随着人工智能时代的到来,传统的大学生创新创业赛事管理技术已经不能满足现实的需要。针对当前双创竞赛赛题和学习资源的推荐效率低、实用性差等问题,研究在群组学习生成网络与图卷积网络的基础上,基于门控循环单元网络(Gated Recurrent...随着人工智能时代的到来,传统的大学生创新创业赛事管理技术已经不能满足现实的需要。针对当前双创竞赛赛题和学习资源的推荐效率低、实用性差等问题,研究在群组学习生成网络与图卷积网络的基础上,基于门控循环单元网络(Gated Recurrent Unit Network,GRU),设计了一种混合推荐算法,并以此为算法基础搭建大学生智慧双创项目学习平台。结果发现,研究算法召回率与平均精度较基于知识的推荐算法分别提升了7.7%、3.2%。GGAGR算法的F1与曲线下面积指标分别达到0.1344、0.6509,竞赛点击率与通过率分别达到0.26、0.19,均优于对比算法。结果表明研究设计的GGAGR算法能够有效提升群组推荐性能,其得到的Top-N推荐更能满足大学生创业创新竞赛项目学习需求。展开更多
数据不平衡容易导致模型偏见或出现过拟合现象,为了提高对少类样本的识别率,优化数据处理流程,首先引入人工智能算法中的人工蜂群算法对K-Medoids聚类初始中心点进行优化,然后借助集成的思想结合改进的K-Medoids聚类设计了针对不平衡数...数据不平衡容易导致模型偏见或出现过拟合现象,为了提高对少类样本的识别率,优化数据处理流程,首先引入人工智能算法中的人工蜂群算法对K-Medoids聚类初始中心点进行优化,然后借助集成的思想结合改进的K-Medoids聚类设计了针对不平衡数据的分类模型。实验结果表明,设计的不平衡数据分类模型取得了0.943的AUC(Area Under the Curve,接受者操作特征曲线下面积)值、0.973的F_(1)(F1 Score)值和0.962的G-mean(Geometric mean,几何平均数)值。实验结果证实了该分类器的准确性和敏感性,较其他方法取得了最优的分类效果。该研究有助于决策者更全面地了解数据集的特性和分布情况,优化数据处理流程。展开更多
文摘随着人工智能时代的到来,传统的大学生创新创业赛事管理技术已经不能满足现实的需要。针对当前双创竞赛赛题和学习资源的推荐效率低、实用性差等问题,研究在群组学习生成网络与图卷积网络的基础上,基于门控循环单元网络(Gated Recurrent Unit Network,GRU),设计了一种混合推荐算法,并以此为算法基础搭建大学生智慧双创项目学习平台。结果发现,研究算法召回率与平均精度较基于知识的推荐算法分别提升了7.7%、3.2%。GGAGR算法的F1与曲线下面积指标分别达到0.1344、0.6509,竞赛点击率与通过率分别达到0.26、0.19,均优于对比算法。结果表明研究设计的GGAGR算法能够有效提升群组推荐性能,其得到的Top-N推荐更能满足大学生创业创新竞赛项目学习需求。
文摘数据不平衡容易导致模型偏见或出现过拟合现象,为了提高对少类样本的识别率,优化数据处理流程,首先引入人工智能算法中的人工蜂群算法对K-Medoids聚类初始中心点进行优化,然后借助集成的思想结合改进的K-Medoids聚类设计了针对不平衡数据的分类模型。实验结果表明,设计的不平衡数据分类模型取得了0.943的AUC(Area Under the Curve,接受者操作特征曲线下面积)值、0.973的F_(1)(F1 Score)值和0.962的G-mean(Geometric mean,几何平均数)值。实验结果证实了该分类器的准确性和敏感性,较其他方法取得了最优的分类效果。该研究有助于决策者更全面地了解数据集的特性和分布情况,优化数据处理流程。
