检索结果-南通市图书馆

基于加权pagerank的同伴互评方法研究

在线全文

学校读者我要写书评

暂无评论

基于加权PageRank的同伴互评方法研究

作者：于晓利河南师范大学

学位级别：硕士

在现代信息技术支持下的教育教学创新实践中,MOOC已成为推动高等教育变革的重要引擎。与此同时,如何快速有效评价平台学习者提交的主观题作业成为每个MOOC教师面临的急难愁盼的问题。同伴互评作为一种深度融合教育与教学的评价方式,既... 详细信息

在现代信息技术支持下的教育教学创新实践中,MOOC已成为推动高等教育变革的重要引擎。与此同时,如何快速有效评价平台学习者提交的主观题作业成为每个MOOC教师面临的急难愁盼的问题。同伴互评作为一种深度融合教育与教学的评价方式,既能够有效应对繁重的主观题作业评价挑战,又实现了参与式教学的价值追求。然而,由于评价者认知水平存在差异,同伴互评在实际应用中仍存在评价结果可信度低、实施效果不理想等问题。通过对国内外相关理论和实践的梳理和分析,本研究提出一种基于加权pagerank的同伴互评方法,以降低学习者的认知水平差异对同伴互评结果的影响,进一步提高同伴互评的可信度,优化同伴互评质量。该方法主要思想是:从学习者的作品得分中挖掘出其认知水平,然后依据认知水平的相对高低确定该学习者给出的评价的重要性程度,并为该评价赋予相应的权重。其实现过程为:首先引入加权pagerank算法对学习者给出的评价数据进行深度分析,然后按照量规维度求解评价者评价的多维pagerank值,挖掘各评价维度上评价者间认知水平关系,最后依据pagerank值加权计算学生的作业得分。在此基础上将基于加权pagerank的同伴互评方法应用于教学实践,以检验该方法的可信度。结果显示:基于加权pagerank的同伴互评方法有助于提高同伴互评结果的可信度;该方法能够促进学生积极参与互评,有效提高学习者的学习绩效;学生对基于加权pagerank的同伴互评方法表现出较高的满意度。后续研究将提高该方法在小样本中应用的精确度。

关键词：加权pagerank 同伴互评可信度认知水平差异

基于加权pagerank和结构相似性的异质网络影响力最大化研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于加权PageRank和结构相似性的异质网络影响力最大化研究

作者：韩婷云南大学

学位级别：硕士

社会影响是指个体的意见或行为受他人的行为所影响的现象,主要通过人与人之间的交互活动体现出来。社会影响力的研究在经济社会学与市场学范畴中有着较长的发展史,这给影响力最大化(Influence Maximization,IM)在社会网络中的传播研究... 详细信息

社会影响是指个体的意见或行为受他人的行为所影响的现象,主要通过人与人之间的交互活动体现出来。社会影响力的研究在经济社会学与市场学范畴中有着较长的发展史,这给影响力最大化(Influence Maximization,IM)在社会网络中的传播研究奠定了一定的基础。在社会网络中,每个人都不是独立存在的,他们之间相互联系,对彼此都有着或多或少的影响作用,而他们之间的影响深浅,范围大小取决于诸多因素。IM问题是社会影响分析的重要内容,大多数社会网络涵盖了许多不同类型的节点和连接边,其本质属于异质信息网络,然而以前关于IM问题的研究大多停留在同质信息网络,它们考虑的节点类型、连接边类型以及连接路径类型单一,这与现实的社会网络有所差别。对于异质信息网络而言,其IM问题的关键在于,如何利用网络中的异质信息识别最有影响力的节点,本文的主要工作和创新点如下:(1)提出了一个基于加权pagerank的IM算法(Comprehensive Weighted pagerank,CWPR),该算法将异质信息网络分解为若干个只含一种连接类型的网络,再根据各节点之间连接关系的次数分配对应边的权重。网络的分解简化了复杂的网络结构,权重的分配区分了节点间连接关系的重要性,有助于准确度量不同节点之间的影响力。其中影响力的度量考虑了多种类型节点的直接和间接影响,从而更好的描述了网络中节点影响力的复杂性和异质性,全面的保留了信息网络中的异质信息,使找到的种子节点具有较高的影响力。(2)提出了一个基于元路径结构相似度的IM算法(Meta-path Structure Similarity,MPSS),根据节点的拓扑结构和节点类型选取包含不同类型节点的最短元路径。在异质信息网络中,路径的选取涵盖了不同的节点类型和连接边类型,全面的保留了异质信息网络中的信息,有效地捕获到节点的异质性。同时考虑了节点的全局结构,筛选出的高影响力种子集合更有说服力。(3)在两个公开的真实数据集上分别验证了CWPR算法和MPSS算法的有效性。其中CWPR从传播范围、参数影响、边权重等三个方面对算法的性能进行评估,MPSS从传播路径、范围以及影响力参数进行评估。实验结果表明CWPR和MPSS算法的性能效果均优于基线方法。

关键词：影响力最大化IM 加权pagerank 元路径结构相似性异质信息网络

基于加权pagerank的异质网络影响力最大化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机技术与发展 2022年第3期32卷 46-53页

作者：韩婷周丽华黄亚群姜懿庭云南大学信息学院云南昆明650504 云南师范大学信息学院云南昆明650500

影响力最大化问题是信息网络挖掘中的热门研究问题之一,大多数信息网络包含了多种不同类型的节点和连接边,其本质属于异质信息网络,然而以前关于影响力最大化问题的研究大多停留在同质信息网络,它们考虑的节点和连接边类型单一,这与现... 详细信息

影响力最大化问题是信息网络挖掘中的热门研究问题之一,大多数信息网络包含了多种不同类型的节点和连接边,其本质属于异质信息网络,然而以前关于影响力最大化问题的研究大多停留在同质信息网络,它们考虑的节点和连接边类型单一,这与现实的信息网络有所差别。异质信息网络的影响力最大化问题其关键在于如何识别异质信息网络中最有影响力的节点。为了能融合网络中的异质信息并衡量节点影响力,提出了一种基于加权pagerank的异质信息网络影响力最大化算法。该算法保留了网络中所有类型节点和连接边的信息,通过考虑异质信息网络中不同类型节点之间的影响关系来得到节点的最终影响力,从而实现异质信息网络的影响力最大化。该算法能更好地描述节点和连接边的异质性,并在两个真实的数据集上验证了算法的有效性。

关键词：异质信息网络信息网络挖掘信息扩散影响力最大化加权pagerank

在线全文

学校读者我要写书评

暂无评论

结合地标点与自编码的快速多视图聚类网络

智能系统学报 2022年第2期17卷 333-340页

作者：马睿周治平江南大学物联网技术应用教育部工程研究中心江苏无锡214122

针对目前存在的多视图聚类方法大多是对聚类准确性进行研究而未着重于提升算法效率,从而难以应用于大规模数据的现象,本文提出一种结合地标点和自编码的快速多视图聚类算法。利用加权pagerank排序算法选出每个视图中最具代表性的地标点... 详细信息

针对目前存在的多视图聚类方法大多是对聚类准确性进行研究而未着重于提升算法效率,从而难以应用于大规模数据的现象,本文提出一种结合地标点和自编码的快速多视图聚类算法。利用加权pagerank排序算法选出每个视图中最具代表性的地标点。使用凸二次规划函数从数据中直接生成多个视图的相似度矩阵,求得多个视图的共识相似度矩阵以有效利用多个视图包含的具有一致性和互补性的聚类有效信息,将获得的具有低存储开销性能的共识相似度矩阵输入自编码器替代拉普拉斯矩阵特征分解,在联合学习框架下同时更新自编码器参数和聚类中心从而在降低计算复杂度的同时保证聚类精度。在5个多视图数据集上的实验证明了本文算法相对于其他多视图算法在运行时间上的优越性。

关键词：多视图聚类地标点聚类加权pagerank 自编码器特征分解联合学习聚类分析数据挖掘

在线全文

学校读者我要写书评

暂无评论

加权引用视角下的作者学术影响力评价研究

情报学报 2017年第8期36卷 790-797页

作者：马瑞敏张慧杨雨华山西大学管理与决策研究所山西大学科学评价研究中心太原030006

在阐释作者加权引用内涵与类型基础上,从非迭代加权引用和迭代加权引用两个视角构建作者学术影响力评价模型。以国际信息计量学领域学者为评价对象,比较和检验了这两种模型之间以及与其他普遍流行的指标模型——被引次数、h指数、传统加... 详细信息

在阐释作者加权引用内涵与类型基础上,从非迭代加权引用和迭代加权引用两个视角构建作者学术影响力评价模型。以国际信息计量学领域学者为评价对象,比较和检验了这两种模型之间以及与其他普遍流行的指标模型——被引次数、h指数、传统加权pagerank、加权pagerank_D之间的联系与区别。结果表明非迭代加权引用模型与迭代加权引用模型之间有很显著的较强相关性,但是两者之间仍然存在一定差异。迭代加权引用模型的检验效果最好,非迭代加权引用模型的检验效果居中,但AUC检验值也达到了0.9以上,检验效果亦优良。非迭代加权引用模型简单易懂、便于操作,能够较好地甄别出"领域活跃者";而迭代加权引用模型算法精准,能够较好地甄别出"领域先行者"。在实际中,可以根据自身需求选择最合适的评价模型。

关键词：作者学术影响力加权引用加权pagerank 评价

在线全文

学校读者我要写书评

暂无评论

一种改进的基于最大流的Web社区挖掘算法

计算机应用 2009年第1期29卷 213-216页

作者：张金增范明郑州大学信息工程学院郑州450052

针对原始最大流算法给每条边的边容量分配一个常量值,在社区质量及成员数量上造成的问题,提出了一种改进的Web社区挖掘算法。该算法考虑不同边的重要性差异,将加权pagerank算法中页面的重要度转化为衡量页面之间边重要性的传递概率值,... 详细信息

针对原始最大流算法给每条边的边容量分配一个常量值,在社区质量及成员数量上造成的问题,提出了一种改进的Web社区挖掘算法。该算法考虑不同边的重要性差异,将加权pagerank算法中页面的重要度转化为衡量页面之间边重要性的传递概率值,并使用该值对边容量进行赋值。实验结果表明,改进的算法有效地提高了Web社区的质量。

关键词： Web社区 Web图最大流算法加权pagerank

在线全文

学校读者我要写书评

暂无评论

一种改进的Web社区挖掘算法

一种改进的Web社区挖掘算法

作者：张金增郑州大学

学位级别：硕士

随着Internet的快速发展,Web资源飞速增长,并朝着多元化、复杂化的方向发展。如何从中提取出潜在的、有价值的信息,进而充分、有效地利用Web信息资源,是当今信息领域重要又极具挑战性的研究课题。Web社区是Web中非常重要的信息,它可以... 详细信息

随着Internet的快速发展,Web资源飞速增长,并朝着多元化、复杂化的方向发展。如何从中提取出潜在的、有价值的信息,进而充分、有效地利用Web信息资源,是当今信息领域重要又极具挑战性的研究课题。Web社区是Web中非常重要的信息,它可以对互联网进行各种意义上的划分。因此,通过合理的策略快速发现海量Web页面中的Web社区,对信息检索及搜索引擎都具有非常重要的意义。Web页面之间的链接关系为Web社区发现提供了极其丰富的信息线索,可以从链接结构中获得Web拓扑结构模型。本文研究了Web社区发现的三种典型算法,并对这三种算法进行了具体的比较和分析,指出了算法中存在的缺陷和改进的方向。本文对传统的基于流量的社区发现算法中边容量与社区规模之间的关系进行了深入的研究,传统算法给每条边的边容量分配一个常量值,把每条边看作同等重要,而实际上每条边所包含的信息价值并不相同,因此常常把包含噪音页面的图结构提取出来,并且在某些情况下不能提取出大小合适的社区。针对这一问题,本文提出了一种改进的Web社区挖掘算法,改进算法考虑不同边的重要性差异,将加权pagerank算法中页面的重要度转化为衡量页面之间边重要性的传递概率值,并使用该值对边容量进行赋值,解决了传统算法中存在的问题。实验结果对比和分析表明,与原始算法相比,改进的算法所获得的社区中与主题相关的平均页面数目有明显提高,并降低了提取出噪音页面的可能性,有效的提高了Web社区的质量。

关键词： Web社区链接分析社区发现最大流/最小割加权pagerank

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

作者学术影响力评价新模型构建与实证研究

作者学术影响力评价新模型构建与实证研究

作者：张慧山西大学

学位级别：硕士

科学交流在科研工作中起着很重要的作用,作为科学传播的一个重要组成部分,对科学发展有着很大的推动作用。在科学交流体系中,作者是这个体系的核心,也是创新力量的重要组成部分,在推动科技进步和文化传承方面起着重要的根本性作用。一... 详细信息

科学交流在科研工作中起着很重要的作用,作为科学传播的一个重要组成部分,对科学发展有着很大的推动作用。在科学交流体系中,作者是这个体系的核心,也是创新力量的重要组成部分,在推动科技进步和文化传承方面起着重要的根本性作用。一般来讲,学术影响力越大的作者在推动知识创新和知识传播方面的作用也越大。本文基于国内外研究现状,首先对作者学术影响力评价的基本问题,包括引用视角的作者学术影响力定义、作者学术影响力的影响因素、作者学术影响力与作者学术水平的关系以及作者学术影响力评价的既有方法做了相关探讨,在此基础上从两个视角出发对作者学术影响力评价新模型进行了构建研究。两个视角分别为非迭代加权引用视角和迭代加权引用视角,在非迭代加权引用视角下,我们从被引次数角度出发,对施引作者的重要性进行了加权,但此过程是非迭代的;在迭代加权引用视角下,我们对加权pagerank算法做了进一步改进,同样也是对施引者的重要程度进行了衡量。在这个迭代网络中,作者之间层层影响,作者的学术影响力除与直接引用他的作者相关之外,还与间接引用的作者有关。另外,我们以国际信息计量学领域作者为例进行了实证研究,基于实验结果对被引次数、h指数、传统加权pagerank、加权pagerank、非迭代加权引用模型、迭代加权引用模型得出的结果进行了对比分析,在这个过程中,我们选择了国际图书情报界科学计量学领域最高奖“普赖斯奖”作为衡量各个模型评估效果的金标准,并选择了几个代表性个体进行了分析。最后还从统计学角度包括ROC曲线、AUC值、频数分布图、散点图以及斯皮尔曼等级相关系数等指标出发进行了更为详细深入的对比分析,结果表明非迭代加权引用模型与迭代加权引用模型之间有很显著的较强相关性,但是两者之间仍然存在一定差异。迭代加权引用模型的检验效果最好,非迭代加权引用模型的检验效果居中,但AUC检验值也达到了0.9以上,检验效果亦优良。非迭代加权引用模型简单易懂、便于操作,能够较好地甄别出“领域活跃者”;而迭代加权引用模型算法精准,能够较好地甄别出“领域先行者”。在实际中,可以根据自身需求选择最合适的评价模型。

关键词：作者学术影响力加权引用加权pagerank 评价