• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于深度神經(jīng)網(wǎng)絡(luò)的智能交互式學(xué)習(xí)系統(tǒng)

      2022-11-18 14:01:28李小歡
      電子設(shè)計(jì)工程 2022年22期
      關(guān)鍵詞:神經(jīng)網(wǎng)絡(luò)深度特征

      王 欣,雷 珺,李小歡,湯 成

      (中移(杭州)信息技術(shù)有限公司,浙江 杭州 310000)

      《教育信息化十年發(fā)展規(guī)劃(2011-2020 年)》中提出要“促進(jìn)人才培養(yǎng)模式創(chuàng)新。加快對(duì)課程和專業(yè)的數(shù)字化改造,創(chuàng)新信息化教學(xué)與學(xué)習(xí)方式,提升個(gè)性化互動(dòng)教學(xué)水平…”?,F(xiàn)有的在線學(xué)習(xí)平臺(tái)普遍存在重內(nèi)容建設(shè)輕應(yīng)用深度,其信息技術(shù)與教學(xué)融合不深等問題。究其原因在于平臺(tái)往往僅基于人工設(shè)計(jì)規(guī)則對(duì)學(xué)生學(xué)習(xí)狀況進(jìn)行反饋,模式單一、內(nèi)容推薦不精準(zhǔn),從而無法有效提升學(xué)生的學(xué)習(xí)主動(dòng)性,造成資源浪費(fèi)。針對(duì)以上問題,該文提出了基于深度神經(jīng)網(wǎng)絡(luò)的智能交互式學(xué)習(xí)系統(tǒng)。通過神經(jīng)網(wǎng)絡(luò)獲取特征的效率更高,魯棒性更強(qiáng),實(shí)現(xiàn)了更精準(zhǔn)的推薦,緩解了傳統(tǒng)人工涉及規(guī)則的在線學(xué)習(xí)系統(tǒng)中出題模式單一,無法針對(duì)性提升學(xué)習(xí)內(nèi)容的缺點(diǎn)。同時(shí)采用基于微服務(wù)實(shí)現(xiàn)的智能交互式學(xué)習(xí)系統(tǒng)相較于傳統(tǒng)在線平臺(tái),具備易于開發(fā)、維護(hù),上線部署快等優(yōu)點(diǎn),相較于傳統(tǒng)的單體應(yīng)用,較大地縮短了平臺(tái)的更新發(fā)布周期。

      1 推薦系統(tǒng)

      1.1 推薦系統(tǒng)簡(jiǎn)介

      推薦系統(tǒng)可以被視為一個(gè)搜索排序系統(tǒng),需要解決搜索排序的問題,做好記錄和生成兩個(gè)關(guān)鍵工作。記錄需要系統(tǒng)能夠通過用戶的一系列行為操作和屬性來更新用戶畫像,最直接的方式就是利用用戶歷史數(shù)據(jù)的相關(guān)性以及這一類用戶畫像出現(xiàn)的相同特征。生成則需要系統(tǒng)根據(jù)用戶畫像自動(dòng)生成最優(yōu)的排序結(jié)果,最重要的是體現(xiàn)基于相關(guān)性的傳遞性,探索一些潛在的聯(lián)系。推薦系統(tǒng)中嵌入的模型根據(jù)是否依賴深度學(xué)習(xí)可分為基于傳統(tǒng)因子分解的因子分解機(jī)和深度神經(jīng)網(wǎng)絡(luò)[1-2]。

      針對(duì)傳統(tǒng)因子分解機(jī)存在的問題,He 提出一種新的模型神經(jīng)因式分解機(jī)(NFM),用于稀疏環(huán)境下的預(yù)測(cè),NFM 將FM 在二階特征交互建模中的線性和神經(jīng)網(wǎng)絡(luò)在高階特征交互建模中的非線性無縫結(jié)合[3]。Vozalis 提出了基于奇異值(SVD) 分解的協(xié)同過濾算法,在協(xié)同過濾算法中引入奇異值分解,較為有效地解決了數(shù)據(jù)稀疏問題[4]。

      結(jié)合推薦系統(tǒng)的使用場(chǎng)景,最近還有研究者根據(jù)實(shí)際應(yīng)用場(chǎng)景,添加了經(jīng)濟(jì)學(xué)的價(jià)值論在模型之中,使模型的效果更佳優(yōu)異。Zhao 提出了多產(chǎn)品效用最大化(MPUM),它將消費(fèi)者選擇的經(jīng)濟(jì)學(xué)理論與個(gè)性化推薦相結(jié)合,重點(diǎn)研究產(chǎn)品集對(duì)個(gè)體用戶的效用[5]。Zhang 提出了歷史影響感知潛在因素模型(HIALF),這是真實(shí)評(píng)級(jí)系統(tǒng)的第一個(gè)模型,用于捕捉和減輕單個(gè)評(píng)級(jí)中的歷史扭曲[6]。

      推薦系統(tǒng)中的嵌入深度學(xué)習(xí)技術(shù)具有以下優(yōu)點(diǎn):1)借助深度學(xué)習(xí)的深層非線性結(jié)構(gòu)構(gòu)建了用戶和項(xiàng)目的潛在特征向量,從用戶和項(xiàng)目相關(guān)的海量數(shù)據(jù)中學(xué)習(xí)到深層次表示信息,從而挖掘數(shù)據(jù)背后的隱含特征,提高了模型的表述能力;2)基于深度學(xué)習(xí)的推薦系統(tǒng)通過集成來自多個(gè)異構(gòu)數(shù)據(jù)源的用戶/物料畫像較好地緩解算法冷啟動(dòng)問題。

      該文從企業(yè)內(nèi)部黨建學(xué)習(xí)平臺(tái)的個(gè)性化服務(wù)理念入手,構(gòu)建一套基于“云”+“端”融合的智能交互式學(xué)習(xí)系統(tǒng)。該系統(tǒng)利用用戶歷史學(xué)習(xí)、答題數(shù)據(jù),通過深度神經(jīng)網(wǎng)絡(luò)Deep&Wide 離線訓(xùn)練得到一個(gè)面向個(gè)體用戶的知識(shí)推薦模型,以該模型為基礎(chǔ),實(shí)現(xiàn)精準(zhǔn)知識(shí)點(diǎn)推送服務(wù),包含每日知識(shí)推送、定期問題更新、前后期知識(shí)反饋等。該系統(tǒng)旨在培養(yǎng)用戶自主學(xué)習(xí)的能動(dòng)性,提升企業(yè)黨建學(xué)習(xí)的用戶粘性和學(xué)習(xí)有效程度。通過對(duì)智能交互式學(xué)習(xí)系統(tǒng)關(guān)鍵技術(shù)的討論,分析學(xué)習(xí)用戶的個(gè)人知識(shí)推薦模型建立和系統(tǒng)平臺(tái)開發(fā)的基本流程。該系統(tǒng)能依據(jù)學(xué)習(xí)者相關(guān)的學(xué)習(xí)信息建立學(xué)習(xí)者的個(gè)性化知識(shí)推薦模型,驅(qū)動(dòng)學(xué)習(xí)者主動(dòng)學(xué)習(xí)與自主評(píng)測(cè)補(bǔ)漏,極大地促進(jìn)了人工智能技術(shù)在教育領(lǐng)域,尤其是在線教育領(lǐng)域的技術(shù)落地與發(fā)展[5-6]。

      1.2 數(shù)據(jù)收集及預(yù)處理

      用戶學(xué)習(xí)數(shù)據(jù)的收集和預(yù)處理是建立智能知識(shí)推薦模型非常關(guān)鍵的一步,是實(shí)現(xiàn)整個(gè)系統(tǒng)的先決條件。用戶數(shù)據(jù)詳細(xì)記錄了學(xué)習(xí)者的學(xué)習(xí)過程,為建立針對(duì)其個(gè)性化的學(xué)習(xí)模型提供了充分的數(shù)據(jù)支撐。

      訓(xùn)練樣本一共采集了1 536 名用戶的歷史學(xué)習(xí)數(shù)據(jù)及用戶個(gè)人信息,如表1 所示,其中涉及對(duì)象的個(gè)人特征,如年齡、崗位、學(xué)歷以及性別等,還包含對(duì)象在學(xué)習(xí)系統(tǒng)中的行為數(shù)據(jù),如每日學(xué)習(xí)時(shí)長(zhǎng)、學(xué)習(xí)內(nèi)容類別和學(xué)習(xí)內(nèi)容類型等。

      表1 用戶樣本數(shù)據(jù)

      表1 中描述的用戶數(shù)據(jù),在輸入深度神經(jīng)網(wǎng)絡(luò)前都會(huì)經(jīng)過預(yù)處理轉(zhuǎn)化為向量,因?yàn)樯鲜鎏卣骶鶠殡x線特征,在預(yù)處理上該文采用一位有效編碼(One-Hot Encoding)對(duì)輸入特征進(jìn)行編碼,相較于其他編碼方式如哈希編碼,一位有效編碼后向量依舊具有實(shí)際意義,可映射回原有特征;相較于特征學(xué)習(xí)的編碼方式,一位有效編碼不需要大量的語(yǔ)料進(jìn)行訓(xùn)練。

      編碼成向量后,經(jīng)過一層嵌入層(Embedding Layer)映射到同一維度的低維稠密向量,該向量維度為可變參數(shù),該文經(jīng)過測(cè)試選取128 位嵌入向量作為深度神經(jīng)網(wǎng)絡(luò)的輸入。數(shù)據(jù)預(yù)處理分為向量構(gòu)建和數(shù)據(jù)量化——將原有的數(shù)值按量化條件轉(zhuǎn)為向量[7-8]。

      1.3 搭建深度神經(jīng)網(wǎng)絡(luò)

      目前,深度神經(jīng)網(wǎng)絡(luò)架構(gòu)廣泛,有卷積神經(jīng)網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)和注意力神經(jīng)網(wǎng)絡(luò)(Transformer)等。該文采用如圖1所示的Deep&Wide深度神經(jīng)網(wǎng)絡(luò)算法模型,將1.2 節(jié)中的所有數(shù)據(jù)特征都輸入Deep 子模型,另外從中選取與學(xué)習(xí)過程強(qiáng)相關(guān)的特征——每日學(xué)習(xí)時(shí)長(zhǎng)、每周學(xué)習(xí)時(shí)長(zhǎng)、學(xué)習(xí)內(nèi)容類別、學(xué)習(xí)內(nèi)容類型、答題歷史、知識(shí)點(diǎn)內(nèi)容類別、知識(shí)點(diǎn)內(nèi)容類型、知識(shí)點(diǎn)歷史作為Wide 子模型輸入,Deep 子模型為多層神經(jīng)網(wǎng)絡(luò),Wide 部分為線性模型。

      通過Google 深度學(xué)習(xí)框架TensorFlow 實(shí)現(xiàn)Deep&Wide 模型,其輸出為二分類:1 即用戶與知識(shí)點(diǎn)匹配,0 即用戶與知識(shí)點(diǎn)不匹配。Deep 模型部分重點(diǎn)在Embedding 層和后面三層以ReLU 為激活函數(shù)的隱藏層,存在中間通過Concatenated Embedding 層拼接所有Embedding 層輸出的128 位低維特征向量,最后輸入損失函數(shù)進(jìn)行計(jì)算。

      傳統(tǒng)的Deep&Wide 深度神經(jīng)網(wǎng)絡(luò)算法同時(shí)學(xué)習(xí)低階和高階組合特征,它混合了一個(gè)線性模型(Wide part)和Deep 模型(Deep part)。這兩部分模型需要不同的輸入,而Wide part 部分的輸入,依舊依賴人工特征工程,導(dǎo)致模型偏向于提取低階或者高階的組合特征,而不能同時(shí)提取這兩種類型的特征。該文算法Deep 模型后面的三層分別是以ReLU 為激活函數(shù)的隱藏層、線性模型和Dropout 層,Dropout 的機(jī)制:在每次神經(jīng)網(wǎng)絡(luò)的反向傳播中,會(huì)隨機(jī)選擇一些神經(jīng)元,設(shè)定其反向傳播對(duì)應(yīng)的參數(shù)為0,然后對(duì)于被改變后的神經(jīng)網(wǎng)絡(luò)進(jìn)行反向傳播,削弱模型對(duì)于低階或者高階的單一特征依賴,更容易學(xué)習(xí)到低階和高階特征的組合,相對(duì)于深度因子分解方法,該文方法計(jì)算效率更高,模型計(jì)算更為有效[9-10]。

      每一隱藏層計(jì)算如式(1):

      ReLU 的定義為:

      1.4 智能推薦模型實(shí)驗(yàn)結(jié)果

      Deep&Wide 聯(lián)合模型一共使用了1 536 名用戶數(shù)據(jù),從用戶數(shù)據(jù)中提取知識(shí)點(diǎn)總計(jì)7 588 個(gè),經(jīng)數(shù)據(jù)清洗及標(biāo)注后得到101 202 個(gè)樣本數(shù)據(jù),為了防止過擬合/欠擬合,將正負(fù)樣本比例控制在10%,進(jìn)行k-fold 交叉驗(yàn)證(k=10),得到驗(yàn)證集的準(zhǔn)確率如表2所示,最后得到平均準(zhǔn)確率為89.08%。

      表2 k-fold交叉驗(yàn)證結(jié)果

      另外,針對(duì)Embedding Layer 的128 維低維稠密向量,對(duì)這個(gè)128 維度參數(shù)做比對(duì)實(shí)驗(yàn),其于訓(xùn)練并行計(jì)算和先前研究結(jié)果,維數(shù)皆為2 的冪次,結(jié)果如表3 所示,發(fā)現(xiàn)256 維為最佳,維度增加并未與準(zhǔn)確率成正比,為在計(jì)算速度和準(zhǔn)確率之間做平衡,最后應(yīng)用選取128 維。

      表3 嵌入向量維數(shù)對(duì)比結(jié)果

      為了驗(yàn)證該文算法改進(jìn)的有效性,在Embedding Layer 的128 維低維稠密向量的基礎(chǔ)上,通過消融實(shí)驗(yàn)對(duì)比增加dropout 層前后的準(zhǔn)確率,可以看出添加dropout 層后,驗(yàn)證集準(zhǔn)確率相較于原始Deep&Wide模型提高了6.76%,如表4 所示。具有明顯的提升效果[11-12]。

      表4 dropout層消融實(shí)驗(yàn)交叉驗(yàn)證結(jié)果

      2 系統(tǒng)架構(gòu)及功能

      2.1 微服務(wù)架構(gòu)技術(shù)簡(jiǎn)介

      微服務(wù)架構(gòu)(Micro-service Architecture)是一種架構(gòu)概念,通過將功能分解到各個(gè)獨(dú)立的服務(wù)中實(shí)現(xiàn)整個(gè)服務(wù)系統(tǒng)的解耦。微服務(wù)的概念是2012 年提出的,用來滿足Web 和移動(dòng)應(yīng)用快速開發(fā)的需求。微服務(wù)的定義范疇如下:1)分布式服務(wù)組成的系統(tǒng);2)按照業(yè)務(wù)而不是技術(shù)來劃分組織;3)做有生命的產(chǎn)品而不是項(xiàng)目;4)強(qiáng)服務(wù)個(gè)體和弱通信(smart endpoints and dumb pipes);5)自動(dòng)化運(yùn)維(DevOps);6)高度容錯(cuò)性;7)快速演化和迭代。相較于傳統(tǒng)的單體應(yīng)用架構(gòu),微服務(wù)架構(gòu)的優(yōu)點(diǎn)如下:1)提升開發(fā)交流,每個(gè)服務(wù)足夠內(nèi)聚,足夠小,代碼容易理解;2)服務(wù)獨(dú)立測(cè)試、部署、升級(jí)、發(fā)布;3)可按需定制產(chǎn)品生命周期和資源利用率,每個(gè)服務(wù)可以各自進(jìn)行擴(kuò)展,而且每個(gè)服務(wù)可以根據(jù)自己的需要部署到合適的硬件服務(wù)器上;4)可按需選擇冗余備份的模式,選擇接受服務(wù)的實(shí)例個(gè)數(shù);5)容易擴(kuò)大開發(fā)團(tuán)隊(duì),可以針對(duì)每個(gè)服務(wù)(service)組件開發(fā)團(tuán)隊(duì);6)提高服務(wù)容錯(cuò)性,一個(gè)服務(wù)的內(nèi)存泄露并不會(huì)讓整個(gè)系統(tǒng)癱瘓;7)便利新技術(shù)的應(yīng)用,系統(tǒng)不會(huì)被長(zhǎng)期限制在某個(gè)技術(shù)棧上。

      2.2 智能交互式學(xué)習(xí)系統(tǒng)架構(gòu)

      智能交互式學(xué)習(xí)系統(tǒng)架構(gòu)分為在線和離線兩個(gè)子系統(tǒng)。離線子系統(tǒng)負(fù)責(zé)大數(shù)據(jù)分析和深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練驗(yàn)證。

      如圖2 所示,黨建學(xué)習(xí)平臺(tái)總體架構(gòu)分為負(fù)載均衡層、連接層、服務(wù)層及數(shù)據(jù)層,每一層在邏輯上相互獨(dú)立且支持?jǐn)U展。

      負(fù)載均衡層舍棄了傳統(tǒng)的F5 硬件負(fù)載均衡(Load Balance)方案,采用了Nginx 軟件負(fù)載均衡方式,大大降低了運(yùn)維成本,同時(shí)提高了系統(tǒng)的靈活性。

      連接層負(fù)責(zé)接入各終端、業(yè)務(wù)系統(tǒng),通過采用前后端分開、自研輕量級(jí)交互協(xié)議、移動(dòng)端維持長(zhǎng)連接的方式,實(shí)現(xiàn)終端用戶良好的使用體驗(yàn)[13-14]。

      黨建學(xué)習(xí)平臺(tái)的關(guān)鍵是服務(wù)層,服務(wù)層負(fù)責(zé)平臺(tái)業(yè)務(wù)邏輯,各個(gè)服務(wù)之間可以進(jìn)行相互通信,運(yùn)用服務(wù)治理的設(shè)計(jì)理念,實(shí)現(xiàn)服務(wù)之間負(fù)載自動(dòng)均衡和提升系統(tǒng)的擴(kuò)展性;另外,服務(wù)層引入嵌入式監(jiān)管的理念,實(shí)時(shí)監(jiān)控服務(wù)生命周期的健康水平。服務(wù)層承接“智能知識(shí)推薦模型”的運(yùn)行,針對(duì)每個(gè)用戶提供個(gè)體化學(xué)習(xí)與評(píng)測(cè)內(nèi)容。

      數(shù)據(jù)層負(fù)責(zé)各服務(wù)的數(shù)據(jù)、文件、通知-推送、緩存的存儲(chǔ)管理,其中數(shù)據(jù)通過離線備份到深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練平臺(tái),用于模型訓(xùn)練及驗(yàn)證。

      3 應(yīng)用成果

      以智能交互式知識(shí)學(xué)習(xí)系統(tǒng)為核心的黨建學(xué)習(xí)平臺(tái)自建設(shè)上線以來,為十余個(gè)省市提供了黨建知識(shí)學(xué)習(xí)信息化服務(wù),通過發(fā)起在線考試了解黨員的學(xué)習(xí)成果,后臺(tái)自動(dòng)統(tǒng)計(jì)結(jié)果,高效省時(shí),減少了以往組織類似競(jìng)賽活動(dòng)的人工成本和時(shí)間成本,并有力推動(dòng)了黨群部門的無紙化辦公應(yīng)用。同時(shí),廣大省市移動(dòng)公司通過聯(lián)合當(dāng)?shù)亟M織部門開展競(jìng)賽活動(dòng),進(jìn)一步在當(dāng)?shù)財(cái)U(kuò)大了公司的影響力并提升了廣大用戶的4G 流量使用度,社會(huì)價(jià)值和經(jīng)濟(jì)價(jià)值均有所體現(xiàn)[15-16]。

      根據(jù)平臺(tái)數(shù)據(jù)統(tǒng)計(jì),部署了智能知識(shí)推薦模型后,參與黨建學(xué)習(xí)平臺(tái)活動(dòng)的各單位黨員的學(xué)習(xí)效率顯著提升,與傳統(tǒng)學(xué)習(xí)方式相比,使用該平臺(tái)后,黨員的黨建知識(shí)測(cè)評(píng)平均分提高了15 分,黨建活動(dòng)的員工參與度也上升了30%。截止目前,黨建學(xué)習(xí)平臺(tái)已經(jīng)接入移動(dòng)云、小移人家、和飛信、和辦公、和助理等諸多APP 產(chǎn)品中,累計(jì)服務(wù)單位近80 家,服務(wù)黨員規(guī)模超過100 萬人,累計(jì)答題數(shù)超過5 000 萬人次,累計(jì)直接創(chuàng)收超過300 萬元。

      4 結(jié)論

      從黨建學(xué)習(xí)平臺(tái)的個(gè)性化服務(wù)理念入手,以深度神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)技術(shù)為基礎(chǔ),針對(duì)現(xiàn)有學(xué)習(xí)資源多元冗余但缺乏智能化交互的網(wǎng)絡(luò)學(xué)習(xí)平臺(tái),該文提出了一種自動(dòng)記錄用戶歷史學(xué)習(xí)數(shù)據(jù)、離線訓(xùn)練智能推薦模型、在線應(yīng)用模型的智能交互式知識(shí)學(xué)習(xí)系統(tǒng)。通過對(duì)系統(tǒng)設(shè)計(jì)和模型研究的詳細(xì)介紹,分析和討論了學(xué)習(xí)平臺(tái)和智能推薦模型的基本研究過程和關(guān)鍵技術(shù)點(diǎn)。該系統(tǒng)能依據(jù)學(xué)習(xí)者相關(guān)的學(xué)習(xí)信息建立學(xué)習(xí)者的個(gè)性化知識(shí)推薦模型,驅(qū)動(dòng)學(xué)習(xí)者主動(dòng)學(xué)習(xí)與自主評(píng)測(cè)補(bǔ)漏,極大促進(jìn)了人工智能技術(shù)在教育領(lǐng)域,尤其是在線教育領(lǐng)域的發(fā)展。

      猜你喜歡
      神經(jīng)網(wǎng)絡(luò)深度特征
      深度理解一元一次方程
      如何表達(dá)“特征”
      神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
      電子制作(2019年19期)2019-11-23 08:42:00
      不忠誠(chéng)的四個(gè)特征
      深度觀察
      深度觀察
      深度觀察
      抓住特征巧觀察
      基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
      復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
      茶陵县| 胶州市| 崇义县| 石棉县| 留坝县| 九龙县| 唐河县| 乐陵市| 固原市| 武山县| 井冈山市| 罗平县| 普格县| 三都| 泾阳县| 娄烦县| 南平市| 胶南市| 弋阳县| 库尔勒市| 化德县| 南汇区| 万源市| 景东| 永城市| 通道| 博白县| 含山县| 太仓市| 诏安县| 灵宝市| 德钦县| 青冈县| 永福县| 宣化县| 南开区| 遂平县| 呼图壁县| 准格尔旗| 平罗县| 无棣县|