关键词： 小组合作学习   探究与实践   复习巩固  

摘要： 作为小学英语教师,我所在的学校属于城乡接合处,班里百分之七八十的学生都是跟随父母来务工地学习,班级容量大,而且每年都会有学生转走,新生插班进来。大部分新进来的学生英语从来都没有接触过,导致班级里学生的英语水平参差不齐,两极分化特别大。想要改变目前的学习现状,做到老师教得轻松,学生学得更轻松,不断研究新的教学方法迫在眉睫。我们学校从上学期开始让老师们学习小组合作学习的教学方法。小学英语教学中如何进行小组合作学习,小组合作学习有哪些好的方法,值得我们认真探究。

关键词： 蛋白质结构预测   协同进化分析   残差神经网络   统计势能函数   可微蛋白质折叠  

摘要： 蛋白质负责执行生命活动中的大多数功能,是生命科学领域研究重点。蛋白质需要形成特定的结构来完成相应的功能。该结构一般通过形成蛋白质的氨基酸残基中原子的三维坐标表示。蛋白质的三维结构一般通过X-ray晶体衍射、核磁共振和冷冻电镜等湿实验手段测定。然而,相比蛋白质测序试验,通过湿实验测定结构往往耗时耗力,这就导致了蛋白质序列数据和蛋白质结构数据之间形成了巨大鸿沟。因此,通过计算手段从蛋白质序列预测蛋白质的三维结构成为计算生物学和生物物理学中的重要研究问题。基于序列对蛋白质结构预测问题中的主要挑战是对没有同源结构模板的序列进行建模。此类不依赖于模板的方法也称为从头预测(ab initio structure prediction)。预测的得到的残基接触可以通过多种形式有效提高蛋白质结构预测的精度,在蛋白质从头预测过程中有着至关重要的作用。尽管近年来对蛋白质残基接触预测的研究已经获得了较大进展,但是当前特征提取手段仍有诸多局限,预测精度仍然有限。为了更加精确地预测蛋白质远程残基间的空间信息,本文从特征抽取和深度学习模型构建等方面入手,开发并改进了蛋白质残基接触的预测模型,本论文的研究内容如下:(1)提出了一种基于精度矩阵的残基接触预测方法。该方法使用了多序列比对矩阵的逆协方差矩阵(精度矩阵)作为特征,然后采用了残差深度神经网络实现了从精度矩阵到蛋白质残基接触图矩阵的直接预测。在158个蛋白质结构预测技术关键测试比赛(Critical Assessment of protein Structure Prediction,CASP)的测试序列上的Top-L精度达到了50.6%,比最优的对比方法高出11.7%。实验结果表明,相比现有的基于协方差矩阵的方法,所提出的方法的主要优势为使用了可以消除传递噪声的精度矩阵特征;此外,还发现更高质量的多序列比对可以提高模型的预测精度。该方法对于蛋白质结构预测,尤其是协助从头预测具有重要意义。(2)提出了一种基于多协同进化分析特征融合和深度残差神经网络的蛋白质残基接触预测方法。该方法在训练过程中引入残基间的离散距离信息,实现了协同进化特征到离散距离的直接预测。和主流算法相比,该算法的优势在于可以从多种未经处理的协同进化分析特征中学习互补信息;而多种协同进化分析特征则是从基于宏基因组数据库得到的多序列比对中提取的;在CASP11和CASP12数据集和连续自动化模型评估(Continuous Automated Model Evaluati On,CAMEO)数据集上,该方法的精度比选取的最优比对方法分别高出58.4%和44.4%。在CASP13数据集上,该方法的Top-L/5精度达到了71.6%,高于CASP13中的最优方法。实验结果表明,本章所提方法可以有效提高现有深度学习模型对蛋白质残基接触的预测能力,从而最终实现蛋白质三维结构的准确预测。(3)提出了一种基于预测的远程残基几何描述项的快速可微的蛋白质结构预测方法。该方法首先设计了一种深度神经网络构架,融合了多种互补的二维协同进化特征和一维进化特征。额外提取了协同进化分析中的后处理得分和序列特异性特征,在训练过程中,还采用了多任务策略,同时输出多种几何描述项的离散分布。预测的离散分布则通过三次插值作为蛋白质结构预测模块的可微势能函数。最后,提出了一种全局的迭代梯度下降优化算法来优化该势能函数。该方法在31个CASP13的自由建模序列和168条CAMEO的Hard序列进行了测试。在两个数据集上的Top-L精度分别达到了49.3%和57.7%,持续优于现有最优算法。该算法在多个几何描述项的平均绝对误差比当前最优算法至少降低15%。而这些几何项的精确预测也使得所提方法在CASP13数据集上的平均TM-score达到了0.6,超过了CASP13中的最优算法Alpha Fold(TM-score=0.587)。

关键词： 网络表示学习   网络嵌入   属性网络   节点分类   链接预测  

摘要： 网络表示学习,又称网络嵌入,旨在将网络中的节点表示成低维稠密的实值向量。网络表示学习提供了一种高效的网络表示形式,学习到的表示向量可以灵活方便地运用到诸如节点分类、链接预测、社区发现等各种网络分析任务中。在现实生活中,网络中的节点往往还伴随着描述性的属性,这类网络称为属性网络。近些年基于深度学习的属性网络表示学习也逐渐引起了研究者们的关注。然而,社区结构信息和任务相关信息并没有被有效利用是大多数现有的属性网络表示学习方法仍然存在的问题。本文针对目前属性网络表示学习方法面临的这些问题展开研究,提出了两种有效的属性网络表示学习方法,主要工作如下:(1)针对社区结构信息未能有效利用的问题,提出了一种多视角特征保持的网络表示学习方法。该方法分别从局部网络结构、节点属性和社区结构三个视角构建节点的特征,再通过集成多个自编码器结果的方式来得到综合多视角特征的节点表示,使得该节点表示能够反映网络中节点之间的多种相似性,并通过引入拓扑约束和一致性约束的方式增强了节点表示的鲁棒性和一致性。(2)针对任务相关信息未能有效利用的问题,提出了一种面向任务的属性网络表示学习方法。该方法从节点不同邻域的属性中提取出多种特征并融合得到节点表示。该节点表示随后被输入至三个功能模块,以分别保持节点在拓扑结构和节点属性层面的相似性和任务相关信息。由于在学习过程中利用了任务相关信息,该方法可以灵活地用于不同的网络分析任务并学习到匹配任务目标的节点表示。在多个被广泛使用的网络数据集上,对本文所提出的网络表示学习方法进行了充分的实验验证。实验结果表明,本文所提出的网络表示学习方法比其它主流的网络表示学习方法的效果更优,验证了本文所提出方法的有效性。

关键词： 信息技术   初中语文教学   新课标  

摘要： 信息技术作为互联网发展背景下的新型学科,对当前正在革新的初中语文教学有着重要的辅助和补充作用,两者相互依存、共同发展是目前学科建设的根本任务。新课标改革要发挥理论指导的作用,在初中语文教学的过程中,潜移默化地融入信息技术的支持,充分发挥其作用,改革传统的教学方法。

关键词： 低照图像增强   线性对比度增强   实例归一化模块   卷积神经网络   图像去雾   编码器解码器   生成对抗网络   注意力模型  

摘要： 图像恢复是图像处理和计算机视觉领域重要研究内容。在低照、雾霾等条件下,户外计算机视觉系统所采集图像通常会遭受严重的退化,如低亮度、低对比度、细节丢失等,严重影响其在户外计算机视觉系统中的应用。因此对户外计算机视觉系统在低照、雾霾等条件下采集图像进行增强和复原,具有非常重要的意义。本文聚焦于低照/雾霾图像增强和复原的深度学习方法研究,所开展主要工作及取得成果包括:(1)针对传统低照图像增强方法对噪声敏感及深度学习方法泛化性差等问题,提出一种用于低照图像增强的注意力自适应卷积神经网络。其整体框架由三个子网组成:基于编码器-解码器网络的梯度恢复子网、基于编码器-解码器网络的亮度恢复子网,以及用于亮度和对比度自适应调整的主干网络。为了避免在恢复图像亮度时弱化对比度的增强,在亮度和对比度自适应调整主干网络中,构建了一种具有线性对比度增强能力的新型自适应实例归一化模块,同时通过增加的梯度恢复子网分支保证了增强图像的结构和纹理完整性。实验结果和定量分析表明,该方法相比于现有方法取得了较好的增强效果,并且对于有高光区域的复杂低照场景以及光照不均衡的水下低照场景,该方法也都能取得较好的增强效果。相关工作已投稿于《IEEE Transactions on Image Processing》(审稿中)。(2)针对现有图像去雾方法对存在大片天空区域的雾霾图像或重度雾霾图像失效的问题,提出了一种基于上下文引导生成对抗网络的图像去雾方法。在该方法中,生成器网络采用了一种由特征提取子网、上下文提取子网和融合子网组成的新型编解码网络。其中,特征提取子网为一个用于提取雾霾图像特征的编码器;上下文提取子网是一个用于提取编码器深层特征并生成粗去雾图像的多尺度并行金字塔解码器;融合子网是一个融合特征提取子网特征和上下文提取子网特征并进行进一步复原的解码器。为了获得更好的去雾效果,上下文提取子网解码过程中获得的多尺度信息作为导引信息被用于优化融合子网的学习过程。为了保证提出的网络在不同的雾度情况下都能有效工作,两个解码器采用了不同的损失函数。实验结果表明,与现有的方法相比,该方法具有较好的去雾性能。相关工作已在《IET Image Processing》正式发表(CGGAN:A Context Guided Generative Adversarial Network For Single Image Dehazing,IET Image Processing,14(15):3982-3988,2021.)。(3)针对夜间雾霾图像清晰化复原问题,提出一种基于注意力融合的生成对抗网络。该网络框架由一个基于卷积的低照图像增强网络、一个基于卷积的图像去雾网络、一个基于多头输入及注意力融合的生成网络,和一个基于卷积的判别网络组成。其方法思路是:首先预训练低照图像增强网络和图像去雾网络,然后将预训练的低照增强网络及预训练的图像去雾网络的输出图像与待处理的夜间雾霾图像一起作为输入图像输入到生成器中,并采用注意力融合和生成对抗的方式对夜间雾霾图像做进一步的增强处理。实验结果表明,本文方法成功的将低照图像增强方法和图像去雾方法加入到夜间雾霾图像的复原任务中,并且进一步提高了复原结果的质量。相关工作已经完成撰写。

关键词： 知识图谱   分布式表示   层次化类别   软规则   前向推理   推荐系统   注意力机制  

摘要： 随着人工智能逐渐迈向认知智能,知识图谱已经成为当今大数据时代一种重要的知识表示和组织形式,被广泛应用在智能搜索、问答系统以及个性化推荐等领域,为它们知识赋能。知识图谱由实体和关系组成,实体表示客观世界的事物,关系表示实体之间的相互联系。传统的知识图谱使用符号化的形式表示,将实体和关系使用唯一符号进行表示。然而这种符号主义无法应对大规模知识图谱的需求,不能表达实体之间潜在的语义关联,同时阻碍了知识图谱的应用。随着知识图谱技术的不断发展,知识图谱分布式表示被提出并用于解决上述问题。知识图谱分布式表示是将实体和关系分别映射到低维连续的向量空间,使用对应的向量表示它们的语义信息。知识图谱分布式表示高效便捷的优点,使得分布式表示的学习方法和应用成为现阶段知识图谱领域的热门研究课题。 然而,知识图谱普遍存在的实体数据稀疏性问题,导致可以学习的显式语义信息不足,难以习得高质量的分布式表示,如何增强语义成为知识图谱分布式表示学习的重要挑战,本文分别从实体和关系的角度出发,探索增强知识图谱语义的方法。另外,由于知识图谱的结构化信息和推荐系统中用户物品交互信息之间的异质性,使得将知识图谱分布式表示直接应用到个性化推荐领域变得十分困难。本文在深入调研和分析现有解决稀疏性问题的知识图谱分布式表示学习方法和结合知识图谱的推荐算法相关研究之后,在知识图谱分布式表示学习方法和应用领域开展了以下三个创新性研究工作: 首先,本文以实体作为研究对象,通过引入实体的类别信息增强知识图谱语义,缓解数据稀疏的问题。然而,当前结合类别信息的方法往往忽略了它隐含的深层语义,针对该问题本文探索了类别信息潜在的丰富语义并对它们进行建模。具体而言,类别信息除了用来约束属于同一类别的实体,它还具有层次化结构和关系的类别约束这两个重要的特性。为了建模类别层次化结构的反对称性和传递性,以及利用关系的类别约束信息,本文提出了一种全新的结合层次化类别信息的分布式表示学习方法。首先将类别映射到不同于实体的向量空间,然后在类别向量空间上使用Order Embedding偏序关系建模类别的层次化结构,接着将实体向量通过线性变换映射到类别向量空间保证它与所属类别满足偏序关系。对于关系的类别约束,将关系对应的头(尾)实体以同样的方式映射到类别向量空间,并保证它与约束关系的类别满足偏序关系。基于四个基准数据集,在多个实验任务上进行大量的实验结果验证了本文提出的方法的优越性。 其次,本文以关系作为研究对象,通过引入由关系组成的逻辑规则增强知识图谱语义。这些逻辑规则蕴含在知识图谱中,可以通过规则挖掘的方法从中自动抽取,挖掘得到的带有置信度的逻辑规则称之为软规则。针对支持复合规则难、软规则作为约束项不能有效表达规则逻辑语义的问题,本文通过回归学习软规则的方式,提出了一个联合训练事实和软规则的算法。首先,使用模糊逻辑理论建模软规则,软规则由前向推理得到的所有有效实例化规则进行表示。然后,通过联合学习事实和软规则将规则的语义有效地融合到知识图谱分布式表示中,从而达到增强语义的目的。此外,为了支持海量规则和大规模知识图谱进行高效地前向推理,本文设计实现了一个基于分布式内存计算平台Spark的规则引擎系统。在两个大规模知识图谱上的实验表明本文提出的联合训练算法的优越性以及使用前向推理的合理性。 最后,针对将知识图谱分布式表示应用到推荐系统上面临的不同用户对不同实体和关系的偏好不同的问题,本文提出一个基于细粒度知识图谱感知注意力机制的个性化推荐算法。在传播与物品有高阶关联性的实体向量的过程中,设计了细粒度注意力机制为这些实体向量生成不同用户交互下的权重,该细粒度注意力机制依次考虑了用户对关系路径的偏好和用户对实体的偏好。在四个真实推荐场景下的实验结果表明了该算法的有效性和优越性。

关键词： 小学数学   多媒体教学   学习方法  

摘要： 多媒体教学具有较强的形象性及直观性,可以做到画面与声音融合为一体,能够在课堂上有效地吸引学生的注意力以及激发学生的学习兴趣。教师在进行数学教学的过程中,可以结合教学内容去运用多媒体技术,将知识与趣味性相融合,从而调动学生进行数学学习的积极性。在教学过程中,教师应该将多媒体技术与课堂教学内容进行有效地整合,从而促进多媒体技术的不断发展和学生学习效率的有效提高。

关键词： 行政法   不确定法律概念   具体化  

摘要： 行政法上不确定法律概念具体化,属于法治社会建设大环境下的一种必然和趋势。有关方面工作开展的合理性、有效性、实用性将会直接影响行政主体职权形式、接受监督情况、行政主体内部关系建设等工作的开展,因此,必须提高重视,加强行政法上不确定法律概念的具体化研究投入。本文在研究中,结合相关理论知识和实践工作经验,探究行政法上不确定法律概念具体化价值、原则、实施方法,并通过具体实施和保障策略制定,为这一工作的开展提供有益借鉴。

关键词： 物理   学习方法   兴趣   习惯   毅力   个性  

摘要： 学习方法和教学方法是初中物理教学的有机组成部分,二者同等重要。初中物理教学中的学习方法包括学习课本知识的方法、学习兴趣培养、学习习惯培养、学习毅力锻炼和个性化学习方法形成。本文结合物理实例,从学习兴趣、学习习惯、学习毅力和个性化学习方法等四个方面探讨学习方法在初中物理教学中的应用。

关键词： 情绪分析   深度学习   迁移学习   ALBERT动态词向量   域分离网络  

摘要： 一直以来,人们都试图从文本信息中抽取有价值的知识,这也是自然语言处理领域的热门话题之一,得益于计算机人工智能技术的发展,如今也能够从文本数据中抽取更为准确的情绪信息。目前,文本情绪分析中基于深度神经网络的分析方法取得了较好的成绩。然而,由于模型的训练过程基于传统的机器学习训练方法,测试样本和训练样本来自于同一数据域,这导致模型在另一相关域的数据集上表现不佳,存在严重数据依赖问题。随着网络数据的激增,基于传统假设的模型训练方式显然难以完成现实应用的需求。对此,本文讨论了影响跨数据域模型预测效果的可能因素,通过实验对比分析了字级模型与词级模型在中文情绪分析任务中的效果,从特征抽取的角度出发,将迁移学习与情绪分析模型相结合,提出了一种带有域分离自适应机制的深度迁移网络,并在情绪分类任务实验中验证了该方案的有效性。本文主要研究内容和贡献有:1.提出了一种基于ALBERT的动态词向量构建方案。结合前人的研究结果,本文发现使用多层动态词向量的方法构建文本特征抽取模型,能够解决传统方法中词典外未知单词无法识别的问题,同时也能增加模型的可解释性。此外,利用ALBERT的预训练-微调机制,还可以增加模型的泛化能力。基于ALBERT的动态词向量模型在多分类情绪数据集达到了93.52%的准确率,并通过对比实验证明该方案能够达到更优的特征表示效果。2.提出了一个带域分离自适应机制的深度迁移网络模型。该模型划分为动态词向量层、特征抽取层、域自适应层、特征融合层和分类层,是融合了迁移学习机制的情绪分析模型。模型构建了公有网络和私有网络,分别学习源域和目标域的公有特征和私有特征,以自适应的方式达成模型在不同数据域之间的可迁移性。通过在中英文数据集上的实验证明,该模型能够实现不同数据域之间的迁移预测。