关键词： 排序学习(LtR)   分组评分法(GSF)   深度神经网络   深度兴趣网络  

摘要： 排序学习(LtR)将有监督机器学习技术(SML)用于解决排序问题,旨在给出输入文档列表的相关度更优化的排序结果。此前关于深度排序模型的研究,对于列表内文档的相关度计算彼此独立,缺乏考虑文档之间的相互作用。近年来一些新方法致力于挖掘文档之间的相互影响,如分组评分法(GSF),通过学习多元变量评分函数来联合判断文档相关性,但大多忽略了文档间相互影响的差异性,同时增加了很大的计算代价。针对此问题,提出了一种带权重的分组深度排序模型(W-GSF)。该方法借鉴推荐领域的深度兴趣网络,引入其根据候选商品调整历史行为序列权重的思想,在排序学习中多元评分法基础上,以多层前馈神经网络为主体结构,并在输入端加入激活单元,利用神经网络自适应学习调整输入的多元变量的权重,来挖掘交叉文档关系的差异性。在公共基准数据集MSLR上的实验验证了该方法的有效性,相比基线排序模型,激活策略的引入带来了排序指标上的明显提升,同时相对于同等效果的排序方法计算量大幅降低。

关键词： 机器学习   药物研发   ADMET性质   算法对比  

摘要： 化合物作为药物成分必须有良好的ADMET性质,在药物研发早期对化合物的ADMET性质进行评估,有助于提高药物研发的成功率,降低研发成本。本文使用机器学习方法,对1974个化合物建立ADMET性质分类预测模型。首先利用低方差过滤法和带L1正则的逻辑斯蒂回归进行特征选择,从729个特征中选取50个变量作为建模的主要特征。接着引入逻辑斯蒂回归、线性支持向量机、非线性支持向量机、随机森林、梯度提升树五类机器学习算法对化合物的5个ADMET性质构建25个分类预测模型进行预测,以AUC值作为预测结果的评价指标,对其分类预测能力作出对比分析,在针对这5个ADMET性质(Caco-2、CYP3A4、hERG、HOB、MN)的分类预测任务中,效果最佳的模型分别取得了0.970、0.973、0.976、0.975、0.962的曲线下面积的模型表现。

关键词： 强化学习   深度强化学习   进化算法   遗传算法   进化策略  

摘要： 深度强化学习是目前机器学习领域中重要的研究分支之一,它可以通过直接与环境进行交互实现端到端的学习,对高维度和大规模的问题有着很好的解决能力.虽然深度强化学习已经取得了瞩目的成果,但其仍面临着对环境探索能力不足、鲁棒性差、容易受到由欺骗性奖励导致的欺骗性梯度影响等问题.进化算法普遍具有较好的全局搜索能力、良好的鲁棒性和并行性等优点,因此将进化算法与深度强化学习结合用于弥补深度强化学习不足的方法成为了当前研究的热点.该文主要关注进化算法在无模型的深度强化学习方法中的应用,首先简单介绍了进化算法和强化学习基本方法,之后详细阐述了两类结合进化算法的强化学习方法,分别是进化算法引导策略搜索的强化学习和结合进化算法的深度强化学习,同时对这些方法进行了对比与分析,最后对该领域的研究重点和发展趋势进行了探究.

关键词： 联合学习   实体多义性   跨视图转换   分层类型模型   三元组补全   实体分类  

摘要： 对表示知识图谱的本体图和实例图进行联合学习能够提高嵌入学习效率,但不能区别表示实体在不同场景下的不同意义。在嵌入时考虑三元组中实体的关系类型特征,提出一种融合实体类型信息的本体-实例联合学习方法JOIE-TKRL-CT,达到在联合学习中表示多义实体、提高知识图谱嵌入学习效率的目的。在视图内部关系表示上,利用实体分层类型模型融入实体类型信息,在两个独立的嵌入空间中分别表征学习;在视图间关系表示上,将表征在两个独立空间的本体和实例通过非线性映射的方法跨视图链接。基于YAGO26K-906和DB111K-174数据集的实验结果表明,JOIE-TKRL-CT能够准确捕获知识图谱的实体类型信息,提高联合学习模型性能,与TransE、HolE、DisMult等基线模型相比,其在实例三元组补全和实体分类任务上均获得最优性能,具有较好的知识学习效果。

关键词： 课程标准   跨学科   主题学习活动  

摘要： 作为义务教育课程标准(2022年版)的亮点之一,跨学科主题学习活动的提出具备了充分的时代性与现实性,蕴含了义务教育阶段学科教学和育人改革方向。跨学科主题学习活动是课程与生活结合的必然,是贯彻落实教育方针的必然,更是知识平民化与人才创新化的必然。科学合理的跨学科主题学习活动设计与实践必须基于课程标准,强化主题統领,注重学科实践,关注协同教学,才有利于打破学科界限,让学习回归真实生活,真正培养学生解决复杂问题的能力。

关键词： 保健食品   五味子   组合赋权   AHP-CRITIC   K-均值   自组织神经网络   模糊C均值聚类   配方设计   综合评价  

摘要： 目的提出一种融合组合赋权、聚类、决策、评价等多种机器学习算法用于保健食品配方设计及评价的方法。方法以五味子Schisandre Chinensis Fructus为例,构建含五味子处方数据库,筛选与五味子配伍高频药味并挖掘其关联规则。同时结合传统中医药理论和现代科学研究建立评价指标体系,采用兼顾主观性和客观性的层次分析(analytic hierarchy process,AHP)-CRITIC(criteria importance though intercrieria correlation)组合赋权法和优选的聚类算法对高频药味进行加权和聚类,结合中医药理论设计配方并进行逼近理想解排序(technique for order preference by similarity to an ideal solution,TOPSIS)综合评价。结果频次统计得到黄芪、茯苓、人参等与五味子配伍高频药味31个,关联规则分析显示高频药味间更易产生强关联。构建含3个一级指标、7个二级指标的评价指标体系,AHP-CRITIC组合赋权法计算出的指标组合权重从大到小依次为药味传统功效、现代文献研究、在数据库中的出现频次,符合主观认识和客观数据。根据与专业知识的匹配度、算法运行效率及对数据的包容度优选模糊C均值(fuzzy C-means,FCM)聚类,将高频药味分为5类。结合中医药理论及上述结果设计可能的新配方共11个,TOPSIS综合评价排序的结果显示,五味子-黄芪-白术-党参是五味子保胃护肝保健食品可能的最优新配方。结论该模型在中医药理论的指导下,提供了既能体现传统中医药配伍理论又有足够现代科学研究成果支撑的中药类保健食品配方设计与研发的创新思路与方法。

关键词： 雷达辐射源识别   深度学习   小样本   脉内特征  

摘要： 面对复杂多变的电磁环境与新体制雷达系统,传统的雷达辐射源识别方法已无法满足需求。深度学习模型可有效提取雷达信号的脉内特征,快速准确地对低信噪比、未经分选的雷达辐射源信号进行脉内调制类型识别、型号识别与个体识别。但真实环境中雷达辐射源信号难以收集,无法满足传统的深度学习训练需要,因此小样本雷达辐射源识别是目前研究的热点与难点。文中首先对近年来将基于监督学习的多种经典深度学习方法应用于小样本雷达辐射源识别的研究进行了回顾;其次,介绍了小样本学习在雷达辐射源识别领域的研究进展;最后,基于小样本雷达辐射源识别的研究现状,总结面临的挑战,提出了对未来研究方向的展望。

关键词： 单元设计   整体学习   PBL   项目化学习   综合实践活动   数学项目化   项目化设计   数学知识  

摘要： 一、项目化学习单元设计的现状随着项目化学习研究的不断深入,我们会思考一些问题,为什么要做这个项目?项目推进到什么程度合适?我们在设计项目化学习时,有时并不清楚该项目的标准是什么,可能会把学科项目拓设计成综合实践活动,也可能将学科项目化延伸为主题活动等,往往会把项目化学习做成了让学生“做作品”的综合活动。独立的数学知识内容去项目化设计,往往会走向活动化程序,而项目化单元设计可以让我们更加明确整体学习的目标和设计的方向。

关键词： 心房颤动   冠状动脉疾病   预测  

摘要： 目的利用机器学习方法建立老年心房颤动(房颤)合并冠心病患者的远期死亡预测模型,并确定相应的危险因素。方法回顾性队列研究,连续入组2013年1月至2015年3月北京医院收治的60岁及以上房颤合并冠心病患者329例,男性183例(55.6%)例,女性146例(44.4%),年龄(77.8±7.3)岁,80岁及以上142例(43.2%)。失访11例(3.3%),死亡151例(45.9%),最后纳入分析的患者共318例。根据患者生存结局,将318例患者分为死亡组(151例)和存活组(167例)。此外,另选取2015年4—7月入院的60岁及以上房颤合并冠心病患者60例为外部数据验证集。采集人口统计学参数、合并疾病、辅助检查和临床治疗情况。随访至少6年,记录包括死亡在内的主要不良心脑血管事件(MACCE)。最后将入组患者按9∶1的比例随机分为训练集和测试集,通过机器学习算法建立不同模型预测房颤合并冠心病患者远期死亡率,并通过外部数据(60例)验证比较确立最优模型,利用Shapley加法解释算法对变量的重要性进行排序,得出排名前20位的特征变量,以确定危险因素。结果329例患者中,总体中位随访时间77.0月(95%CI:54.0~84.0),失访11例(3.3%),死亡151例(45.9%)。通过分析得出支持向量机模型、k-近邻算法(KNN)模型、决策树模型、随机森林模型、ADABoost模型、XGBoost模型、Logistic回归模型预测远期死亡率的受试者工作特征曲线(ROC)下面积(AUC)分别为0.76、0.75、0.75、0.91、0.86、0.85和0.81。其中随机森林模型预测效能最高,其准确率达0.789,F1值高达0.806,且优于传统的Logistic回归模型(AUC:0.91比0.81,P<0.05)。D-二聚体、年龄、MACCE次数、左心室射血分数、人血白蛋白水平、贫血、纽约心脏病协会心功能分级、陈旧性心肌梗死病史、估测肾小球滤过率(eGFR)及静息心率是预测远期死亡率的重要危险因素。结论基于机器学习方法建立的随机森林模型可预测老年房颤合并冠心病患者的远期死亡率,具有较好的识别能力,其准确性高于传统的Logistic回归模型。可通过干预患者的D-二聚体水平、纠正低蛋白血症和贫血、改善心功能和控制静息心室率降低远期死亡率,改善患者远期预后。

关键词： 课程设计   创造有意义学习经历   卫生事业管理学  

摘要： 基于“创造有意义的学习经历”理论体系设计课程,并分析教学效果。实践表明,该理论体系对实现人文和关心等多元教学目标有较好适用性;个人与小组学习方式需要综合运用。此次教学设计以及效果分析方法,对其他课程有参考意义。