关键词： 人文地理   城乡规划   理论   实例  

摘要： 在学习人文地理和城乡规划时,学生不仅要学习理论知识,更要培养自己的综合素养。学生可以应用理论与实例相结合的学习方法来深化理论学习、掌握信息技术、培养人文思想,继而提升自己的综合素养。

摘要： 主题式英语阅读教学主要包括几个方面:首先,教师应依据教材内容搭建出相应的教学情境,其次,需要围绕特定的主题将学生融入于深度学习中。值得注意的是,教师在进行基于主题意义的阅读教学时,应组织与主题内容相关的实践活动,检验学生的学习效果,促进教学目标的顺利实现。本文将结合教学实例,具体探讨如何基于主题意义开展高中英语深度学习。

关键词： 高频数据   已实现波动率   外部变量   EEMD分解   XGBoost模型  

摘要： 股票市场作为一国经济的“晴雨表”,可以实现资源的合理化配置和充分利用,投资者可以在股票市场中获得可观的收益。然而,风险与收益并存,如何实现股票市场风险的良好管理,是一个不容忽视的问题。除此之外,股票市场受多种因素的影响,外部变量对股市波动的影响同样不容忽视。迄今为止,异质自回归(HAR)模型是基于高频数据的波动率建模研究中最经典的模型之一,许多学者基于该模型提出了很多改进,如简单地将它分解为连续的路径变化和不连续的跳跃路径变化进行研究。然而,已实现波动率是一个非常复杂的非线性时间序列,这种简单的分解很难理解其变化规律,这不利于我们对其进行分析和建模。而集合经验模态分解方法(EEMD)不仅可以从序列中自适应地选择波动特征,而且对于非线性时间序列分解具有鲁棒性。此外,HAR模型本质上是一个线性模型,它使用线性模型对已实现波动率进行建模,忽略了其非线性特质,而XGBoost这种机器学习方法具有优秀的非线性拟合能力,且因其优良的学习效果等优点获得广泛的关注。基于上述背景,本文详细阐述了研究背景、研究意义和相关的研究现状和理论基础之后,对于已实现波动率的短期、中期和长期预测问题分别提出了基于EEMD-XGBoost预测模型。在实证研究中,首先对2015年1月5日至2020年12月25日上证指数的已实现波动率序列进行EEMD分解,并根据零均值显著性检验结果对分解序列进行重构,然后针对已实现波动率的短期、中期和长期预测问题,将不同的重构序列与已实现波动率的原始序列作为输入变量,分别拟合XGBoost模型,并与EEMD-HAR模型对比预测效果。此外,还将经济政策不确定性指数(EPU)和恐慌指数(VIX)作为外部变量研究了其对已实现波动率的影响,主要结论如下:(1)将序列进行EEMD分解,并以零均值显著性检验重构得到的序列中,低频序列有明显的趋势性,这与其原始序列的走势大致相同,这表明低频序列应该包含更多的预测信息;趋势项则体现的是已实现波动率的整体走向,这证明了EEMD分解方法的有效性。(2)将经过EEMD分解重构的序列与已实现波动率的原始序列作为输入变量拟合XGBoost预测模型,并将其预测效果与EEMD-HAR模型对比后发现,对于每日、每周和每月已实现波动率的预测效果,EEMD-XGBoost模型均显著优于EEMD-HAR模型。(3)关于外部变量对已实现波动率的影响,结果表明经济政策不确定性指数(EPU)和恐慌指数(VIX)对于每日和每周已实现波动率的预测效果提升不明显,而对于每月已实现波动率的预测效果有明显的改善,这表明EPU指数和VIX指数对已实现波动率更倾向于长期的影响。

关键词： 局部标签感知   属性网络   表示学习   相似性约束   图神经网络  

摘要： 属性网络是描述复杂现实世界的有效工具,其中的节点之间存在边,能够描绘纷繁复杂的关系。属性网络中的节点能够携带多种属性,如文本、音频和图像等丰富信息。属性网络表示学习旨在将属性网络中的网络结构和属性等信息保存在低维的向量空间中,为节点学习低维、高质量的表示向量。属性网络表示学习获得的表示向量可以应用到多种下游任务中,例如节点分类、链路预测和可视化等。当前属性网络表示学习方法可分为两类,一类是无监督的属性网络表示学习方法,另一类是有监督的属性网络表示学习方法,包括基于相似性约束的方法和基于图神经网络的方法。无监督的属性网络表示学习方法仅利用网络结构和属性信息,以无监督方式学习节点的表示向量。有监督的属性网络表示学习方法中,基于相似性约束的属性网络表示学习方法首先定义节点相似性,例如出现在一条随机游走序列、有共同邻居或者有共同标签,对符合相似性的节点施加约束,使得其表示向量更为接近;基于图神经网络的方法从信号滤波和邻居聚合的角度学习节点的表示向量。然而,无监督的属性网络表示学习方法忽视了标签信息的作用。有监督的两类属性网络表示学习方法局限于利用标签构建损失函数做全局监督,忽略了标签与局部网络结构和属性存在的潜在关联。为了挖掘标签与局部结构和属性的潜在关联,解决在属性网络表示学习中保留标签与局部网络结构和属性的潜在关联问题,本文从两个不同的角度对标签与局部结构和属性的关联进行研究,提出局部标签感知的属性网络表示学习方法。本文的研究工作主要包括:1、针对基于相似性约束的属性网络表示学习方法保留标签与局部结构和属性的关联问题,本文提出一种基于局部标签序列约束的属性网络表示学习方法,利用三种局部序列的对应关系约束节点表示向量的学习。该方法中节点相似性定义为,同时出现在一条随机游走序列中的节点具有更高的相似性。首先利用随机游走算法从属性网络中抽取局部节点序列,根据局部节点序列中节点携带的属性和标签获取对应的属性序列和标签序列,挖掘网络结构、属性和标签的关联。然后,根据从属性网络抽取的三种序列,利用双向长短时记忆网络(Bi-LSTM)保留三种序列的关联关系。该模型在属性网络的局部融合网络结构、属性和标签,得到经过局部标签序列约束的属性网络节点表示向量。最终将节点表示向量应用到节点分类等下游任务上,在多个公用数据集上的结果以及扩展分析验证该方法的有效性。2、针对基于图神经网络的属性网络表示学习方法保留标签与局部网络结构关联的问题,本文提出一个基于局部标签重构图神经网络的属性网络表示学习框架,利用局部标签重构的网络结构学习节点的表示向量。首先在属性网络距离为两跳的节点对中寻找具有相同标签且不直接相连的节点对,对这些节点对构建连边。同时在属性网络中寻找具有不同标签的一阶连边,断开不同标签的连边。从而利用标签重构网络结构,得到标签指导的网络结构。标签指导的网络结构使图神经网络在聚合邻居节点属性时,能够得到局部两跳区域相同标签和不同标签的节点指导,从而保留标签与网络结构的局部关联。然后,利用原始网络结构和标签指导的网络结构构建双监督的图神经网络框架,同时从原始网络结构和标签指导的网络结构中学习节点表示向量。最终将节点表示向量应用到节点分类下游任务上,在多个公用数据集上验证该框架的有效性。

摘要： 数学是一门有着严密结构的学科，各知识点之间有着紧密的联系，但是基础教育构成复杂，在各种不同教育体系的多元文化学习中，学生的数学学习表现出知识体系碎片化、基础知识片段化、知识浅层化的特点。要与这些有着各种数学学习经历的学生展开深度学习，存在着知识断层、低效沟通等障碍。面对学生在学习中的困惑，教师在设计教学时需要超越单一的具体知识和技能，深入知识的思维层面，通过恰当的教学方法和策略的调整提升学生的思维品质。笔者认为，在深度学习的过程中，

关键词： 知识图谱   表示学习   数据扩展   逻辑约束   位置敏感  

摘要： 人工智能中一个很重要的组成部分——知识图谱,能将互联网中海量的信息进行有秩序地组织、管理与理解。通用的知识图谱结构是以三元组(实体1、关系、实体2)的形式表示,如何对知识图谱的知识进行更好的表示,使得计算效率与可操作性不断提升,是对知识图谱的整体质量提出的高层次要求。知识图谱表示学习方法旨在将知识图谱的实体与关系表示为低维、稠密的向量,并用于高效的语义计算,在知识图谱的构建、融合以及其他方面发挥重要作用。传统的知识图谱表示学习模型通常考虑了知识图谱中已有的事实,而忽略了知识图谱中隐藏的语义信息。目前的数据增强知识图谱表示学习模型需要借助第三方工具或者大量人工干预,数据的可靠性与稳定性有待加强。此外,同一个实体出现在不同三元组的头实体或尾实体位置时,表达的核心信息往往存在差别,而现有的模型未对这一部分位置敏感的信息进行提取并加以利用。针对以上问题,本文主要研究内容包括:(1)提出了一种基于互逆和对称关系补全的知识图谱数据扩展方法,该方法能简单高效地对广大知识图谱数据集进行扩展,直接增加了有效三元组,极大程度提高了现有通用表示学习模型的效果;(2)提出了一种基于先验知识的互逆关系语义逻辑约束,该方法加强了互逆关系三元组实体对表示的逻辑合理性,进而提高表示学习效果,并且在通用表示学习模型上表现出良好的普适性;(3)提出了一种基于位置信息敏感的知识图谱表示学习模型,有效提取实体在三元组中的位置敏感信息,将此额外信息加入到表示学习过程中,在链路预测实验上表现出良好性能。通过标准的链路预测实验表明,方法(1)与方法(2)对以往的表示学习方法有不同程度的加强与改进,方法(3)所提出的模型取得了良好性能,超过了以往大部分模型的效果。

关键词： 小学生   学习方法   问题意识   教师教学  

摘要： 小学阶段的数学学习具有基础性地位,小学生的数学学习方法关系着小学生的问题意识的发展,影响小学生知识技能、数学思考、问题解决和情感态度。关于小学生数学学习方法的研究较多,但多以课前预习、课上认真听讲和课后复习三个方面展开研究,本研究根据课标和相关文献,以人教版数学六年级上综合实践:分数除法应用为例,将学习方法划分为观察、表达、假设和验证四个方法进行研究。本文在对国内外已有研究结果进行梳理的基础上,从问题意识视角出发,以观察、表达、假设和验证为主要维度,依据个人建构主义理论、PBL教学模式、杜威的“五步教学法”和发现学习法等理论,初步建构了小学生数学学习方法的理论模型,在此基础上编制了《小学生数学学习方法现状问卷调查》、《问题意识视角下小学生数学方法观察记录表》和《问题意识视角下小学生数学方法访谈提纲》,并对初测结果进行修改、完善,最后形成了小学生数学学习方法的正式问卷,并以此为测量工具,以某小学六年级116名学生为调查对象,并访谈了4名数学教师和20名小学生,进行问卷调查、访谈调查和课堂观察,其中观察了30节课。描述了小学生学习方法和影响因素的现状;归纳了小学生数学学习方法特征及规律;结合访谈调查,分析学习方法的问题,并探讨成因;根据问题有针对性地提出改善小学生学习方法的建议,进而发展小学生的问题意识。通过对研究结果的梳理,本研究最终形成以下结论:(1)问题意识视角下小学生数学学习方法体现了问题性、主观性、可塑性、稳定性与波动性统一的特征。(2)教学方法、问题解决、情感态度和知识复杂性与学习方法呈显著相关关系,不同成绩小学生在学习方法上存在显著差异。(3)问题意识视角下小学生数学学习方法存在着重知识轻方法、重传授轻理解、重结果轻过程的倾向。(4)问题意识视角下学习方法表现为小学生缺乏发现问题、提出问题、分析问题和解决问题的能力,问题意识薄弱。基于以上结论,提出以下建议:(1)教师尊重学生主体性,注重学生理解和接受的过程,为学生创造问题式教学环境,完善教学方法。(2)关注小学生的情感体验,激发小学生的学习兴趣,提高学生学习主动性。(3)尊重小学生认知建构规律,帮助学生经历学习方法的形成过程。

关键词： 反洗钱   集成学习   数据不平衡   DTW算法   社区分割算法  

摘要： 随着经济全球化的进程,金融活动日益活跃,洗钱犯罪行为也日益猖獗。而银行作为金融活动的主要机构,是洗钱的主要渠道,因此建立一套高效准确的风险防控系统可以给银行在日常的交易活动中带来很多便利。银行以往的反洗钱系统都是基于专家经验知识,在面对手段多样化,团伙作案、高效化的洗钱犯罪行为时,显得有些捉襟见肘。基于这种情况,本文在银行提供的丰富的日常交易数据的基础上,建立了一个高效准确的反洗钱监测服务系统。本文的主要研究内容和创新点如下:首先,针对银行提供的数据存在的数据不平衡的问题,本文从数据、算法、指标等三个层面上采用了多种措施来缓解数据不平衡带来的影响。在数据层面,提出了一种基于时间窗口的数据增强方案,在保证数据量扩增的同时,也增加了数据集的多样性。除此之外,还采用多种采样方法,使洗钱账户和正常账户的样本量基本达到平衡。在算法层面,选用了在数据不平衡问题上表现良好的决策树算法,尽量减少数据不平衡对于分类结果的影响。在指标方面,用F1值,PR曲线等来衡量模型性能,不使用accuracy这种比较模糊的指标。接着,本文提出了一种“三明治”式的特征提取方案,在原有的业务特征的基础上添加时序特征和社区特征,混合特征具有更强的信息表征能力。本文利用DTW算法来获取时序的相似度,作为样本的时序特征,利用社区分割算法提取社区特征。在对模型的特征重要性分析后,结果表明时序特征和社区特征占总体特征比例接近50%。有效的提高了模型的预测性能。最后,本文设计了模型集成的方案,将集成学习算法中基于Bagging集成的随机森林算法和基于Boosting集成的XGBoost算法相结合。将两者结合起来,在缓解数据不平衡问题带来的影响的同时,有效地提高了系统的识别准确率。实验结果表明,利用模型集成方案,复合模型的准确率和召回率等与单一模型相比有所提高。

关键词： Bagging集成学习   股票趋势预测   注意力机制   对抗学习   分布式  

摘要： 股票趋势预测研究是金融大数据的一个重要研究方向,随着人工智能技术的发展,股票趋势预测从传统的基本分析方法,扩展到利用机器学习方法进行技术分析。其中,神经网络方法、集成学习方法为股票趋势预测提供了新的建模方案。但传统的集成学习方法基学习器仅使用决策树或LSTM神经网络作为基学习器,具有一定的局限性,为此本文进行如下研究:1)设计叠加了注意力机制和生成对抗学习的LSTM模型--AALSTM模型。由于股票数据具有非线性、非平稳以及含有大量噪声的特点,普通LSTM模型难以捕捉潜在特征,为了解决该问题,本文在LSTM模型基础上引入注意力机制和对抗学习构建AALSTM模型。使用该模型对股票数据进行预测,实验结果表明AALSTM模型的预测能力高于传统的LSTM模型。2)设计一种以AALSTM模型为基分类器的集成学习模型--BagAALSTM模型。针对AALSTM单模型泛化能力有限,无法进一步提高预测能力的问题,本文利用Bagging并行式集成学习方法对AALSTM基分类器模型进行集成,通过比较BagAALSTM模型与单一AALSTM模型的预测效果,实验结果表明BagAALSTM模型的预测能力优于单一的AALSTM模型。3)使用遗传算法进行特征选择。为了避免特征过多导致模型过拟合,本文利用遗传算法筛选出适合BagAALSTM集成学习模型的最优特征子集。同时比较使用最优特征子集和未使用最优特征子集的BagAALSTM模型的预测效果,实验结果验证使用遗传算法选择出的特征子集可以提高BagAALSTM模型的预测准确率。4)实现分布式集成学习模型。使用消息队列实现了分布式集成学习模型。对外提供BagAALSTM集成学习模型的模型预测服务。该分布式集成学习模型在有许多基分类器的情况下能够比集中式的架构提供更加稳定、安全和快速的计算服务。

关键词： 低秩表示   潜在表示   正交字典   特征提取   聚类  

摘要： 现如今,伴随计算机科学理论研究和高新技术的飞速发展,以及现实应用需求的增加,算法的性能要求也随之水涨船高。在无监督机器学习领域中,子空间学习方法因其高效性和高可解释性的特点而被广泛运用。国内外学者对无监督子空间学习方法做了许多研究。包括线性子空间学习方法、流形子空间学习方法和低秩子空间学习方法等。其中,低秩子空间学习方法通过引入低秩约束,可以较为完整地保留原始空间中数据点之间的全局结构信息。本文主要提出一种全新的基于投影潜在低秩表示的子空间学习方法(Projective Latent Low-rank Representation,PLLR)。与大多数现有的基于低秩表示的子空间学习方法直接使用原始数据作为特征字典来学习具有低秩约束的表示系数矩阵不同,PLLR具有以下特点:(1)引入潜在表示。在现实应用场景中所获取的高维原始数据通常会受到各种因素的干扰,因而会包含许多冗余特征和噪声信息(如阴影、腐蚀等)。所以当直接使用原始特征数据矩阵来作为特征字典时,难免会使得算法的性能受到其中负面因素的影响。于是我们提出通过原始数据的潜在特征表示来作为低秩表示的特征字典,以分离输入和输出,使最终表示系数矩阵的学习过程不直接受到隐藏在原始数据中的负面因素的影响。(2)引入正交字典。要找到较为合理的潜在特征表示子空间,一般需要比较充分地发掘原始数据特征中所包含的具有判别力的特征信息。并且,最理想的状态是可以选择性地过滤其中的干扰信息。为此我们引入正交字典,通过数据重构的方式来学习原始数据的潜在特征表示,使得其能够保留原始数据中的主要能量,同时过滤其中所包含的冗余特征和噪声信息。最后将得到潜在特征表示作为特征字典以实施低秩表示学习。(3)引入图嵌入。低秩表示方法的局限性在于往往只关注了原始空间中的全局结构而忽略了局部结构的作用。为此我们通过图约束,将原始数据中的局部结构信息嵌入到潜在特征表示中。使得在低秩学习过程中所得到的最终表示系数矩阵可以同时保留原始数据的全局结构和局部结构。本文主要在无监督特征提取和聚类两种场景下进行了大量实验,并且通过实验结果可以证明所提出的基于投影潜在低秩表示的子空间学习方法不仅具有优异的性能,还具有良好的稳定性和可靠性。