-
公开(公告)号：CN110866162A
公开(公告)日：2020-03-06
申请号：CN201910959395.0
申请日：2019-10-10
Applicant: 西安交通大学
IPC: G06F16/906 , G06K9/62 , G06Q50/20
Abstract: 本发明公开了一种基于MOOC数据中辍学行为的因果关系模型的建立方法，通过分析MOOC日志数据集和构建影响辍学行为的候选自变量，定性分析所述候选自变量与因变量之间的相关性；设计所述候选自变量与因变量之间依赖性的定量度量方法，来构建无向图，得到由自变量和因变量组成的节点集构成的无向图，使用基于互信息的局部因果网络结构发现算法，通过无向图中基于回归分析方程剔除错误变量和基于条件独立性测试生成局部网络，构建面向辍学行为的带方向的局部因果网络结构，对于任何一种目标学习效果变量，都可以通过无向图生成、错误节点剔除和局部网络结构构建来进行关于该学习效果的局部因果网络结构的构建工作，进行学习效果的因果关系挖掘。
-
Patent Agency Ranking
公开(公告)号：CN111723973A
公开(公告)日：2020-09-29
申请号：CN202010415168.4
申请日：2020-05-15
Applicant: 西安交通大学
Abstract: 本发明公开基于MOOC日志数据中用户行为因果关系的学习效果优化方法，基于MOOC平台用户的日志数据，利用用户倾向性计算和匹配，通过依照反事实的因果推理框架来选取生成因果网络中的因果自变量，在不同数据规模下根据生成网络的平均马尔可夫毯长度，在其长度趋于平稳时获取最小数据规模；得到因果网络群组；使用专家精确度算法来筛选网络节点间的边，将筛选好的网络群组，使用Bagging投票机制综合生成最终因果网络，得到用户行为和学习效果的因果关系，基于所述因果关系，根据原因变量节点和结果变量节点对用户学习路径做出合理规划，改变用户操作行为或者用户的学习时间来影响用户是否完成这门课程的概率，提高了变量之间关系判定的准确性。
-
公开(公告)号：CN111708816B
公开(公告)日：2022-12-09
申请号：CN202010414102.3
申请日：2020-05-15
Applicant: 西安交通大学
IPC: G06F16/2458 , G06K9/62
Abstract: 本发明公开了一种基于贝叶斯模型的多真值冲突消解方法，通过分析书籍和电影数据并生成基本数据集Draw，将基本数据集Draw重新转换成一个事实数据集Df，然后进一步生成一个声明数据集Dc，采用基于吉布斯采样的方法进行数据源先验可信度评估；得到数据源先验可靠性，将该数据源先验值作为每个数据源的初始化值，基于数据源在不同领域显示出不同的专业知识程度，一个领域中数据丰富度较高，将丰富度度量转化为基于距离的度量，度量数据源及其提供数据的对象之间的相似性；在最后的贝叶斯推断中将数据源与对象的相似性和真值的置信度作为影响真值推断的因素考虑进去，最后输出真值数据集Dt，进行数据源先验可信度估计，能提高真值推断的效率和准确度。
-
公开(公告)号：CN111723973B
公开(公告)日：2022-12-09
申请号：CN202010415168.4
申请日：2020-05-15
Applicant: 西安交通大学
Abstract: 本发明公开基于MOOC日志数据中用户行为因果关系的学习效果优化方法，基于MOOC平台用户的日志数据，利用用户倾向性计算和匹配，通过依照反事实的因果推理框架来选取生成因果网络中的因果自变量，在不同数据规模下根据生成网络的平均马尔可夫毯长度，在其长度趋于平稳时获取最小数据规模；得到因果网络群组；使用专家精确度算法来筛选网络节点间的边，将筛选好的网络群组，使用Bagging投票机制综合生成最终因果网络，得到用户行为和学习效果的因果关系，基于所述因果关系，根据原因变量节点和结果变量节点对用户学习路径做出合理规划，改变用户操作行为或者用户的学习时间来影响用户是否完成这门课程的概率，提高了变量之间关系判定的准确性。
-
公开(公告)号：CN110866162B
公开(公告)日：2021-11-19
申请号：CN201910959395.0
申请日：2019-10-10
Applicant: 西安交通大学
IPC: G06F16/906 , G06K9/62 , G06Q50/20
Abstract: 本发明公开了一种基于MOOC数据中辍学行为的因果关系模型的建立方法，通过分析MOOC日志数据集和构建影响辍学行为的候选自变量，定性分析所述候选自变量与因变量之间的相关性；设计所述候选自变量与因变量之间依赖性的定量度量方法，来构建无向图，得到由自变量和因变量组成的节点集构成的无向图，使用基于互信息的局部因果网络结构发现算法，通过无向图中基于回归分析方程剔除错误变量和基于条件独立性测试生成局部网络，构建面向辍学行为的带方向的局部因果网络结构，对于任何一种目标学习效果变量，都可以通过无向图生成、错误节点剔除和局部网络结构构建来进行关于该学习效果的局部因果网络结构的构建工作，进行学习效果的因果关系挖掘。
-
公开(公告)号：CN111708816A
公开(公告)日：2020-09-25
申请号：CN202010414102.3
申请日：2020-05-15
Applicant: 西安交通大学
IPC: G06F16/2458 , G06K9/62
Abstract: 本发明公开了一种基于贝叶斯模型的多真值冲突消解方法，通过分析书籍和电影数据并生成基本数据集Draw，将基本数据集Draw重新转换成一个事实数据集Df，然后进一步生成一个声明数据集Dc，采用基于吉布斯采样的方法进行数据源先验可信度评估；得到数据源先验可靠性，将该数据源先验值作为每个数据源的初始化值，基于数据源在不同领域显示出不同的专业知识程度，一个领域中数据丰富度较高，将丰富度度量转化为基于距离的度量，度量数据源及其提供数据的对象之间的相似性；在最后的贝叶斯推断中将数据源与对象的相似性和真值的置信度作为影响真值推断的因素考虑进去，最后输出真值数据集Dt，进行数据源先验可信度估计，能提高真值推断的效率和准确度。
-
-
-
-
-
Search Results
6
records
(took 0.022 seconds)
