7篇关于贝叶斯网的计算机毕业论文

今天分享的是关于贝叶斯网的7篇计算机毕业论文范文, 如果你的论文涉及到贝叶斯网等主题,本文能够帮助到你

基于集成学习的MOOC辍学预测及干预模型研究

这是一篇关于MOOC辍学预测,贝叶斯网,TabNet,随机森林,集成学习的论文, 主要内容为近年来,大规模开放在线课程(Massive Open Online Courses,MOOC)因其开放、免费、教学资源优质等诸多优点吸引了大批的学习者,但也因为宽松的学习环境、碎片化的学习方式等特点,导致高辍学率和低保留率问题也随之突显。因此,如何利用人工智能技术对MOOC辍学行为进行有效预测,并通过辍学原因分析给予相应干预策略来不断提升课程质量,是目前MOOC持续健康发展的必要手段和突破口。基于此,本文充分利用机器学习、深度学习和集成学习算法优势,提出具有可解释性和高预测性能的辍学预测算法,并构建适合分析MOOC学习者行为的辍学动态模型以及辍学干预模型,并针对不同因素影响下的辍学行为提出相应的干预策略。主要研究工作如下:(1)基于贝叶斯网的辍学预测模型。针对现有模型在分析影响MOOC辍学的多特征之间不确定性依赖关系方面的不足,本文引入贝叶斯网络进行面向学习行为数据的辍学预测,并提出基于贝叶斯网的辍学预测模型。通过在开放大学学习分析数据集OULAD上的对比实验,验证本文提出方法的有效性和准确性。(2)基于集成模型的辍学预测模型。为了克服海量用户环境下,基于贝叶斯网的推理速度和精度难以有效保证这一局限性,本文利用深度学习和集成学习技术对预测模型进行改进,在贝叶斯网的基础上融合了Tab Net和随机森林算法,并利用Bagging策略构建了一种基于集成学习的辍学行为预测模型,进一步提升预测模型的预测准确率,最后通过公共数据集上的对比实验验证了方法的有效性。(3)动态辍学模型及干预模型构建。基于本文提出的辍学预测模型的预测结果,进行归因分析并归纳总结MOOC辍学的影响因素,构建基于Tinto的MOOC学习者辍学动态模型,并基于辍学模型构建辍学干预模型,最后从学习经验、互动性、课程设计、学习条件、教学语言、时间保障、证书价值提升等七个方面给出辍学干预策略,为进一步提升MOOC学习质量提供有效途径。

基于集成学习的MOOC辍学预测及干预模型研究

基于概率推理的知识图谱链接预测

这是一篇关于知识图谱,链接预测,贝叶斯网,Horn子句,概率推理的论文, 主要内容为知识图谱(Knowledge Graph,KG)以强大的语义处理能力与开放互联能力成为人工智能领域研究的热点。然而,KG中的知识并不完善,部分实体之间缺少链接,导致KG的使用受到极大的限制。KG的链接预测任务旨在为实体间缺失的链接进行预测,其中,根据KG中的知识计算实体间存在链接的可能性,预测缺失的实体链接,是KG链接预测的核心任务之一,也是本文研究的链接预测问题。KG中的实体之间存在着相互依赖关系,且具有不确定性,如何描述不同实体间的隐含链接关系、并对其存在的可能性进行定量度量,是准确预测实体间存在链接的重要保证。基于规则挖掘发现缺失链接是一种有效的KG链接预测方法,然而,该方法不能有效发现实体间隐含的关联关系并对其进行量化,难以全面准确地实现KG的链接预测任务。为此,本文以描述实体间隐含关联关系并度量链接存在的可能性为目标,基于AMIE算法挖掘KG中的规则,并将其转换为Horn子句。进一步,以贝叶斯网(Bayesian Network,BN)这一概率图模型作为描述KG实体间不确定依赖关系的表示和推理框架,利用Horn子句构建描述实体间相互关联的规则链接贝叶斯网(Rule-Link Bayesian Network,RLBN)。把KG的链接预测任务转换成RLBN的概率推理任务、计算实体间的关联度,作为链接存在的依据从而实现链接预测任务。本文的主要工作概括如下:(1)针对查询实体,利用AMIE算法挖掘KG中描述查询实体与候选实体集依赖关系的逻辑规则,设计加权函数计算规则的权值,并提出了抽取最优规则关联实体集的分支限界算法,获取与查询实体关联的实体集。(2)为了构建RLBN的结构,将查询实体的规则关联实体集表示为Horn子句并等价地转换为有向无环图。此外,提出概率分配函数并利用Horn子句中的逻辑约束来计算各节点的条件概率表。(3)为了高效地完成链接预测任务,本文基于BN推理机制提出RLBN的近似推理算法,计算实体间的关联度,并将其作为预测链接存在性的依据。(4)基于不同规模、类型的数据集上,选择多组对比方法,对RLBN的链接预测方法及模型的构建进行了实验测试,实验验证了模型的有效性和高效性,并且为了更加直观地展示RLBN模型,本文设计并实现了简单的模型原型系统。

基于自编码器的贝叶斯网嵌入及概率推理

这是一篇关于贝叶斯网,概率推理,图嵌入,自编码器,注意力机制的论文, 主要内容为近年来,推荐系统、诊断系统等智能系统的快速发展,为用户偏好估计、疾病诊断及相似搜索等场景提供了重要的技术支撑。基于这类系统的决策,其实质通常是将领域知识建模为图模型,并根据图模型及其节点间的依赖关系来实现知识推理。然而,在图模型上进行知识推理往往是困难且低效的,因此基于图模型的高效推理方法对于智能系统的决策具有重要的意义。贝叶斯网(Bayesian Network,BN)作为不确定性知识表示和推理的基本框架,被广泛用于社交网络、知识图谱和医疗诊断等领域。基于BN的决策、分析和相似搜索,其核心是进行多次概率推理。然而,传统的概率推理方法在多次概率推理中存在时间复杂度高、效率低等问题。考虑图嵌入在图分析任务中的高效性,本文引入图嵌入的思想将BN转换为一组低维向量,并提出基于嵌入向量的概率推理方法以克服多次概率推理的效率瓶颈。在此基础上,本文进一步提出相似节点查询算法以实现高效的BN相似搜索。本文的主要研究内容概括如下:(1)为了在嵌入向量中尽可能保存BN的有向无环图结构和条件概率参数等信息,本文首先将BN转换为带权有向图,并给出基于最大似然估计的BN采样方法,根据采样样本近似计算带权有向图中边的权重,构建与带权有向图相对应的带权邻接矩阵。然后,本文基于自编码器及注意力机制提出BN嵌入方法。其中,自编码器的每个编码层均利用节点与其邻居节点(即父节点和子节点)的相关性生成节点的嵌入向量。(2)针对多次概率推理存在的时间复杂度高、效率低等问题,本文将概率推理中基于链式法则的联合概率计算转化为嵌入向量之间的距离计算,进而提出基于嵌入向量的概率推理方法以及相似节点查询方法。(3)为了测试本文方法的有效性和效率,使用不同规模的数据集对BN嵌入、基于嵌入向量的概率推理方法及相似节点查询方法进行了实验测试。实验结果表明,本文方法的效率均高于对比方法,且能得到准确的推理结果。

基于贝叶斯网的开放世界知识图谱补全

这是一篇关于开放世界知识图谱补全,关系之间的依赖性,贝叶斯网,概率推理,关系预测的论文, 主要内容为知识图谱作为海量数据的支撑技术,为搜索引擎、问答系统和推荐系统等应用提供知识服务,由实体以及实体之间关系构成的三元组是知识图谱的基础结构。为了丰富知识,传统的知识图谱补全方法以表示学习为基础,将实体和关系投射到向量空间,并通过向量之间的距离计算来构造更多的三元组。然而,现实世界中的知识在不断更新变化,这要求知识图谱能够及时增补有用的新知识。同时,数据中蕴含的知识也可以作为新知识的来源,对知识图谱补全具有重要意义。研究人员将所有不包含于知识图谱的数据称为开放世界数据,提出开放世界知识图谱补全方法,从数据中获取知识图谱中不存在的新实体,利用新实体构造三元组。然而,对于任意一个新实体,现有的开放世界补全方法每次只能构造一个三元组,在一定程度上限制了新知识的丰富程度。事实上,知识图谱中实体共同涉及的关系之间通常具有相互依赖的性质,基于这种依赖性可利用数据中的新实体来构造更多的三元组。贝叶斯网被广泛用于变量之间相互依赖关系和不确定性知识的表示和推理,为了给知识图谱补充更多的新知识,本文研究基于贝叶斯网的开放世界知识图谱补全方法。利用贝叶斯网表示关系之间的依赖性,针对从开放世界数据中提取的新实体,基于贝叶斯网概率推理来获取与新实体相关的其他关系,进而构造更多的包含新实体的三元组来完善知识图谱。本文的主要研究内容概括如下:(1)基于知识图谱构建贝叶斯网,有效表示关系之间的依赖性,作为开放世界知识图谱补全的基础。(2)提出基于贝叶斯网概率推理的三元组构造方法,从开放世界数据中获取包含新实体的三元组,并将这些三元组作为证据,通过贝叶斯网推理构造更多的三元组,从而实现知识图谱的补全。(3)利用三元组类型预测和链路预测任务对本文方法进行了实验测试,验证了模型构建方法的高效性和知识图谱补全方法的有效性。