关键词： 未来自我连续性   学习投入   生命意义   自我控制   干预研究  

摘要： 未来自我连续性(Future Self-Continuity,FSC)是指个体在时间维度上对其现在自我和未来自我之间连续和一致程度的认识,包括相似性、生动性和积极性三个维度。学习投入(Learning Engagement)是指个体在学习过程中所表现出来的一种持续不断、正向积极的情感认知状态,包括活力、奉献、专注三个维度。已有研究表明,促进个体现在自我与未来自我之间的联系可以有效提高其学习成绩,但未来自我连续性对个体学习投入的影响机制尚不明晰,对未来自我连续性进行干预是否能显著提升个体的学习投入水平也需进一步检验。本文通过两个系列研究对这些问题进行了探讨。 研究一采用《未来自我连续性问卷》、《学习投入量表》、《生命意义量表》和《自我控制量表》对517名大一至大四在读大学生进行问卷调查,探讨了未来自我连续性、生命意义、自我控制与学习投入之间的关系。研究二则对未来自我连续性进行干预,考察其对学习投入水平的提升效果,将112名大学生平均分为干预组和控制组,采用前后测实验设计,通过双向信件书写活动对未来自我连续性进行干预,并检验其对个体学习投入的影响以及生命意义与自我控制在其中的作用。 研究结果表明:(1)未来自我连续性、生命意义、自我控制、学习投入两两之间呈显著正相关关系;(2)高未来自我连续性组的学习投入水平显著高于低未来自我连续性组;(3)生命意义在未来自我连续性对学习投入的影响中起显著的中介作用;(4)自我控制在未来自我连续性对学习投入的影响中起显著的中介作用;(5)未来自我连续性通过生命意义、自我控制的链式中介作用对学习投入产生显著影响;(6)干预之前,干预组与控制组在未来自我连续性与学习投入水平上不存在显著差异;(7)干预之后,干预组的未来自我连续性和学习投入水平均显著高于干预前的水平;(8)在干预实验中,生命意义和自我控制在未来自我连续性对学习投入的影响中起显著的中介作用。 因此,未来自我连续性能直接影响学习投入,也能通过生命意义、自我控制的中介作用间接影响学习投入;对未来自我连续性进行双向信件书写活动的干预可以有效提升大学生的学习投入。在实践教育中,可以通过未来自我连续性及其干预措施促进大学生投入学习,也可以着手于生命意义和自我控制两个方面来改善大学生的学习投入。

关键词： 退市预警   混沌精英鲸鱼优化算法   深度学习方法   AWOA-DL模型  

摘要： 公司退市预警一直是公司财务风险管理领域一个不可忽视的问题。若遭遇财务危机,可能会导致公司被迫从市场上撤出,对个体乃至整个经济的健康发展都会带来严重影响,这一点不容忽视。因此,构建一个高效且精准的退市预测模型,及时向各方发出预警,变得尤为关键。目前,退市预警研究主要依赖于多元线性回归、Logistic回归以及神经网络等分析方法,这些方法的运用为学者们提供了有力的工具来探索退市风险,然而这些模型在描绘真实情况时都存在一定局限,仅呈现出线性或表面上的关联。考虑到公司退市风险的根源十分复杂,传统的模型已经不能完全展现这种错综复杂的联系。随着大数据时代的到来,深度学习模型凭借其捕捉高维数据间错综复杂非线性关系的能力,正被广泛应用于各个领域中。同时,为了进一步提升深度学习模型的性能,我们引入了智能优化算法来优化影响模型性能的超参数。本文致力于将深度学习模型应用于公司退市风险预警领域,以期能够获取更为精准的预测效果,为公司财务风险管理提供有力支持。 本研究创新性地提出了一种基于混沌精英鲸鱼优化算法的深度学习退市预警模型(AWOA-DL),该模型旨在精准预测上市公司在退市预警不同阶段所面临的财务风险状态,为企业的风险防控提供有力支持。具体而言,在退市预警阶段,通过分析选定的24个财务指标,依据样本公司(t-2)年度的财务数据,对公司在t年是否被标记为面临退市风险进行预测。而在退市风险预警状态解除(摘帽)阶段,则是利用21个财务指标,根据样本公司t年的财务数据,来预测其是否在(t+1)年摘除风险警示标志。为深入探讨沪深A股上市公司在2002年至2021年间所面临的退市风险状况,本研究特别选取了这一时间段内每年首次被*ST标记的公司作为退市风险样本,以期全面揭示其风险特征。同时,每年还选择了与退市风险公司数量相比5倍的非*ST公司作为财务正常样本。基于7:3的划分原则,我们将这些样本分别归入训练集和测试集,其中训练集占比70%,测试集占比30%。在深度神经网络的训练过程中,引入了混沌精英鲸鱼优化算法,建立了AWOA-DL退市预警模型。最后,使用测试集对AWOA-DL模型进行验证,并评估其预测准确性。同时,还和Logistic模型、DNN模型和TLBO-DL模型的预测结果进行了对比。研究发现:AWOA-DL模型在预测上市公司不同阶段的退市情况时表现出色,尤其是在预测少数类*ST公司样本的退市状态方面,AWOADL模型的预测效果最为显著,胜于TLBO-DL模型,明显优于DNN模型和Logistic模型。这一结果充分展示了所构建的深度学习模型在解决上市公司退市预警问题上的较强实用性。基于上述研究成果,本文旨在为公司管理者、相关投资者以及监管当局提供具有实际价值的建议,以帮助他们更好地应对退市风险,确保市场的稳定和公司的健康发展。

关键词： 动态异质图   图表示学习   动态链路预测   对比学习  

摘要： 随着互联网和信息化的迅速发展,包含动态性和异质性的复杂网络在人类生产生活中日益显现。近年来,随着深度学习和图神经网络研究的发展,图表示学习在现实世界复杂网络建模与挖掘方面取得了显著成效。然而,在面对普遍同时存在异质性和动态性的现实世界复杂网络时,现有研究在处理动态异质图数据时仍存在异质兼容泛化性不足和无法感知全局性信息等问题。因此,本文以提升现有动态异质图神经网络的泛化性和全局结构感知能力为主要目标,针对以上两个问题进行了深入的研究,分别提出了两项新颖的研究工作,并且通过详细的实验分别验证了所提方法的有效性。本文的主要工作和贡献总结如下: 针对现有研究异质兼容泛化性较差问题,提出框架动态异质图神经网络即插即用扩展框架(HGN2T)。该框架通过历史特征整合模块整合动态异质图历史快照中的动态演化信息,并通过拓扑演化更新模块将网络异质拓扑结构引入到时序性演化信息建模及更新过程。最终,HGN2T通过联合优化当前时刻链路检测和未来时刻链路预测任务训练模型以充分捕获异质结构信息和时序依赖信息,既保留现有异质图神经网络的异质性建模能力,又有效扩展其对时序动态性建模能力,从而获得更具通用性和泛化性的动态异质图表示学习能力。 针对现有研究无法感知全局性信息问题,提出了基于对比学习的全局结构感知增强动态异质图神经网络模型(HTGCL)。该模型通过异质性层次注意力消息传递机制分别捕获节点及其邻域的空域节点特征,并通过时序注意力机制建模节点在时域的动态演化特征,从而得到关于多快照的动态异质性节点局部表示,通过联合对比学习最大化动态异质图时序性邻域表示和全局结构表示之间的互信息增强局部表示,使模型避免过度关注低阶结构并提升全局性信息感知能力。 综上,本文从异质兼容泛化性和全局性信息动态感知的角度出发,提出了面向动态异质图表示学习的图神经网络扩展框架和基于对比学习的全局结构增强图神经网络模型。通过在真实动态异质图数据集上开展实验对提出框架和模型进行有效性验证,大量实验结果验证了本文所提方法的有效性,并且相比于各类基线模型更具通用性和更卓越的网络异质性和动态性建模能力。

关键词： 竹笛曲   《沂河欢歌》   演奏技法   学习要点  

摘要： 竹笛曲《沂河欢歌》富有浓厚的山东地方特色，表现了沂蒙山地区的人民对自己家乡的热爱之情。本文将对《沂河欢歌》这首乐曲在基本功训练、演奏技巧等方面进行深入细致的分段分析，从而得出自己的研究观点，让大家通过歌曲看到沂河的壮丽景色、了解熟悉曲目的音乐风格、演奏技巧以及体会它丰富的情感色彩。希望通过笔者的分析，让读者更加清晰地理解每个乐段所展现的音乐场景。对于想要学习这首作品的竹笛爱好者，笔者也提供了一些建议和指导，以便帮助大家更好地掌握这首美妙的乐曲。

关键词： 数学教学   游戏化学习   提升兴趣  

摘要： 在传统的数学教学中，小学生往往因为知识的抽象性和枯燥性而感到困惑和乏味，导致学习兴趣低下。随着教育理念的更新和教学方式的创新，游戏化学习逐渐成为激发学生数学兴趣的有效途径。游戏化学习不仅符合小学生的认知特点和兴趣爱好，还能够通过富有趣味性和互动性的活动，让学生在轻松愉快的氛围中学习数学，提高学习效果。本文以苏教版五年级上册第三单元《小数的意义和性质》教学为例，通过游戏化的学习方式，将小数知识融入生动有趣的游戏中，让学生在游戏中感知小数的意义和性质，激发学生的学习兴趣，使其更好地理解和掌握小数知识。

关键词： 动态联邦学习   非独立同分布   客户端选择   损失函数   模型聚合  

摘要： 联邦学习可以通过将本地训练的模型更新传输到中央服务器进行模型聚合,无需发送本地原始数据,有效地保护了用户数据隐私。在实际应用中,各节点之间的数据通常是非独立同分布(non-Independent Identical Distribution,non-IID)的,非独立同分布数据会使得各节点在更新其局部模型时,朝着各自局部最优进行优化,这会在客户端更新中引起偏移,并且服务器端在聚合这些分散的局部模型时,全局模型会进一步被各客户端的局部最优分散,这将导致模型训练的收敛速度和模型精度降低。本文为了克服传统联邦学习算法在非独立同分布数据场景下所存在的问题,提出了两种动态联邦学习算法,分别从客户端选择、局部模型更新和全局模型更新方面进行了优化。本文主要贡献如下: 针对非独立同分布数据场景下联邦学习效率降低的问题,本文提出一种动态客户端选择算法,分别从两个方面对客户端的贡献进行了评估。一方面,通过客户端本地数据样本的损失来反映客户端数据样本的贡献度。另一方面,采用余弦相似度作为客户端局部模型贡献的衡量指标。算法结合两种指标作为客户端贡献评分,并通过该贡献评分动态地更新客户端每轮被选择参与训练的概率,使得那些训练损失较大且模型更新方向偏差较小的客户端以更大概率被选择参与训练。实验结果表明,在CIFAR10数据集上且非独立同分布程度较高时,相较于其他三种联邦学习算法,动态客户端选择算法的精度分别提升8.23%,1.2%,0.26%,且达到40%测试准确率所需的通信轮次分别减少5.26%,7.22%和4.25%,有效提高非独立同分布数据场景下的联邦学习模型收敛速度和精度。 针对非独立同分布数据场景下联邦学习性能显著下降的问题,提出了局部和全局偏移的联合动态校正算法。基于局部模型和全局模型更新方向的余弦相似度定义累积偏移度,以定量表示模型更新方向的偏移程度。在局部模型训练阶段,将计算出的累积偏移度作为本地损失函数中的约束项,并根据其值大小动态调整约束项。在全局模型聚合阶段,将参与客户端上传的累积偏移度作为其参与全局模型聚合时的权重,从而动态改变每一轮全局模型聚合时的权重,有效提高收敛速度和模型准确率,使算法更加灵活。实验结果表明,与四种不同的联邦学习算法相比,在不同非独立同分布程度的情况下,联合动态校正算法可平均减少62.29%,20.90%,24.93%和20.47%的通信轮次,平均提高5.48%,1.62%,2.10%和2.28%的模型准确率,大幅减少通信轮数并提高模型准确率。

关键词： 肺部病变   语义分割   频域增强   边界细化  

摘要： 近年来,随着深度学习技术的进步,计算机辅助诊疗成为了研究热点,尤其以医学图像分割为代表。以肺部疾病为例,由病毒引起的呼吸道感染往往表现出典型的影像学表征,并根据病毒感染的类型往往会出现不同的病灶成像。然而,现有的肺部病灶分割方法往往存在分割结果边缘粗糙,隐蔽病灶难以识别的问题。为了解决这些问题,本文实现了一个新的肺部病灶分割框架,引入频率线索结合RGB特征双路分割隐蔽病灶特征,并设计了聚合全局信息模块和分割边界细化模块以优化分割结果,从而为临床医生提供更为准确的分割结果。以下是本文的研究内容: 首先,本文通过引入了频率线索辅助网络分割肺部病变,实现了一个集合RGB与频域双路增强的肺部隐蔽病变分割网络,在不引入额外数据与标注的条件下,提取多级别特征以精细化分割隐蔽病灶。 其次,本文实现了多尺度位置引导TGM全局信息模块,结合多尺度特征聚合和注意力蒸馏模块,增强全局信息的表征能力以提升分割的准确性和鲁棒性。 接着,本文实现了语义信息增强ERM边界细化模块,利用注意力机制关注边缘细节的特征信息,结合自适应特征过滤器和空洞卷积层,进一步细化获得更为精确的分割边缘。 最后,本文实现了反向聚焦模块,协同TGM模块得到的全局感知图和ERM模块得到的边缘引导图,实现肺部病灶的多粒度精确分割。 本文在多个肺炎CT公开数据集和目前最大公用肺结节数据集LUNA16上进行了广泛实验。实验结果表明,本文的模型不仅对肺炎类型的肺部感染有出色的分割效果,并且在肺结节等其他肺部疾病的分割任务上也表现出了良好的性能,证明了本文的模型具有良好的分割精度和泛化能力,因此具有重大的研究价值应用前景。

关键词： 知识图谱   知识表示学习   知识图谱嵌入   知识图谱对象匹配   细粒度建模  

摘要： 知识图谱是一种高效的知识组织、管理和运用的语义网络,对人工智能生态从感知智能向认知智能的跃进意义重大。知识图谱的构建通常要经过知识表示、知识获取、知识融合等阶段,本文面向体育赛事知识图谱自动化构建,开展以知识表示阶段知识表示学习为中心的研究。 知识表示学习是知识图谱对象(实体、关系、事实等)在计算机世界中富含语义的低维、稠密度、向量化表示。知识表示学习能够实现知识的统一精确表示、高效计算,是知识图谱自动化构建各阶段关键技术实现的重要基础,因而对于知识图谱的构建及广泛应用意义重大。然而,知识表示学习在将符号从符号空间到向量空间的嵌入表示过程中面临着“语义鸿沟”问题(即,在嵌入的过程中,出现的语义丢失或不等价现象),具体来讲,该问题主要表现在两个方面:一是现有的知识表示学习方法嵌入知识图谱对象的信息源不全,二是现有的知识表示学习方法在建模方式上采用粗粒度的知识表示学习。 面对以上问题与挑战,本文围绕知识图谱中知识表示新方法—知识表示学习,从嵌入对象的外部信息(多源信息)和知识表示学习建模方式两个主要视角进行了一些研究与探索,主要创新点和贡献总结如下: (1)基于注意力机制包含实体关系数的知识表示学习方法。针对嵌入的知识图谱对象的信息源不全问题,本文从知识图谱对象的外部信息实体的关系数角度考虑,提出了一种基于注意力机制包含实体关系数的多源信息知识表示学习模型KRL＿NER。在该模型中,先设计实现了一个由三层网络组成的子模型Learn NER,获取实体的差异性嵌入表示,该子模型网络结构简洁,能够高效地嵌入实体关系数外部信息;接着,通过注意力机制,使差异性嵌入表示对实体的基本嵌入表示(通过Trans E等模型获取)施加注意力,实现精确地融合新的实体语义。实体预测等实验表明KRL＿NER模型在大规模知识图谱如FB15K上是有效的,实现了知识表示学习从信息源源头上缩小“语义鸿沟”。 (2)基于知识图谱对象匹配的知识表示学习方法。针对建模方式上粒度较粗问题,本文站在知识图谱对象(实体和关系)层面,基于局部封闭域假设,提出了一种基于知识图谱对象匹配的知识表示学习模型KRL＿Match。该模型首先通过矩阵乘法运算开展知识图谱对象匹配,隐式地形成知识图谱对象匹配样本空间,并在该空间中形式化定义了一个求真知识图谱对象匹配问题;然后,基于局部封闭域假设,将该问题视为一个多分类问题,并通过softmax多分类方法进行求解;最终,获得了语义更加精确的知识图谱对象嵌入表示。实体预测、三元组分类等实验表明,通过这种多分类方法求解真知识图谱对象匹配问题(多轮多分类细粒度知识表示学习)的建模方式,KRL＿Match模型在Hits@10等多个评测指标上取得了相对明显的优势。建模期间,本文以动态隐式负采样代替动态显式负采样,同等设置下,负采样时间可减少约7395.59s(～2.05h)、负采样存储空间可减少一半,显著地提升了负采样的时空效率。 (3)基于对比学习多标签类别分类的开放域知识表示学习方法。针对建模方式上粒度较粗问题,在开放域假设下,求解求真知识图谱对象匹配问题(具有一个已知真匹配的多标签分类问题),面临着标注困难、代价高所造成的标签匮乏困境难题,本文提出了一种基于对比学习多类别标签分类的开放域知识表示学习模型KRL＿MLCCL。该模型通过真知识图谱对象匹配(正例)增广,使KRL＿MLCCL练就了一种“拉近真匹配中知识图谱对象,推远假匹配中知识图谱对象”的回迁能力,摆脱了开放域知识表示学习建模时面临的标签匮乏困境;在此基础上,本文又提出了一种负例噪声过滤算法以增强这种能力。KG内开放域实体预测实验中,与同类模型和消融模型相比,KRL＿MLCCL在Hits@k(1,3,10)评测指标上实现了全面超越,证明其具有良好的回迁能力。同时,有无负例噪声过滤消融实验表明,有负例噪声过滤功能比无负例噪声过滤功能,在Hits@k(1,3,10)、MRR和MR五种评测指标上均得到了提升,确实达到了增强模型回迁能力的效果。 (4)知识表示学习在篮球赛事知识图谱构建中的应用。针对现有知识图谱构建自动化程度不高、构建效率低下的问题,本文基于所提出的知识表示学习方法,在知识图谱构建中的知识获取、知识融合阶段,进行了知识图谱自动化构建工程落地方面的方法研究与探索。同时,本文还将构建出的篮球赛事知识图谱应用于篮球赛事集锦智能剪辑系统,参与精彩镜头筛选,提升赛事集锦生成的效率。该系统已经在央视等电视台及移动互联网平台得到了实际应用,增强了媒资系统采编播的及时性、实效性,取得了良好的实际应用效果,以及经济和社会效益。