期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
数据驱动下的个性化自适应学习研究综述
被引量：
23
1
作者
朱佳
张丽君
梁婉莹
《华南师范大学学报（自然科学版）》
CAS
北大核心
2020年第4期17-25,共9页
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...
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.
展开更多
关键词
个性化自适应学习
教育知识图谱及其表示学习
知识追踪
个性化学习路径推荐
在线阅读
下载PDF
职称材料
具有选择性局部注意力和前序信息解码器的代码生成模型
被引量：
3
2
作者
梁婉莹
朱佳
+4 位作者
吴志杰
颜志文
汤庸
黄晋
余伟浩
《北京大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2021年第1期45-52,共8页
提出一种基于语法的代码生成模型,该模型具有选择性局部注意力和包含前序信息的长短期记忆(LSTM)神经网络解码器,通过更改上下文向量的计算范围,并在解码过程中融合更多的前序信息,增强单词之间的相关性。在Hearthstone和Django两个数...
提出一种基于语法的代码生成模型,该模型具有选择性局部注意力和包含前序信息的长短期记忆(LSTM)神经网络解码器,通过更改上下文向量的计算范围,并在解码过程中融合更多的前序信息,增强单词之间的相关性。在Hearthstone和Django两个数据集上进行的代码生成实验证实了所提模型的有效性,与最新的模型相比,所提模型不仅表现出更出色的准确率和双语评估学习成绩,还可以使计算工作量最小化。
展开更多
关键词
代码生成
抽象语法树
包含前序信息的长短期记忆神经网络(LSTM)
选择性局部注意力
在线阅读
下载PDF
职称材料
基于双路注意力机制的习题推荐模型研究
3
作者
聂庭焜
刘梦赤
《中文信息学报》
CSCD
北大核心
2023年第7期152-161,共10页
习题推荐是利用推荐算法将习题推荐给学生的任务,点击率(CTR)预测则是推荐领域的主流研究方向之一,现有的大部分习题推荐模型没有重视注意力机制的创新,因而落后于CTR预测领域。为了研究CTR预测模型中注意力机制在教育领域的应用前景,...
习题推荐是利用推荐算法将习题推荐给学生的任务,点击率(CTR)预测则是推荐领域的主流研究方向之一,现有的大部分习题推荐模型没有重视注意力机制的创新,因而落后于CTR预测领域。为了研究CTR预测模型中注意力机制在教育领域的应用前景,该文提出一种分层次学习注意力权重的双路注意力推荐模型(SEFM)。该模型通过因子分解机(FM)与压缩激励注意力网络(SENET)两个注意力机制的并行运行,实现学习特征之间的关系以及特征本身的权重,从而完成推荐。在两个CTR广告数据集与一个教育数据集上的实验表明,SEFM能准确地学习特征在多种维度上的权重,在两个评价指标上的表现均优于现有的先进基准模型。
展开更多
关键词
推荐系统
点击率预测
习题推荐
个性化学习
在线阅读
下载PDF
职称材料
题名
数据驱动下的个性化自适应学习研究综述
被引量：
23
1
作者
朱佳
张丽君
梁婉莹
机构
华南师范大学计算机学院
广州市大数据智能教育重点实验室
出处
《华南师范大学学报（自然科学版）》
CAS
北大核心
2020年第4期17-25,共9页
基金
国家自然科学基金项目(61877020,U1811263)
广州市大数据智能教育重点实验室(201905010009)。
文摘
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.
关键词
个性化自适应学习
教育知识图谱及其表示学习
知识追踪
个性化学习路径推荐
Keywords
personalized adaptive learning
educational knowledge graph and representation learning
knowledge tracing
personalized learning path recommendation
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
G434 [文化科学—教育技术学]
在线阅读
下载PDF
职称材料
题名
具有选择性局部注意力和前序信息解码器的代码生成模型
被引量：
3
2
作者
梁婉莹
朱佳
吴志杰
颜志文
汤庸
黄晋
余伟浩
机构
华南师范大学计算机学院
广州市大数据智能教育重点实验室
出处
《北京大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2021年第1期45-52,共8页
基金
国家自然科学基金(61877020,U1811263,61772211)
广东省重点领域研发计划(2018B010109002)
+1 种基金
广州市科学技术计划项目(201904010393)
广州市大数据智能教育重点实验室(201905010009)资助。
文摘
提出一种基于语法的代码生成模型,该模型具有选择性局部注意力和包含前序信息的长短期记忆(LSTM)神经网络解码器,通过更改上下文向量的计算范围,并在解码过程中融合更多的前序信息,增强单词之间的相关性。在Hearthstone和Django两个数据集上进行的代码生成实验证实了所提模型的有效性,与最新的模型相比,所提模型不仅表现出更出色的准确率和双语评估学习成绩,还可以使计算工作量最小化。
关键词
代码生成
抽象语法树
包含前序信息的长短期记忆神经网络(LSTM)
选择性局部注意力
Keywords
code generation
abstract syntactic tree
pre-order information LSTM
selective local attention
分类号
TP391.2 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于双路注意力机制的习题推荐模型研究
3
作者
聂庭焜
刘梦赤
机构
华南师范大学计算机学院
广州市大数据智能教育重点实验室
出处
《中文信息学报》
CSCD
北大核心
2023年第7期152-161,共10页
基金
国家自然科学基金(61672389)
广州市大数据智能教育重点实验室(201905010009)。
文摘
习题推荐是利用推荐算法将习题推荐给学生的任务,点击率(CTR)预测则是推荐领域的主流研究方向之一,现有的大部分习题推荐模型没有重视注意力机制的创新,因而落后于CTR预测领域。为了研究CTR预测模型中注意力机制在教育领域的应用前景,该文提出一种分层次学习注意力权重的双路注意力推荐模型(SEFM)。该模型通过因子分解机(FM)与压缩激励注意力网络(SENET)两个注意力机制的并行运行,实现学习特征之间的关系以及特征本身的权重,从而完成推荐。在两个CTR广告数据集与一个教育数据集上的实验表明,SEFM能准确地学习特征在多种维度上的权重,在两个评价指标上的表现均优于现有的先进基准模型。
关键词
推荐系统
点击率预测
习题推荐
个性化学习
Keywords
recommendation system
CTR prediction
question recommendation
personalized learning
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
数据驱动下的个性化自适应学习研究综述
朱佳
张丽君
梁婉莹
《华南师范大学学报（自然科学版）》
CAS
北大核心
2020
23
在线阅读
下载PDF
职称材料
2
具有选择性局部注意力和前序信息解码器的代码生成模型
梁婉莹
朱佳
吴志杰
颜志文
汤庸
黄晋
余伟浩
《北京大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2021
3
在线阅读
下载PDF
职称材料
3
基于双路注意力机制的习题推荐模型研究
聂庭焜
刘梦赤
《中文信息学报》
CSCD
北大核心
2023
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
