关键词： 知识图谱   知识表示学习   属性信息   知识图谱补全   开放域   Zero-shot实体  

摘要： 知识图谱(Knowledge Graph,KG)是一种结构化的知识表示模型,旨在捕捉现实世界中实体之间的关系,在现代人工智能研究多个领域如搜索引擎、推荐系统、自然语言处理等得到了广泛的应用。知识表示学习(Knowledge Representation Learning,KRL),也称为知识图谱嵌入(Knowledge Graph Embedding,KGE)作为知识图谱研究中的重要分支,在解决知识获取、表示、推理等方面发挥着重要作用。知识表示学习使得KGs中的语义信息能够在连续的向量空间中得以表达,从而为下游任务提供了良好的数据基础。针对当前知识表示学习领域中存在的对实体的属性信息利用不全面;没有将知识图谱中结构信息和实体的属性信息进行有效的结合;以及在Zero-Shot场景中,实体的表示难以学习等问题,本文主要的研究内容如下。 首先,本文提出了基于BERT的信息融合表示学习方法,该方法以翻译模型为基础,引入属性编码器,巧妙地融合知识图谱结构信息和实体属性信息,实现对实体和属性的更准确嵌入表示。在基于BERT的属性编码器中,对属性类型和属性值分别进行处理,引入注意力机制,获取了不同属性类型的注意力权重,以实现对实体属性信息不同程度的关注和利用,减轻属性数据中的噪声影响,从而获得更精准的基于实体属性信息的嵌入表示。在训练过程中,BFRL模型使用了结构表示和属性表示联合进行训练,最终获得融合后的实体和关系的嵌入表示。通过在五个数据集上的知识图谱补全实验证明了BFRL方法的有效性,其中实体预测的MR指标最高提升9.4%、Hits@10指标最高提升15.6%;关系预测的MR指标中最高提升10.1%、Hits@1指标最高提升12.2%,证明了BFRL模型利用KGs结构信息和实体属性信息进行KRL的有效性。 其次为了更好地处理Zero-shot场景下的表示学习问题,本文还提出了Zeroshot场景下的信息融合表示学习模型,该模型能够处理开放域知识图谱中实体预测和关系预测的问题。其中该模型包括结构化知识嵌入层、新型实体属性编码层和实体与属性嵌入分布对齐层三个部分。通过三个阶段的优化,实现了对实体和关系尤其是Zero-shot实体更为高效的表征。ZFRL模型充分利用了知识图谱中的结构信息和属性信息,采用了Rotat E模型来获取实体基于结构信息的表示分布,同时引入了基于BERT的新型属性编码器对属性信息进行编码,得到基于属性的表示分布,引入了实体和属性嵌入分布对齐层,通过KL散度三个阶段的优化策略逼近这两种分布,使得模型能够对Zero-shot实体实现更准确的嵌入表示。最终,ZFRL模型在开放域知识图谱数据集的链接预测实验中表现出色,其中实体预测的MR最高提升了12.2%、Hits@10最高提升8.4%;关系预测的MR最高提升了21.4%、Hits@1最高提升29.5%。实现了对Zero-shot实体的高质量表示,解决了知识图谱中新增实体无法有效链接的问题,为知识图谱补全任务的应用提供了有力支持。

关键词： Domestic Violence   Child labor   Women' Empowerment   Poverty   Unemployment  

摘要： Domestic violence remains a critical issue in Myanmar,with significant implications for the well-being and empowerment of women and *** growing awareness,the factors contributing to domestic violence,particularly among different demographic groups,require further exploration to develop effective interventions and *** study aims to fill this gap by employing advanced statistical modeling techniques and supervised learning methods to analyze primary survey data on domestic violence across various groups in Myanmar. The first proposal of the dissertation delves into an examination of the factors that impact domestic violence among women aged 18-49 years residing in Pobbathiri township,Nay Pyi *** analyze the data,both a binary logistic regression model and a chi-square test are *** chapter contributes to the factors that are influencing domestic violence and IPV among women in this *** study finds that the age group,the number of dependent persons,education level of the respondents,income,and men are assumed to be nobler than women's influence on domestic violence of women in Pobbathiri township,Nay Pyi *** second proposal of the dissertation examines the determinants of child labor in Nay Pyi Taw *** this chapter,the primary focus is on identifying the factors that exert the most significant influence on domestic violence experienced by child laborers aged 5-17 years,encompassing both males and females residing in Nay Pyi Taw City.A multifaceted approach is employed to achieve this,using supervised learning methods:binary logistic,random forest,and lasso regression *** study also explores which model is better one to fit the *** result shows that each model has its advantages and usages,but the random forest model can make better predictions and performance than the other two models. The third proposal focuses on the factors affecting domestic violence among young female university *** stu

关键词： 有意义学习   高中数学   概念导入   教学策略  

摘要： 数学概念是数学认知的基础,也是数学思维的逻辑起点.如果学生在建立数学概念时过于僵化,新旧知识联系不紧密,那么他们对数学概念的理解就不够深刻,后续数学概念的学习也就缺乏一个坚实的基础.想要让学生真正掌握概念知识,需要教师在课堂伊始就创造出有意义学习的环境,使学生在概念获取过程中产生的是有意义学习.而教学导入环节在帮助学生生成有意义学习条件和引领学生产生有意义学习都有着不可替代的作用.因此,基于有意义学习理论对高中数学概念课教学导入策略进行研究具有深远意义. 基于以上背景,本文在有意义学习理论的指导下对高中数学概念导入策略进行了理论和实践研究.首先,为了解当前高中数学概念导入的基本情况,分别针对学生和教师设计了调查问卷和访谈提纲,发现目前高中数学概念课导入环节存在几个问题:(1)概念导入设计缺乏趣味性;(2)教师对学生的最近发展区间把握不够准确;(3)教师在导入时不注重新旧知识的联系.其次,为找到优质的概念导入存在哪些共同特征,采用案例分析法对2022年12月份举办的全国第十一届高中青年数学教师优质课例展示大赛中的部分优质概念课视频进行课堂实录分析,总结出优质的高中数学概念导入存在以下三个共同特征:(1)导入能激发学生的学习兴趣;(2)导入能基于学生的原有认知结构;(3)导入能使新旧概念产生逻辑联系、相互作用、自然过渡.接着,为设计出有效促进学生有意义学习的数学概念导入,分析了有意义学习理论与优质概念导入共同特征的联系,提取出三条有意义学习理论指导数学概念导入的核心要素.最后,通过对上文的总结和分析,针对给出的三条核心要素和现状调查出现的问题,给出了基于有意义学习理论的高中数学概念导入策略:(1)新颖激趣策略——促进学生产生有意义学习心向;(2)激活观念策略——提取学生头脑中恰当观念;(3)挖掘关联策略——构建桥梁促进概念同化.并在每个策略下给出三条教学建议. 在这些策略的指导下,设计了一节概念课导入,并对导入设计进行实践研究,分析其有效性.实践表明,基于有意义学习理论的高中数学概念导入能够有效激发学生学习的能动性,培养学生数学思维,促进学生有意义数学学习的实现.

关键词： 小学语文   有效预习   指导策略   学习方法  

摘要： 预习是一种重要的学习方式，是学生对所学知识进行初步感知和理解的过程，对学生的学习有重要的促进作用。本文首先介绍了小学语文预习的重要性，然后分析了小学语文的预习现状，最后探讨了如何进行有效预习指导，能更好地培养学生自主学习意识、提高课堂学习效率、促进学生全面发展。

关键词： 思维发展   小学语文教学   视觉化学习方法  

摘要： 随着素质教育的深入实施，新形势下的小学语文教学应当响应新课标的要求，以学生为中心，全面发展其综合思维能力。基于此，视觉化学习方法在小学语文教学中得到广泛应用。该方法可以让语文教学更为直观化、趣味化，对激发学生的学习兴趣、加深学生的知识理解均具有重要意义。文章通过分析小学语文视觉化学习的教学优势，从文本转化、导图分析、创设情境三方面入手，探究小学语文视觉化学习方法的有效应用，以资参考。

关键词： 紧致表示学习   哈希学习   离散优化   语义挖掘   大规模媒体检索  

摘要： 随着互联网的迅速发展和智能设备的普及,媒体数据呈现爆炸式增长的趋势。这主要归因于人们日常生活中对图像、视频、音频等媒体内容的产生、分享和存储,以及社交媒体、在线视频平台等各类媒体服务的快速发展。在这种背景下,面向检索的紧致表示学习因其具有低存储和快速检索的优势,所以作为一种高效的表示、存储和检索方法备受关注。然而,尽管该类方法在处理大规模数据时表现出色,但在探索语义信息方面仍然存在不足。由于数据的语义结构复杂,可能受到噪声的影响,在线数据流语义无法保持一致或者语义增加,这进一步加剧了语义信息的探索难度。为了应对这些问题,本文着重围绕探索语义信息展开研究,旨在提出解决方案以改善面向检索任务的紧致表示学习方法的性能和适用性。 1)提出了一种深度跨模态紧致表示学习方法,旨在探索层次标签语义信息。在实际应用中,许多样本的标签呈现出分层结构,其中包含丰富的学习信息。然而,当前大多数方法的设计初衷并非是处理分层标签数据,从而导致无法充分挖掘标签层次结构的信息。为此,引入了一种名为监督分层深度跨模态哈希(Supervised Hierarchical Deep Cross-modal Hashing,SHDCH)的新方法,明确学习哈希码的分层标签结构。SHDCH通过深入分析标签层次结构,将每一层的相似性和不同层之间的相关性融入哈希码学习过程中。为了直接学习离散的哈希码而不是放宽二进制约束,提出了一种迭代优化算法。 2)提出了一种基于语义的在线噪音抑制紧致表示学习方法。随着社交媒体的迅速发展,社交图像(亦称为弱监督图像)以流式方式生成并在网络中传播,成为一种自然生成的数据形式。因此,设计适用于在线社交图像检索需求的方法变得至关重要。在此背景下,我们提出了一种名为弱监督在线哈希(Weakly-supervised Online Hashing,WOH)的新方法。WOH 将哈希码学习、在线学习和弱监督信息挖掘融合到一个统一的框架中,充分利用弱监督(即免费标签)来学习高质量的哈希码。此外,我们还通过引入l2,1-范数来抵消不完善标签的不利影响。这一方法开创了在线社交图像检索领域,为未来的研究者提供了新的研究思路和方法。 3)提出了一种基于高级代码和细粒度权重的在线多模态哈希方法(High-level Codes,Fine-grained Weights Method,HCFW)。该方法依旧面向流式数据,重点针对类别增量场景下,现有的在线多模态哈希方法在长期学习中面临着哈希码语义不一致问题。HCFW学习基于类别级别语义的高级代码,以确保哈希码的长期一致性。这些高级代码在处理类别增量挑战方面表现出色。在多模态哈希方面,HCFW引入了细粒度权重的概念,旨在促进多模态数据的互补融合,从而增强整体哈希性能。 4)提出了一种融入全局语义信息的自适应在线跨模态紧致表示学习算法从生成语义表示、保持哈希码特性等角度对HCFW的学习范式进行了优化,称为Adaptive Online Class-Incremental Hashing(POLISH)。该算法通过多个角度生成新类标签的表示,并将其视为有价值的全局语义信息。并根据实际场景中的要求,假设标签空间逐渐增加,提出了全局语义信息嵌入的方法,以生成高质量的哈希码。通过在两个实际基准数据集上进行广泛实验验证,POLISH在处理类别递增数据的跨模态哈希领域展现出卓越的有效性。 5)进一步深化了对哈希码优化的研究,为了规避较大的量化误差,提出了一种基于离散潜在因子模型的新型跨模态在线哈希方法,即离散在线跨模态哈希(Discrete Online Cross-modal Hashing,DOCH)。为了生成不同模态的统一高质量哈希码,DOCH不仅直接利用新数据和旧数据在汉明空间中的相似性,还通过标签嵌入充分利用了细粒度的语义信息。此外,DOCH通过高效的优化算法能够离散地学习哈希码,对大规模媒体数据集是非常高效和可扩展的。 这五个工作从语义挖掘的角度逐步深化了对面向检索的紧致表示学习技术的解决方案。从简单地利用标签的层次特性开始,逐步加深对语义信息的挖掘,探索如何抑制免费语义的噪声,如何确保语义的长期一致性以及如何应对在线数据流语义增加等问题,为面向检索的紧致表示学习技术的解决提供了更为全面和深入的视角。此外,本文在多个标准数据集上对上述方法进行了广泛的验证和分析,结果表明这些方法在提高面向检索的紧致表示学习的性能和适用性方面具有显著优势,特别是在语义信息的探索方面。