中无法解决的多头问题。该方法首先引入了一种新颖的双重标注方案,然后根据该标注方案,提出了一种实体信息传播的模型,用于将抽取任务转化为双重标签序列预测问题。在公共数据集和物理教育本体数据集上的实验结果表明,该方法能有效地处理多头问题。·针对教育本体构建中已有方法无法解决的多关系问题（Multi relation Problem）,提出了一种基于形式化概念分析的知识联合抽取方法。该方法主要采用形式化概念分析（FCA）对具有语义关联的关系进行聚类,该聚类类似于本体中概念,负责将实体之间多关系（1-N-1）情况归纳为一对一的情况。这样就可以利用端对端的联合抽取模型进行知识的抽取。同样地,在公共数据集和物理教育本体数据集上的实验结果显示,该方法能有效处理多关系问题,而且可以发掘实体之间潜在的关系。·针对教育本体构建中已有共指消解方法的低效和全局不一致性问题,提出了一个基于图神经网络的共指消解模型。该方法是一种实体提及对共指消解图模型,主要是为了解决当今需要考虑整个文档所有文本跨度来实现共指消解的低效问题。由于现有的很多方法需要考虑整个文档的所有文本跨度,导致模型的时间复杂度很高为（O（T4））,因此作者将共指消解映射为一种关系图,借助图卷积神经网络的方法,对实体提及对进行分类来判断是否存在共指关系。实验结果证明,该方法在共指消解上的高效性和有效性。这些模型和方法均在面向中学物理学科的物理教育本体自动构建中进行了实用化验证。
帅奕男[7]（2020）在《智慧社会的司法范式转型》文中提出本文旨在从法治范式变革的视角研究司法的范式转换问题。“司法范式”体现的是法官默认的司法逻辑和价值取向,司法范式的变化是与法治范式的变革密切相关的。因为法治范式体现了人们对法律系统所处的社会所持有的一般看法,这种看法构成了人们的立法实践和司法实践的背景性理解。因此,本文在法治范式的语境中,对现代司法范式的基本内涵、形态演化、面临的信息化挑战及发展趋向进行探讨,提出面向智慧社会的司法范式构想。除了导论和结语外,本文共分为四章。导论部分梳理了中外学者对智慧社会司法范式转型相关问题的研究现状,介绍了选题缘由、研究思路、研究方法和可能的创新之处。结语部分阐述了智慧司法与中国司法的转型策略,认为智慧司法是国家战略发展的必然选择,也是法律系统内部转型革新的契机,但是需要在法治框架内把握技术介入司法领域的尺度。正文部分的内容具体如下:第一章界定了司法范式的内涵,考察了现代司法范式的形态演变,并提出司法范式演变的逻辑线索。在对司法范式的法治语境进行回顾分析的基础上,本章认为司法范式的现代性内涵包括三个方面,其一是法官立足于个人主体性对案件事实和法律适用作出的司法判断,其二是逻辑化、理性化的司法推理,其三是具有独立于司法结果之正义价值的司法程序。沿着司法范式现代性内涵的思路,本章对西方现代化进程中自由竞争阶段、福利国家阶段、安全保障国家阶段所对应的三种司法范式——形式司法、实质司法、协商司法的特征和具体内涵进行界定和阐述。自由主义范式的形式司法以服从实在法规则为特征,依赖于独立的司法权力机构通过严格的法律推理来解决具体冲突。其背景在于自由主义法治范式以形式理性为基础,通过理性经济人的假定和规则至上的信念来构架其制度体系,法律的一般化和体系化意味着法官需要在普遍性的法律原则或法律规则中寻找“决定性意义的原因”,以严密而精准的逻辑方法进行司法判断。福利国家法治的实质司法以目的导向推理为特征,司法权越来越多地介入到政府政策的形成过程中,司法程序也从关注形式公正转向关心实质公正。其背景在于自由竞争下生产和资本的集中化加强了垄断性资本的力量,经济权力、物质财产和社会状况的不平等与日剧增,自由主义法治所带来的国家与社会、政治与法律的分离以另一种方式走向整合,福利国家的实质法逐渐地导向了社会角色和社会地位,并在司法领域表现为法律判断和道德判断的整合。程序主义法治范式背景下的协商司法以沟通保障的司法程序为特征,表现为通过建立平等自由的对话空间以促进司法主体间协商沟通,进而达成共识。其背景在于法律结构和科层结构难以应对国家干预过于密集所带来的社会复杂情势,面向实质平等的权利保障也在一定程度上侵害了个人自主性的实现,这促使法律和司法转向通过组织规范和程序规范实现社会整合。司法范式的演化动力一方面来自于外部的社会条件变化,新的社会结构和组织原则通过制度化吸收到基本的法律结构中,进而影响司法的价值取向;另一方面来自于司法实践的内部反思,司法系统也在纠纷解决中不断探索如何通过方法的运用、制度的设计,更好的促进司法正义的实现。第二章考察了司法范式面临的信息化挑战。信息时代的到来正在改变传统的社会结构和组织原则,计算机、互联网与大数据的结合不仅消解了理性思辨在知识生产和权力架构中的话语地位,而且对围绕能量与物质构建起来的现代法治秩序带来冲击。在这个过程中,司法作为法治体系的有机组成部分以及“微观社会矛盾纠纷的灵敏显示器和社会治理状态的预警机”,首当其冲的感受到社会信息化与建构理性碰撞磨擦的冲击力。这就使得现代司法范式在信息化背景下面临着三重挑战:其一是双重空间对既有司法裁判规则和场域形成的冲击,其二是平台治理对国家法律的中心主义和司法至尊的地位的消解,其三是司法智能化对以法学专业知识为基础的现代司法理念带来的挑战。第三章分析了司法范式的智慧化转型趋向。随着技术对社会解析的不断加深,物理时空发展起来的司法理念与司法制度难以应对“微粒社会”的高速数字化进程,新的知识力量深度的参与到司法权力的运作之中。在司法规则方面,实体性规则和程序性规则被转化为计算机化的表达形式,甚至直接以代码生成规则,通过算法和程序设计实现自动化规制。在司法裁判方面,智能系统为各类案件提供“定制化”的证据指引、类案推送以及评估预测,使裁判结果更加具有连续性、一致性和可预见性,呈现出程式化的算法决策趋向。在司法过程方面,司法运作的场域逐渐从“广场式”“剧场式”的物理空间结构转向远程审理、人机交互、个性定制的多维立体空间,呈现出分众在线的场景化运作趋势。在司法服务方面,依托诉讼服务平台,精准定位、智能预判的个性化的诉讼指导增加了公众与司法部门的黏性,提供了更加有效和便捷的“接近正义的方式”。与此同时,新兴技术力量与司法权力运作的结合也指向了一个全景敞视的可以精细识别不同苦乐场景的智能控制机制,我们需要在新的法治框架中对司法范式进行设想和探讨。第四章提出面向智慧社会的司法范式构想。现代法治范式的研究与现代性社会转型有着本质上的勾连,是一种与现代性社会转型密切相关、对现代性进行智性反思的法律知识形态的变化。本章吸收了现代法治理论中的反思要素,并与社会学的反思性理论进行勾连,对法律与社会特性进行“双向阐释”,提出面向后现代的智慧法治范式,并在这种新型法治范式中塑造司法范式的形态。首先,为智慧时代的司法价值注入数字正义的内涵,使其内在的反映信息社会资讯化、符号化的思考和行为方式。其次,充分意识到智慧司法中人脑决策与智能决策之间的协同关系,推动演绎逻辑与计算知识的融合运用,使司法逻辑内在地反映双重空间、人机混合、算法主导时代的行为规律和新型法律关系。最后,通过数据、平台与司法活动参与者之间的互动,司法应突破仅仅被理解为是一种事后救济手段的设定,发挥纠纷预防的社会治理功能,应对智慧社会的风险和变化。
王冬冬[8]（2020）在《教师研修社区学习者模型构建及应用研究 ——以“A”教师培训平台为个案》文中研究表明伴随我国教育事业发展得如火如荼,帮助教师队伍建立过硬的职业素养与全面的行业素质,将是未来教育事业发展的重要趋向。建立健全即符合教师实际需求又具备先进理论支撑的教师培训体系是教师队伍综合素质提升的关键。教育兴国,科技助教,互联网技术以广泛的适用范围与卓越的实际效果,已然渗透至行业的方方面面。网络研修社区作为近期一经兴起便立刻成为讨论焦点的教师研修新思路,如今已在试点城市推行过程中成效显着,具有可观的实际成效。“A”教师培训平台是当前教师网络研修社区平台中,具有一定影响力的主流平台的代表。与诸多教师网络研修社区类似,其立足于远程培训与网络研修两大支柱功能,同时为教师进行集体研学交流,分组教研探讨,交流教学心得,交互经典案例提供平台支撑。再者,伴随多年运营以及使用经验,平台对于各成员自身个人信息以及相关学习行为加以统计,纳入大数据库。借助海量多维数据对其进行综合性归纳整合,进一步勾画出更具针对性与实践性的学习者画像,能够将学习者信息以及特点进行直观表现,对于教师培训平台优化培训效率,优化培训体系具有重大意义,能够为最大化地满足求学者以及教学者所需,为全面提高培训质量夯实根基。因此,本研究以网络研修社区支持科学决策和高效管理为大方向,选择“A”平台为实验平台,通过对“A”平台的改造,将以近期大家关心的重要命题——网络研修社区的学习者画像为目标,以网络研修社区学习者模型建构为研究主题。首先,对于平台数据进行归纳整理,并对其进行预处理,立足于业务实际需求,建立更具全面性的数据汇聚表,从而,进一步设计数据资产评估报告;其次,选用主成分分析法,围绕学员实际情况设计综合评价体系,随后,邀请专家对于该体系精确度与待优化部分进行微调;再次,笔者尝试选择k-means算法,以平台学员为对象进行聚类分析,对于各学员维度具体情况进行针对性剖析,依据学员平台学习实践过程中暴露出的缺陷,提出切实可行的优化举措;最后,采用协同过滤算法,进一步做好平台对口教学资源以及教培课程的自动推荐,为用户推荐关联度较高的学习伙伴,并及时推荐研修活动信息,依据其最终数据验证推荐成效。研究成果主要在于:其一,进一步为教师网络研修社区平台大数据埋点与收集提供理论指导,构设较为先进科学的数据汇聚表,建立更具针对性与全面性的数据仓库;其二,打造立体化、多元化能够完美契合学习行为逻辑与步骤的评价模型;其三,帮助平台教师以及管理负责人更直观地了解学习者自身实际情况,进一步为学员自动推荐对口学习服务以及学习伙伴,真正确保课程快速推进,捕捉大众需求热点,给予学员更具针对性与实践性的课程学习体系;其四,借助本研究成果,能够为同类型数据挖掘实证调研以及相近领域优化模式贡献一些思路。
朱士蓉[9]（2020）在《远程环境中学习者特征模型的研究》文中认为信息时代推进远程教育的飞速发展,而科技发展的双刃剑使得远程学习的机遇和挑战并存。本研究以远程学习者特征为突破口,从中发现问题并提出改进策略,以期在充分了解远程学习者及其学习过程和学习情况的基础上提高远程学习效率。首先,对国内外的远程学习进行文献综述,指出学习者特征是提高远程学习效率的关键点。在此基础之上对远程学习等相关概念进行界定,分析远程学习与个性化学习的关联,并分别从远程学习基础理论、自我导向学习理论、行为学习理论、社会认知理论为视角,论证认清远程学习的必要性和重要性,为探讨与分析构建现代远程环境学习者模型以及各方面的关系奠定了基础。其次,在梳理远程学习者特征要素的理论基础之后,选择班杜拉的三方互惠决定论因果模型作为理论基础。利用扎根理论的研究思路,基于国内外有关学习者特征的相关研究筛选出影响远程学习者学习的主要特征因素,并结合领域专家意见,进行编码、选择与归类,从远程学习者背景特征、心理特征、行为特征三个维度构建现代远程环境中学习者特征概念模型。再次,以现代远程环境下学习者特征的概念模型为基础,从远程学习者的背景特征、心理特征和行为特征三个维度设计指标体系,并根据指标体系的相关内容进行数据收集。之后借助SPSS21.0软件对数据进行描述统计、相关、回归等方法处理,以探寻远程学习情况、远程学习的影响特征及特征对学习成绩的影响。最后,结合数据处理结果对远程学习者概念模型进行修改,最终建立现代远程环境下学习者特征模型。最后,根据案例分析得出结果:1)现代远程学习环境中的学习者基本学习情况较好,但仍有亟待改进之处;2)不同学习背景的远程学习者在心理特征和行为特征方面存在差异;3)现代远程学习者心理特征部分要素之间及行为特征部分要素之间存在相关关系;4)远程学习者成绩受发帖量（0.084）、学习时长（0.062）、成绩反馈（0.216）、学习评价（0.381）、学习期望（-0.133）、自我效能感（0.106）等因素影响。之后,根据研究结论,从利益相关者的视角,对远程学习者、远程授课教师、远程课程设计者、教育教学管理者提出远程学习的改进方法与策略。
华同兴[10]（2020）在《采煤机生产过程自动化管理技术研究》文中进行了进一步梳理我国的能源结构是“富煤、少油、缺气”,这一特点决定了在未来几十年里,在我国一次能源结构中,煤炭将长期处于主体能源地位,以煤炭为主的能源消费框架不会发生改变。近年来随着综采工作面机械化不断提高和人工智能技术的快速发展,煤矿无人化、自动化、智能化开采已经成为当今矿业领域研究的热点。作为综采工作面的核心装备,采煤机自动化管理技术是实现工作面自动化开采的重要基础。论文以采煤机自动化管理的关键技术展开了研究,在分析了目前采煤机自动化技术存在不足的基础上,综合应用了三维地质建模、地质统计学、智能算法、计算机模拟仿真、捷联式惯性导航、多源数据融合、遗传优化算法等多项理论与技术,系统研究了采煤机在复杂地质条件下实现自动化管理的关键技术,为记忆割煤技术存在的局限性提供新的解决思路。论文主要的研究结果有:（1）提出了基于机器深度学习算法Faster R-CNN的煤岩识别方法,利用大量图片数据集对Faster R-CNN网络进行了训练,训练后的网络可以快速地检测到图片中的煤与岩石,与传统的煤岩图像识别方法相比,该方法识别速率更快,智能化更高。（2）以综采工作面地质钻孔以及虚拟钻孔信息作为原始数据,采用Delaunay三角网逐点插入剖分法→TIN-GTP“放样”生成煤层三维地质模型,并应用信息融合算法对构建的煤层模型精度进行修正,利用计算机进行了模拟仿真,结果表明该方法可以有效地提高煤层模型的精度。（3）通过建立采区统一坐标系以及调整惯性导航系统的参考坐标系实现了采煤机在煤层中的绝对定位定姿,并在此基础上提出了基于煤层地质模型的预设割煤线路技术,该技术主要用于地质条件相对复杂、煤层起伏变化较大的工作面,并在山西某矿进行了试验,通过分析收集到的数据验证了该技术的可行性。（4）利用遗传算法在满足采煤工艺约束条件下,对采煤机的割煤线路进行了优化,优化后的割煤线路更加平滑,同时工作面的回采率达到了最优。（5）对采煤机自动化管理平台架构进行了总体的规划,并对平台中各个模块的功能和界面进行了设计。
二、智能化远程学习支持系统——领域建模方法的分析与比较（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、智能化远程学习支持系统——领域建模方法的分析与比较（论文提纲范文）
（1）集成决策的情境感知业务流程一体化建模方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 选题意义 |
| 1.2 研究内容与创新点 |
| 1.2.1 主要研究内容 |
| 1.2.2 研究创新点 |
| 1.3 研究方法与论文框架 |
| 1.3.1 研究方法 |
| 1.3.2 论文框架 |
| 2 基本概念理论与文献综述 |
| 2.1 基本概念界定与分析 |
| 2.1.1 物联网 |
| 2.1.2 情境 |
| 2.1.3 业务流程 |
| 2.1.4 业务流程的情境 |
| 2.1.5 情境感知的业务流程 |
| 2.2 基础理论概述 |
| 2.2.1 业务流程管理及其灵活可变性 |
| 2.2.2 业务流程建模的方法与技术 |
| 2.2.3 业务流程的DMN决策模型 |
| 2.2.4 情境管理及其语义层级 |
| 2.2.5 情境建模的方法与技术 |
| 2.3 业务流程建模的相关综述 |
| 2.3.1 传统的业务流程建模 |
| 2.3.2 物联网环境下的业务流程建模 |
| 2.3.3 情境感知的业务流程建模 |
| 2.3.4 集成决策的业务流程流程建模 |
| 2.4 本章小结 |
| 3 情境感知业务流程的决策角色分析模型 |
| 3.1 情境感知业务流程的概念模型 |
| 3.1.1 情境概念的金字塔模型 |
| 3.1.2 业务流程情境的概念定义 |
| 3.1.3 情境感知业务流程的概念定义 |
| 3.2 决策驱动情境感知业务流程的建模与执行 |
| 3.2.1 决策的类别和层级 |
| 3.2.2 面向流程灵活性 |
| 3.2.3 面向个性化服务 |
| 3.2.4 面向知识密集型任务 |
| 3.3 决策连接业务流程及其情境的理论表达 |
| 3.3.1 集成决策的业务流程结构的规范表达 |
| 3.3.2 业务流程情境感知可变性的规范表达 |
| 3.4 决策的关键角色分析模型 |
| 3.5 本章小结 |
| 4 基于决策的Deci-CaBPM情境感知业务流程建模框架方法 |
| 4.1 面向情境感知的CaDMN扩展决策建模方法 |
| 4.1.1 决策模型中情境区分的需要 |
| 4.1.2 数据输入组件的情境区分扩展 |
| 4.1.3 显示化情境的CaDMN扩展决策模型 |
| 4.2 基于CaDMN构建情境感知业务流程的系统步骤 |
| 4.2.1 阶段A:集成决策的业务流程一体化建模 |
| 4.2.2 阶段B:情境感知的流程变体建模 |
| 4.2.3 阶段C:业务流程情境建模 |
| 4.3 例证分析 |
| 4.3.1 阶段A:实例流程与其一体化建模 |
| 4.3.2 阶段B:情境感知的易变质商品运输流程建模 |
| 4.3.3 阶段C:易变质商品运输流程的情境建模 |
| 4.3.4 Deci-CaBPM应用的分析与评估 |
| 4.4 本章小结 |
| 5 物联网环境下情境感知业务流程的应用架构 |
| 5.1 传统的业务流程生态系统 |
| 5.2 情境感知的业务流程生态系统 |
| 5.3 连接物联网环境与生态系统 |
| 5.3.1 架构路线 |
| 5.3.2 物联网基础设施 |
| 5.3.3 融合物联网的情境模型 |
| 5.3.4 情境驱动的动态数据分析模型 |
| 5.3.5 情境强化的决策模型 |
| 5.3.6 情境感知业务流程的模型与执行 |
| 5.4 本章小结 |
| 6 基于港口物流行业的案例应用验证 |
| 6.1 研究案例背景 |
| 6.2 港口物流流程模型构建 |
| 6.2.1 基于日志挖掘的港口物流流程描述 |
| 6.2.2 基于BPMN的港口物流流程建模 |
| 6.3 集成决策的港口物流流程一体化模型构建 |
| 6.3.1 基于DMN的港口物流流程决策建模 |
| 6.3.2 基于BPMN+DMN的港口物流流程一体化建模 |
| 6.4 物联网应用驱动的港口物流流程重组需求分析 |
| 6.4.1 物联网基础设施的改造应用 |
| 6.4.2 汽车提货子流程面向情境感知可变性的进化需求 |
| 6.5 基于CaDMN的汽车提货流程决策维度优化建模 |
| 6.5.1 融合情境的汽车提货决策信息需求DRD构建 |
| 6.5.2 汽车提货决策模型的决策逻辑BKM具体化构建 |
| 6.6 支持汽车提货风险决策的数据分析模型构建 |
| 6.7 识别低层情境数据构建完整汽车提货CaDMN决策模型 |
| 6.8 情境感知的汽车提货流程模型构建 |
| 6.8.1 情境感知节点的识别 |
| 6.8.2 情境感知进化的适应性调整需求分析与流程片段设计 |
| 6.8.3 进化构建情境感知的汽车提货流程以获取灵活可变性 |
| 6.9 汽车提货流程的顶层情境模型构建 |
| 6.9.1 汽车提货顶层情境实体的识别 |
| 6.9.2 基于本体的汽车提货流程情境顶层建模 |
| 6.10 研究案例的管理分析 |
| 6.11 本章小结 |
| 7 总结与展望 |
| 7.1 研究结论与工作总结 |
| 7.2 研究工作的展望 |
| 参考文献 |
| 附录A |
| 索引 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）面向智能招聘的数据挖掘方法及其应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 本研究工作面临的主要挑战 |
| 1.3 国内外发展现状 |
| 1.3.1 人才吸引 |
| 1.3.2 人才筛选 |
| 1.3.3 人才评估 |
| 1.4 研究内容与主要贡献 |
| 1.5 组织结构 |
| 第2章 基于技能预测的岗位需求文本自动生成 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.2.1 招聘分析 |
| 2.2.2 自然语言生成 |
| 2.2.3 概率主题模型 |
| 2.3 问题定义 |
| 2.4 基于技能预测的岗位需求自动生成框架(Cajon) |
| 2.4.1 能力感知下的神经主题模型(CANTM) |
| 2.4.2 能力感知下的岗位需求生成神经模型(CANJRG) |
| 2.4.3 能力感知下的策略梯度训练算法(CAPGTA) |
| 2.5 实验分析 |
| 2.5.1 实验数据 |
| 2.5.2 训练参数与环境设置 |
| 2.5.3 基准算法 |
| 2.5.4 评价指标 |
| 2.5.5 实验结果及分析 |
| 2.5.6 生成示例研究与讨论 |
| 2.6 本章小结 |
| 第3章 基于技能感知的人岗匹配 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.2.1 人岗匹配分析 |
| 3.2.2 基于深度学习的文本分类与匹配 |
| 3.2.3 基于文本信息的推荐算法 |
| 3.3 问题定义 |
| 3.4 基于技能感知的人岗匹配框架(TAPJFNN)描述 |
| 3.4.1 词级别招聘文本表征 |
| 3.4.2 基于主题的技能感知的层级别表征 |
| 3.4.3 人岗匹配预测 |
| 3.5 人岗匹配的应用 |
| 3.5.1 人才初筛 |
| 3.5.2 岗位推荐 |
| 3.6 实验分析 |
| 3.6.1 实验数据 |
| 3.6.2 训练参数与环境设置 |
| 3.6.3 基准算法 |
| 3.6.4 评价指标 |
| 3.6.5 人才初筛实验结果及分析 |
| 3.6.6 岗位推荐实验结果及分析 |
| 3.6.7 引入非文本特征的结果与讨论 |
| 3.6.8 案例分析与讨论 |
| 3.7 本章小结 |
| 第4章 专业技能导向的面试题库自动生成和试题检索 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 智能面试辅助 |
| 4.2.2 技能实体识别 |
| 4.2.3 文本生成 |
| 4.3 技能导向试题生成框架描述 |
| 4.3.1 远程监督下的技能识别 |
| 4.3.2 面试试题生成 |
| 4.4 技能导向的试题检索算法描述 |
| 4.4.1 技能推荐 |
| 4.4.2 面试试题检索 |
| 4.5 技能导向试题生成实验结果分析 |
| 4.5.1 技能实体识别的性能分析 |
| 4.5.2 问题生成的性能分析 |
| 4.6 技能导向检索算法实验结果分析 |
| 4.6.1 技能推荐的性能分析 |
| 4.6.2 试题检索的性能分析 |
| 4.6.3 案例分析和讨论 |
| 4.7 本章小结 |
| 第5章 基于技能关系图的个性化笔试、面试试题推荐 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.2.1 智能人才评估 |
| 5.2.2 实体抽取和关系抽取 |
| 5.3 DuerQuiz框架描述 |
| 5.3.1 技能实体抽取 |
| 5.3.2 技能实体过滤 |
| 5.3.3 技能关系抽取 |
| 5.3.4 个性化问题推荐 |
| 5.4 技能图构建性能分析 |
| 5.4.1 技能实体抽取的性能分析 |
| 5.4.2 技能实体过滤的性能分析 |
| 5.4.3 技能关系抽取的性能分析 |
| 5.5 试题推荐的性能分析 |
| 5.6 案例分析和讨论 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（3）数字化慢病管理系统的研究与实践（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写、符号清单和术语表 |
| 第一章 绪论 |
| 1.1 慢病管理概述 |
| 1.1.1 慢病的定义与分类 |
| 1.1.2 慢病的全球化流行趋势 |
| 1.1.3 慢病管理的定义与基本要素 |
| 1.1.4 我国慢病流行趋势及管理现状 |
| 1.2 慢病管理领域研究综述 |
| 1.2.1 基于协同护理的慢病管理理论模型发展综述 |
| 1.2.2 基于CCM框架的慢病管理实施性研究综述 |
| 1.3 数字化慢病管理研究进展及应用实践 |
| 1.3.1 数字化背景下的慢病管理理论模型发展 |
| 1.3.2 数字化背景下的慢病管理实施性研究进展 |
| 1.3.3 数字化慢病管理国内外代表性应用实践 |
| 1.4 关键问题分析与论文研究内容 |
| 1.4.1 关键问题分析 |
| 1.4.2 论文的研究内容及创新点 |
| 第二章 路径驱动的数字化慢病协同管理模型构建与表达 |
| 2.1 路径驱动的数字化慢病协同管理模型构建 |
| 2.1.1 通用性慢病管理路径提炼与多病种实现 |
| 2.1.2 面向我国管理模式的数字化协同管理模型构建 |
| 2.2 基于本体的模型知识表达与验证 |
| 2.2.1 本体相关概念与构建方法 |
| 2.2.2 慢病协同管理模型基础本体构建 |
| 2.2.3 基于演绎推理的路径化决策支持 |
| 2.2.4 本体构建结果与技术性评估 |
| 2.3 本章小结 |
| 第三章 面向患者依从性增强的个性化管理方法研究 |
| 3.1 基于健康行为理论的患者个性化管理需求分析 |
| 3.1.1 移动健康应用设计方法概述 |
| 3.1.2 面向自我管理依从性增强的用户模型提炼 |
| 3.1.3 用户虚拟角色构建与需求识别 |
| 3.2 基于健康推荐系统的个性化健康教育方法研究 |
| 3.2.1 健康推荐系统相关概念与研究进展 |
| 3.2.2 健康知识推荐系统的设计与实现 |
| 3.2.3 基于测试集的推荐系统评估 |
| 3.3 基于强化学习的个性化管理策略生成方法研究 |
| 3.3.1 强化学习相关理论与研究进展 |
| 3.3.2 策略生成模型的设计与实现 |
| 3.3.3 基于虚拟环境的训练结果与模型评估 |
| 3.4 本章小结 |
| 第四章 数字化慢病闭环管理系统设计与实现 |
| 4.1 面向全场景决策支持的智能化慢病服务引擎构建 |
| 4.1.1 以引擎为核心的系统整体架构设计 |
| 4.1.2 基于多种软件框架的云端引擎实现 |
| 4.2 基于路径任务的医生协作工作平台设计与实现 |
| 4.2.1 路径任务驱动的协作工作平台功能设计 |
| 4.2.2 基于网页的协作工作平台功能实现 |
| 4.3 基于行为改变技术的患者移动终端设计与实现 |
| 4.3.1 行为改变轮驱动的干预功能设计 |
| 4.3.2 面向多平台的移动终端功能实现 |
| 4.3.3 面向患者依从性的移动终端试点性应用评价 |
| 4.4 系统部署与实际应用情况 |
| 4.5 本章小结 |
| 第五章 面向数字化慢病管理的多维度评价体系研究 |
| 5.1 数字化慢病管理系统多维度评价体系构建 |
| 5.1.1 慢病管理领域评价方法概述 |
| 5.1.2 面向个体层面的数字化慢病管理评估模型提炼 |
| 5.2 基于系统观察性数据的回顾性评价 |
| 5.2.1 研究设计与数据分析方法 |
| 5.2.2 回顾性评价结果总结 |
| 5.3 基于多层次临床试验的前瞻性评价 |
| 5.3.1 探究慢阻肺患者院外管理效果的前后对比试验 |
| 5.3.2 探究高血压患者院外管理效果的随机对照试验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 个人简历 |
| 攻读博士学位期间的主要研究成果 |
（4）面向自主船舶的危险分析方法研究（论文提纲范文）
| 创新点摘要 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究的必要性及意义 |
| 1.3 国内外相关研究现状及进展 |
| 1.3.1 自主船舶的安全性研究 |
| 1.3.2 危险分析方法的发展与演变 |
| 1.3.3 系统理论过程分析的应用 |
| 1.4 自主船舶安全性研究中存在的问题及解决思路 |
| 1.5 主要研究内容与结构框架 |
| 1.5.1 主要研究内容 |
| 1.5.2 结构框架 |
| 1.6 本章小结 |
| 2 自主船舶的定义及其自主水平的界定 |
| 2.1 自主船舶的历史沿革 |
| 2.2 自主船舶的发展历程 |
| 2.3 自主船舶的定义与自主化演变 |
| 2.3.1 自主船舶的定义 |
| 2.3.2 船舶自主化的演变 |
| 2.4 自主水平分级标准 |
| 2.4.1 LR自主水平分级标准 |
| 2.4.2 NFAS自主水平分级标准 |
| 2.4.3 DMA自主水平分级标准 |
| 2.4.4 MASRWG自主水平分级标准 |
| 2.4.5 BV自主水平分级标准 |
| 2.4.6 IMO自主水平分级标准 |
| 2.5 自主水平分级标准的划分依据 |
| 2.6 基于航海实践的自主水平分级方法 |
| 2.7 实例分析 |
| 2.7.1 “Folgefonn”号渡轮自主水平分级 |
| 2.7.2 “Falco”号渡轮自主水平分级 |
| 2.8 本章小结 |
| 3 面向自主船舶的危险分析方法适用性评估 |
| 3.1 危险分析方法的选取与概述 |
| 3.1.1 基于事件链的危险分析方法 |
| 3.1.2 基于能量转移的危险分析方法 |
| 3.1.3 基于状态迁移的危险分析方法 |
| 3.1.4 基于系统理论的危险分析方法 |
| 3.1.5 其他危险分析方法 |
| 3.2 基于系统工程的适用性评估方法 |
| 3.2.1 文献综述的数据准备 |
| 3.2.2 危险分析方法的筛选 |
| 3.2.3 评估程序的确定 |
| 3.2.4 评估准则的生成 |
| 3.3 适用性评估过程 |
| 3.3.1 聚类分析 |
| 3.3.2 适用性评估结果 |
| 3.4 适用性评估结果分析 |
| 3.4.1 存在局限性的危险分析方法 |
| 3.4.2 STPA的适用性分析 |
| 3.5 本章小结 |
| 4 面向自主船舶的危险分析与安全性建模 |
| 4.1 自主船舶的系统安全描述 |
| 4.1.1 自主船舶的运行特点 |
| 4.1.2 自主船舶面临的系统风险 |
| 4.2 危险分析的基本原理 |
| 4.2.1 危险及其相关术语的定义 |
| 4.2.2 危险的转化 |
| 4.2.3 危险分析过程 |
| 4.3 基于STPA的安全性协同分析方法 |
| 4.3.1 STPA及其扩展方法的局限性 |
| 4.3.2 STPA-SynSS的提出 |
| 4.4 考虑退化组件的自主船舶安全性建模 |
| 4.5 实例分析 |
| 4.5.1 基于STPA-SynSS的远程控制船舶危险分析 |
| 4.5.2 考虑退化组件的远程控制船舶安全性建模 |
| 4.6 STPA-SynSS与STPA危险分析结果的对比分析 |
| 4.7 本章小结 |
| 5 面向自主船舶的形式化建模与危险分析结果验证 |
| 5.1 形式化方法概述 |
| 5.2 基于时间自动机的模型检测方法 |
| 5.2.1 模型检测的基本原理 |
| 5.2.2 时间自动机理论 |
| 5.2.3 时间自动机网络 |
| 5.2.4 模型检测工具UPPAAL概述 |
| 5.3 基于时间自动机的STPA-SynSS扩展流程 |
| 5.4 远程控制船舶时间自动机网络模型的构建 |
| 5.5 STPA-SynSS危险分析结果的验证 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间的科研成果 |
| 致谢 |
（5）分布式与自动化大数据智能分析算法与编程计算平台（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与概况 |
| 1.1.1 研究背景与基本问题 |
| 1.1.2 难点技术与关键科学问题 |
| 1.1.3 国内外发展概况 |
| 1.2 国内外研究现状与趋势 |
| 1.2.1 大数据分析挖掘和机器学习并行化算法 |
| 1.2.2 大数据自动化机器学习技术 |
| 1.2.3 大数据智能分析编程计算方法与平台 |
| 1.3 现有研究工作和技术存在的不足 |
| 1.4 本文组织架构 |
| 1.5 本文的研究内容和主要工作 |
| 1.5.1 总体研究目标与研究内容 |
| 1.5.2 本文主要研究内容 |
| 第二章 高效的大规模分布式函数依赖发现算法 |
| 2.1 研究背景与问题 |
| 2.2 背景知识与相关工作 |
| 2.2.1 函数依赖基本定义 |
| 2.2.2 基于采样-验证的函数依赖发现 |
| 2.2.3 已有函数依赖发现算法 |
| 2.3 基于属性重排序的算法框架 |
| 2.4 数据预处理 |
| 2.4.1 属性信息统计 |
| 2.4.2 属性重排序 |
| 2.4.3 记录编码 |
| 2.5 AFDD算法 |
| 2.5.1 总体流程 |
| 2.5.2 分布式成对采样 |
| 2.5.3 属性并行的剪枝-生成 |
| 2.5.4 分布式基于索引的验证 |
| 2.5.5 自适应的采样-验证切换 |
| 2.5.6 复杂度分析 |
| 2.6 Batch AFDD算法 |
| 2.7 性能评估 |
| 2.7.1 实验环境 |
| 2.7.2 性能比较 |
| 2.7.3 扩展性评估 |
| 2.7.4 属性重排序评估 |
| 2.7.5 分布式探测评估 |
| 2.8 本章小结 |
| 第三章 高效的大规模分布式并行化谱聚类算法 |
| 3.1 研究背景与问题 |
| 3.2 背景知识与相关工作 |
| 3.2.1 谱聚类算法基本原理 |
| 3.2.2 样本间相似性度量方法 |
| 3.2.3 谱聚类算法主要流程 |
| 3.3 相似度矩阵构建及稀疏化并行化 |
| 3.3.1 相似度并行计算 |
| 3.3.2 相似度矩阵稀疏化 |
| 3.4 Laplacian矩阵构建及正规化并行化 |
| 3.4.1 Laplacian矩阵构建 |
| 3.4.2 Laplacian矩阵正规化 |
| 3.5 特征向量计算并行化 |
| 3.5.1 精确特征向量并行化求解 |
| 3.5.2 近似特征向量并行化求解 |
| 3.6 k-means聚类并行化 |
| 3.6.1 k-means聚类算法描述 |
| 3.6.2 k-means聚类并行化 |
| 3.6.3 距离计算优化 |
| 3.7 性能评估 |
| 3.7.1 实验环境及数据 |
| 3.7.2 聚类效果评估 |
| 3.7.3 算法性能评估 |
| 3.7.4 数据可扩展性评估 |
| 3.7.5 节点可扩展性评估 |
| 3.8 本章小结 |
| 第四章 高效的分布式深度森林训练方法与算法 |
| 4.1 研究背景与问题 |
| 4.2 背景知识与相关工作 |
| 4.2.1 深度森林 |
| 4.2.2 Ray |
| 4.2.3 多层表征学习 |
| 4.2.4 机器学习框架与声明式编程模型 |
| 4.3 基于子森林划分的任务并行训练算法 |
| 4.3.1 设计动机 |
| 4.3.2 划分和合并 |
| 4.3.3 复杂度分析 |
| 4.4 系统设计与优化 |
| 4.4.1 系统概述 |
| 4.4.2 高层编程API |
| 4.4.3 系统层优化 |
| 4.5 性能评估 |
| 4.5.1 实验环境及数据 |
| 4.5.2 模型配置 |
| 4.5.3 性能对比 |
| 4.5.4 扩展性评估 |
| 4.5.5 负载均衡评估 |
| 4.5.6 系统层优化评估 |
| 4.5.7 划分粒度分析 |
| 4.6 本章小结 |
| 第五章 大数据AutoML自动化机器学习方法与算法 |
| 5.1 研究背景与内容概述 |
| 5.2 相关工作 |
| 5.3 基于强化学习和贝叶斯优化的机器学习流水线自动化设计 |
| 5.3.1 研究背景与问题 |
| 5.3.2 基于强化学习的结构搜索 |
| 5.3.3 基于贝叶斯优化的算法超参优化 |
| 5.3.4 分布式并行的流水线设计 |
| 5.3.5 性能评估 |
| 5.3.6 小结 |
| 5.4 资源受限场景下基于自适应连续过滤的自动化机器学习 |
| 5.4.1 研究背景与问题 |
| 5.4.2 自适应连续过滤算法BOASF |
| 5.4.3 基于BOASF的模型选择 |
| 5.4.4 基于BOASF的超参数优化 |
| 5.4.5 性能评估 |
| 5.4.6 小结 |
| 5.5 终生学习场景下基于加权集成的自动化机器学习 |
| 5.5.1 研究背景与问题 |
| 5.5.2 自动化终生学习问题定义 |
| 5.5.3 基于加权集成学习的算法框架 |
| 5.5.4 针对概念漂移的自适应权重设计 |
| 5.5.5 性能评估 |
| 5.5.6 小结 |
| 5.6 本章小结 |
| 第六章 大数据AutoDL自动化深度学习方法与算法 |
| 6.1 研究背景与内容概述 |
| 6.2 相关工作 |
| 6.3 基于渐进式多保真度评估的超参数优化 |
| 6.3.1 研究背景与问题 |
| 6.3.2 低保真度评估偏差 |
| 6.3.3 渐进式多保真度评估 |
| 6.3.4 贝叶斯模型构建及其热启动 |
| 6.3.5 性能评估 |
| 6.3.6 小结 |
| 6.4 最小化离散性能偏差的可微分网络架构搜索 |
| 6.4.1 研究背景与问题 |
| 6.4.2 可微分的网络架构搜索 |
| 6.4.3 最小化离散性能偏差 |
| 6.4.4 随机固定规约单元的架构搜索 |
| 6.4.5 性能评估 |
| 6.4.6 小结 |
| 6.5 本章小结 |
| 第七章 统一大数据智能分析编程计算方法与平台 |
| 7.1 研究背景与问题 |
| 7.2 相关工作 |
| 7.3 跨平台统一大数据智能分析编程计算模型与方法 |
| 7.3.1 跨平台统一大数据智能分析编程计算模型 |
| 7.3.2 基于计算流图的大数据智能分析编程方法 |
| 7.4 统一大数据智能分析平台集成与调度优化 |
| 7.4.1 统一大数据智能分析平台集成框架 |
| 7.4.2 跨平台统一调度优化 |
| 7.5 统一大数据智能分析算法集成与自动化机器学习建模 |
| 7.5.1 统一大数据智能分析算法集成框架 |
| 7.5.2 自动化机器学习建模工具平台 |
| 7.6 统一大数据智能分析与可视化编程原型系统设计与实现 |
| 7.6.1 系统总体架构 |
| 7.6.2 系统主要功能与模块设计实现 |
| 7.6.3 系统基本操作使用与大数据智能分析示例 |
| 7.6.4 系统技术特征总结 |
| 7.7 关键技术应用验证 |
| 7.7.1 分布式数据挖掘与机器学习算法应用验证 |
| 7.7.2 AutoML自动化机器学习算法应用验证 |
| 7.8 本章小结 |
| 第八章 总结与展望 |
| 8.1 工作总结 |
| 8.2 进一步的工作与研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士期间已发表论文列表 |
| 攻读博士期间参研项目列表 |
| 攻读博士期间获奖情况列表 |
| 攻读博士期间学术服务列表 |
| 应用成果证明 |
（6）教育本体自动构建关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 教育信息化 |
| 1.1.2 智慧教育 |
| 1.1.3 本体 |
| 1.1.4 教育本体 |
| 1.2 国内外研究现状 |
| 1.3 教育本体的机遇和挑战 |
| 1.4 本文的研究内容 |
| 1.5 本文的组织结构 |
| 第二章 预备知识和相关工作 |
| 2.1 学习对象 |
| 2.2 本体工程 |
| 2.2.1 本体结构 |
| 2.2.2 本体分类 |
| 2.2.3 本体与知识图谱 |
| 2.3 知识抽取 |
| 2.3.1 命名实体识别 |
| 2.3.2 关系抽取 |
| 2.3.3 信息的联合抽取 |
| 2.4 共指消解 |
| 2.4.1 有监督的共指消解 |
| 2.4.2 无监督的共指消解 |
| 2.5 神经网络模型 |
| 2.5.1 LSTM |
| 2.5.2 CNN |
| 2.5.3 GCN |
| 2.6 本章小结 |
| 第三章 教育本体的自动构建和扩展框架 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.2.1 知识图谱和本体 |
| 3.2.2 教育知识 |
| 3.2.3 远程监督和半监督 |
| 3.3 本体自动构建方法 |
| 3.4 本体扩展方法 |
| 3.4.1 产生概念三元组 |
| 3.4.2 关系推理模型 |
| 3.4.3 关系确定 |
| 3.5 物理教育本体构建实践 |
| 3.5.1 数据 |
| 3.5.2 算法:Preparation |
| 3.5.3 算法:T2KG |
| 3.5.4 算法:KG2Onto |
| 3.5.5 构建的 TM_Physics 本体 |
| 3.6 物理教育本体扩展实践 |
| 3.6.1 数据准备 |
| 3.6.2 推理模型参数设置 |
| 3.6.3 评测指标 |
| 3.6.4 推理模型结果分析 |
| 3.6.5 本体评估 |
| 3.7 本章小结 |
| 第四章 教育本体构建中解决多头问题的知识联合抽取 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 流水线方式 |
| 4.2.2 联合方式 |
| 4.2.3 端到端模型和多头问题 |
| 4.3 基于实体传播的端到端联合抽取模型 |
| 4.3.1 双重标注方案 |
| 4.3.2 从标签序列生成三元组 |
| 4.3.3 基于新的标注方案的实体传播联合抽取模型 |
| 4.3.4 消除错误传播 |
| 4.3.5 字符级嵌入 |
| 4.3.6 自注意力机制 |
| 4.4 实验和结果分析 |
| 4.4.1 数据 |
| 4.4.2 词嵌入 |
| 4.4.3 对比方法 |
| 4.4.4 实验设置 |
| 4.4.5 实验结果和分析 |
| 4.4.6 消融实验 |
| 4.4.7 教育案例实验 |
| 4.4.8 讨论 |
| 4.5 本章小结 |
| 第五章 教育本体构建中解决多关系问题的知识联合抽取 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 基于形式化概念分析的联合抽取方法 |
| 5.3.1 端到端模型 |
| 5.3.2 多关系问题的解决方法 |
| 5.3.3 多头问题的解决方法 |
| 5.4 实验和结果分析 |
| 5.4.1 实验设置 |
| 5.4.2 结果分析 |
| 5.4.3 消融实验 |
| 5.5 错误和案例分析 |
| 5.5.1 错误分析 |
| 5.5.2 教育中案例分析 |
| 5.6 本章小结 |
| 第六章 教育本体构建中知识的共指消解 |
| 6.1 引言 |
| 6.2 相关工作 |
| 6.3 构建基于实体提及的图结构 |
| 6.4 基于图卷积的共指消解方法 |
| 6.4.1 上下文学习模块 |
| 6.4.2 图节点表示抽取模块 |
| 6.4.3 实体提及连接模块 |
| 6.5 实验设置 |
| 6.6 实验和结果分析 |
| 6.6.1 分析和讨论 |
| 6.6.2 教育中共指消解案例实验 |
| 6.7 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表论文和科研情况 |
（7）智慧社会的司法范式转型（论文提纲范文）
| 摘要 |
| abstract |
| 导论 |
| 一、问题的提出 |
| 二、研究综述 |
| 三、研究思路与方法 |
| 四、学术创新之处 |
| 第一章 司法范式的基本内涵与形态演变 |
| 第一节 司法范式的基本内涵 |
| 一、司法范式的现代法治语境 |
| 二、司法范式的现代性内涵 |
| 第二节 司法范式的形态演变 |
| 一、自由主义范式的形式司法 |
| 二、福利国家范式的实质司法 |
| 三、程序法范式的协商司法 |
| 第三节 司法范式的演变逻辑及其局限 |
| 一、司法范式演变的逻辑线索 |
| 二、工商业时代的司法变迁及其局限 |
| 三、数字时代司法范式的转型升级 |
| 第二章 司法范式面临的数字化挑战 |
| 第一节 司法范式转型的信息化背景 |
| 一、信息时代的知识状态 |
| 二、元叙事的消散:信息时代的法治秩序变革 |
| 三、司法范式转型的困境与机遇 |
| 第二节 双重空间对司法场域的冲击 |
| 一、涉网案件管辖制度失灵 |
| 二、电子证据采信标准缺位 |
| 三、网络民意对司法逻辑的冲击 |
| 第三节 平台治理对司法“中心化”的挑战 |
| 一、自治高效的争议处理 |
| 二、群策共治的大众评审 |
| 三、事前预防的技术控制 |
| 四、激励规训的评分机制 |
| 第四节 司法智能化的转型张力 |
| 一、从信息孤岛到数据共享 |
| 二、从在场交往到远程审理 |
| 三、从“人与工具”到人机协作 |
| 第三章 司法范式的智慧化转型趋向 |
| 第一节 代码识别的自动化规制 |
| 一、证据规则的代码表达与识别 |
| 二、诉讼规则的代码表达与识别 |
| 三、管理规则的代码表达与识别 |
| 第二节 算法决策的程式化裁判 |
| 一、证据审查程式化 |
| 二、准据识别聚焦化 |
| 三、自由裁量标准化 |
| 第三节 分众在线的场景化运作 |
| 一、司法空间脱域化 |
| 二、司法供给分众化 |
| 三、司法交涉界面化 |
| 第四节 智能回应的平台化服务 |
| 一、诉讼引导智能化 |
| 二、申请受理移动化 |
| 三、解纷路径分流化 |
| 第四章 面向智慧社会的司法范式重塑 |
| 第一节 法治范式转型:迈向智慧法治 |
| 一、法治范式转型的理论基础:反思要素 |
| 二、智慧时代的社会特性 |
| 三、开放融合的智慧法治观 |
| 第二节 司法价值:从场域正义走向数字正义 |
| 一、立足数字化期待 |
| 二、建立可视化交互 |
| 三、面向场景化需求 |
| 第三节 司法决策:人机协同与融合 |
| 一、以计算知识填补演绎逻辑 |
| 二、加强司法人工智能的论证性和可解释性 |
| 三、明确技术权力介入的边界和尺度 |
| 第四节 司法功能:数据驱动型纠纷预防 |
| 一、纠纷预防的必要性和重要性 |
| 二、纠纷预防何以可能 |
| 三、数据驱动型纠纷预防运行机制 |
| 结语 探索中国特色的智慧司法模式 |
| 参考文献 |
| 在读期间发表的学术论文与研究成果 |
| 后记 |
（8）教师研修社区学习者模型构建及应用研究 ——以“A”教师培训平台为个案（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 一、研究背景 |
| (一) 教师网络研修成为教师培训的新型方式 |
| (二) 以促进学员个性化发展为核心诉求的在线教育进入新阶段 |
| (三) 新技术的迅猛发展为我国教师教育信息化开创了新天地 |
| 二、问题提出 |
| (一) 传统教师网络研修社区难以实现针对学习者的个性化教学与管理 |
| (二) 研发个性化智能教学系统是解决教师网络研修社区学习缺乏个性化的关键 |
| (三) 学习者模型建立是个性化智能教学系统研究的核心基础环节 |
| (四) 基于“A”平台的学习者行为建模实证研究 |
| 三、概念界定 |
| (一) 教师专业发展 |
| (二) 教师网络研修 |
| (三) 教师网络研修社区 |
| (四) 教师工作坊 |
| (五) 学习者模型 |
| 四、研究意义 |
| (一) 理论意义 |
| (二) 实践意义 |
| 五、研究创新点 |
| (一) 首次在中小学教师网络研修社区中引入学习者模型 |
| (二) 利用聚类分析构建网络研修社区的学习者模型 |
| 六、研究目标与内容 |
| (一) 研究目标 |
| (二) 研究内容 |
| 七、研究框架 |
| (一) 理论研究 |
| (二) 实践研究 |
| 八、研究方法 |
| (一) 问卷法 |
| (二) 个案研究法 |
| (三) 科学模型法 |
| (四) 文献研究法 |
| 九、本章小结 |
| 第一章 教师网络研修社区存在问题的研究 |
| 一、研究说明 |
| 二、问题调研的理论基础 |
| (一) 技术接受度理论与模型 |
| (二) 技术接受评价框架 |
| (三) 网络研修社区接受度评价框架 |
| 三、调研问卷的设计及调研结果 |
| (一) 教师网络研修社区情况调查问卷设计与开发 |
| (二) 教师网络研修社区调研结果 |
| (三) 教师使用网络研修社区接受度分析 |
| (四) 教师网络研修社区存在的问题分析 |
| 四、网络研修社区的改进发展分析 |
| (一) 依托数据分析将现有的网络研修社区进行智能化改造 |
| (二) 具备快速识别学习者需求与偏好的能力 |
| (三) 支持对学员的个性化教学 |
| 五、构建学习者模型是实现网络研修社区智能化改造的基础 |
| 六、本章小结 |
| 第二章 教师网络研修社区学习者建模的相关研究现状梳理 |
| 一、教师专业发展研究 |
| (一) 教师专业发展研究的起源 |
| (二) 国内外对教师专业发展的研究 |
| (三) 对教师专业发展研究的分析 |
| 二、教师网络研修社区的特点及其对学习者的评价 |
| (一) 教师网络研修社区的特点 |
| (二) 教师研修社区中的学习者评价 |
| (三) 教师网络研修社区及其学习者评价的文献分析与评价 |
| 三、学习者建模 |
| (一) 学习者模型的分类 |
| (二) 学习者建模的方法 |
| (三) 学习者建模研究文献分析与评价 |
| 四、本章小结 |
| 第三章 教师研修社区学习者模型构建的教育理论研究 |
| 一、教师专业发展理论 |
| (一) 教师专业发展阶段理论 |
| (二) 体验式学习理论 |
| 二、柯氏四级培训评估模型 |
| (一) 使用背景 |
| (二) 理论基础 |
| 三、成人学习自我导向理论 |
| (一) 成人学习理论 |
| (二) 成人学习自我导向学习理论 |
| (三) 成人学习自我导向学习理论在本研究中的应用 |
| 四、学习分析技术理论 |
| (一) 学习分析的概念 |
| (二) 学习分析的应用范围 |
| (三) 学习分析的构成与模型的理论基础 |
| 五、本章小结 |
| 第四章 教师研修社区学习者模型构建的技术理论研究 |
| 一、技术理论研究的思路与主要方法 |
| (一) 研究思路 |
| (二) 主要方法 |
| 二、关键技术研究 |
| (一) 建立数据仓库 |
| (二) 数据汇聚 |
| (三) 数据资产评估 |
| (四) 特征与指标计算 |
| 三、本章小结 |
| 第五章 教师网络研修社区学习者模型的实现与模型应用研究 |
| 一、数据说明 |
| 二、教师研修指标体系的构建 |
| (一) 明确目标,构建维度 |
| (二) 特征设计 |
| (三) 指标体系构建 |
| (四) 维度聚类 |
| 三、学习者分类 |
| (一) 学习者分类概述 |
| (二) 分类方法理解 |
| (三) 分类类别确定及计算 |
| 四、“A”教师网络研修社区学习者模型结果分析 |
| (一) 聚类结果分析 |
| (二) 对应分析不同类别学习者的特征 |
| (三) 对应分析不同类别学习者的行为特征 |
| 五、成果检验与应用 |
| (一) 通过真实培训项目验证学习模型的有效性 |
| (二) 基于学习者模型的个性化推荐功能的实现 |
| (三) 借助学习者模型提出“A”教师培训平台改善的规划 |
| (四) 应用学习者模型提升培训质量 |
| 六、本章小结 |
| 第六章 总结与讨论 |
| 一、研究创新 |
| (一) 教育理论层面 |
| (二) 建模方法层面 |
| (三) 技术算法层面 |
| 二、研究不足 |
| (一) 学习者模型的精准度不足 |
| (二) 对学习者类别的识别结果进行实证测量的不足 |
| (三) 基于多时间阶段、多项目的指标体系试用的不足 |
| (四) 将学习者画像与教学实践相结合的不足 |
| 三、研究展望 |
| (一) 结合社交网络分析 |
| (二) 结合语义分析 |
| (三) 探究自适应学习 |
| 四、本章小结 |
| 参考文献 |
| 附录 |
| 附录一 中国基础教育教师网络研修社区调查问卷 |
| 附录二 中国基础教育教师网络研修社区调查问卷 |
| 附录三 教师网络研修社区调研结果 |
| 后记 |
| 在学期间公开发表论文及着作情况 |
（9）远程环境中学习者特征模型的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 远程学习研究现状 |
| 1.2.2 学习者特征内容综述 |
| 1.3 研究思路与研究方法 |
| 1.3.1 研究思路 |
| 1.3.2 研究方法 |
| 1.4 研究内容 |
| 1.5 研究创新点 |
| 第二章 相关概念和理论基础 |
| 2.1 概念的界定 |
| 2.1.1 远程学习者 |
| 2.1.2 远程学习者特征 |
| 2.1.3 远程学习者特征模型 |
| 2.2 远程学习者模型的理论基础 |
| 2.2.1 远程学习理论基础 |
| 2.2.2 自我指导学习理论 |
| 2.2.3 行为科学理论 |
| 2.2.4 社会认知理论 |
| 2.3 本章小结 |
| 第三章 现代远程学习者特征分析及模型假设 |
| 3.1 分析原则与框架 |
| 3.1.1 分析原则 |
| 3.1.2 分析框架 |
| 3.2 现代远程学习者特征因素筛选与分析 |
| 3.2.1 基于理论的因素筛选 |
| 3.2.2 远程环境中学习者特征要素分析 |
| 3.3 初始概念模型的构建 |
| 3.4 本章小结 |
| 第四章 研究设计与数据分析 |
| 4.1 前期调研与指标设计 |
| 4.1.1 研究环境与研究对象 |
| 4.1.2 远程学习者特征指标设计 |
| 4.2 数据分析 |
| 4.2.1 效度分析与信度分析 |
| 4.2.2 样本描述性统计分析 |
| 4.2.3 不同学习背景群组的差异分析 |
| 4.2.4 不同要素之间的相关分析 |
| 4.2.5 各要素对成绩的回归效应分析 |
| 4.3 研究模型结果讨论 |
| 4.4 本章小结 |
| 第五章 结果讨论与建议 |
| 5.1 结果讨论 |
| 5.2 相关建议 |
| 第六章 研究结论和不足与展望 |
| 6.1 研究结论 |
| 6.2 不足与展望 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 攻读硕士学位期间出版或发表的论着、论文 |
| 致谢 |
（10）采煤机生产过程自动化管理技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.1.1 课题研究的背景 |
| 1.1.2 课题研究的目的和意义 |
| 1.2 采煤机定位技术现状 |
| 1.3 采煤机自动化管理技术现状 |
| 1.4 课题研究的内容及技术路线 |
| 1.5 本章小结 |
| 第二章 采煤机自动化管理的关键技术 |
| 2.1 记忆割煤技术 |
| 2.1.1 记忆割煤技术的原理 |
| 2.1.2 记忆割煤系统组成 |
| 2.1.3 记忆割煤系统图 |
| 2.2 基于Faster R-CNN的煤岩识别方法 |
| 2.2.1 Faster R-CNN算法概述 |
| 2.2.2 基于Faster R-CNN的煤岩识别 |
| 2.3 本章小结 |
| 第三章 三维煤层模型的构建 |
| 3.1 三维地质建模基本模型 |
| 3.2 三维煤层模型的生成 |
| 3.2.1 煤层模型数据处理 |
| 3.2.2 煤层表面三角网模型的生成 |
| 3.2.3 煤层模型的生成 |
| 3.3 基于信息融合的煤层模型修正方法 |
| 3.3.1 信息融合的原理 |
| 3.3.2 基于信息融合的煤层模型修正方法 |
| 3.4 数字仿真 |
| 3.5 本章小结 |
| 第四章 基于煤层模型的预设割煤线路技术 |
| 4.1 采区统一坐标系的建立 |
| 4.2 基于惯性导航的采煤机定位定姿 |
| 4.2.1 捷联惯导系统参考坐标系的建立 |
| 4.2.2 采煤机位置参数解算 |
| 4.2.3 捷联惯导系统参考坐标系调整 |
| 4.2.4 坐标系调整后采煤机位置解算 |
| 4.2.5 采煤机的姿态参数解算 |
| 4.3 预设割煤线路技术 |
| 4.3.1 预设割煤线路生成的算法 |
| 4.3.2 基于遗传算法的割煤线路的优化 |
| 4.4 预设割煤线路的工业试验 |
| 4.5 本章小结 |
| 第五章 采煤机自动化管理平台设计 |
| 5.1 平台设计目标 |
| 5.2 平台总体结构 |
| 5.3 平台功能设计 |
| 5.4 平台界面设计 |
| 5.5 平台设计原则 |
| 5.6 本章小结 |
| 第六章 结论 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的科研成果 |
四、智能化远程学习支持系统——领域建模方法的分析与比较（论文参考文献）
- [1]集成决策的情境感知业务流程一体化建模方法研究[D]. 宋容嘉. 北京交通大学, 2021(02)
- [2]面向智能招聘的数据挖掘方法及其应用[D]. 秦川. 中国科学技术大学, 2021(09)
- [3]数字化慢病管理系统的研究与实践[D]. 汪哲宇. 浙江大学, 2021(01)
- [4]面向自主船舶的危险分析方法研究[D]. 周翔宇. 大连海事大学, 2020(04)
- [5]分布式与自动化大数据智能分析算法与编程计算平台[D]. 朱光辉. 南京大学, 2020(12)
- [6]教育本体自动构建关键技术研究[D]. 陈继智. 华东师范大学, 2020(05)
- [7]智慧社会的司法范式转型[D]. 帅奕男. 华东政法大学, 2020(02)
- [8]教师研修社区学习者模型构建及应用研究 ——以“A”教师培训平台为个案[D]. 王冬冬. 东北师范大学, 2020(07)
- [9]远程环境中学习者特征模型的研究[D]. 朱士蓉. 淮北师范大学, 2020(12)
- [10]采煤机生产过程自动化管理技术研究[D]. 华同兴. 太原理工大学, 2020(07)