人工智能技术在教育领域的深度应用,已成为国家教育数字化转型的核心战略。在计算机实践教学领域,实践学习资料的精准推荐是提升学生学习效能与质量的重要途径。针对高校教育规模化与学生需求多元化之间的矛盾,提出一种基于轻量级教育...人工智能技术在教育领域的深度应用,已成为国家教育数字化转型的核心战略。在计算机实践教学领域,实践学习资料的精准推荐是提升学生学习效能与质量的重要途径。针对高校教育规模化与学生需求多元化之间的矛盾,提出一种基于轻量级教育大模型的个性化实践学习资料推荐模型LightPLRec(Lightweight Personalized Learning Recommender for Dynamic Practice Materials),旨在依据学生个体特征的动态变化智能推荐个性化的实践学习资料。基于低算力需求的轻量级大模型,通过指令微调和强化学习方法构建了面向个性化实践学习资料推荐的教育大模型SPIR(Student Profile&Interest-based Re-commender)。通过整合多源异构数据,深度融入课程知识体系、学科前沿动态、产业发展趋势、国家战略导向,构建了跨学科、多模态的实践学习资料库,并设计了图转主题文本方法gragh2topic。依托于SPIR大模型的强大赋能和多源资料库的坚实支撑,提出了基于智能工作流的资料推荐方法。设计主题分析方法从学生能力评估结果中提取学生的能力特征,应用图卷积网络算法GCN从学生学习行为数据中挖掘学生的兴趣特征,创建了“能力-推荐智能体”和“兴趣-推荐智能体”,构建了双智能体协同驱动的智能化流程体系,实现了从学生个性化画像智能生成到实践学习资料动态推荐的系列工作流任务;并且构建了个性化资料推荐数据集,在该数据集上验证了所提模型的性能显著优于基线模型。其中,以Qwen2.5-3.0B为基模型训练的LightPLRec模型,在能力推荐与兴趣推荐这两项任务中展现出卓越性能,准确率分别高达0.947和0.939,其表现均优于DeepSeek-V3在同一数据集上的测评结果。该研究为教育大模型的垂直场景应用提供了技术范式,同时通过创建个性化实践学习资料动态推荐模型,为践行“因材施教”理念和培育高素质计算机实践人才提供了创新路径。展开更多
针对传统基于二部图的物质扩散算法难以适应用户偏好异质性和物品属性多样性的问题,提出了一种自适应属性协同的物质扩散算法(adaptive attribute-collaborative material diffusion,AACD)。首先引入属性竞争力系数,对用户偏好进行差异...针对传统基于二部图的物质扩散算法难以适应用户偏好异质性和物品属性多样性的问题,提出了一种自适应属性协同的物质扩散算法(adaptive attribute-collaborative material diffusion,AACD)。首先引入属性竞争力系数,对用户偏好进行差异化捕捉;其次构建用户-属性耦合结构,自适应调控扩散路径与强度,从而挖掘高阶协同信号并提升资源传递的灵活性;最后通过稳态解分析保证算法的收敛性。通过在Ciao等三个公开数据集上的实验显示,在MovieLens-1M数据集上,recall@N、precision@N和NDCG@N较最优基准模型分别提升了6.57%、7.03%和11.37%,其结果验证了AACD在缓解资源分配偏差问题和流行度偏移问题的有效性。展开更多
基于图卷积神经网络(GCNN)的指静脉识别方法不仅可以解决传统指静脉识别方法识别率较低的问题,还可以解决其计算量大的问题。针对目前指静脉图模型结构不稳定和匹配效率因模型增大而下降的问题,采用SLIC(Simple Linear Iterative Cluste...基于图卷积神经网络(GCNN)的指静脉识别方法不仅可以解决传统指静脉识别方法识别率较低的问题,还可以解决其计算量大的问题。针对目前指静脉图模型结构不稳定和匹配效率因模型增大而下降的问题,采用SLIC(Simple Linear Iterative Clustering)超像素分割算法来构建加权图并改变GCNN提取加权图的图级特征。为了有效抓取图数据中的高阶特征并避免过平滑,建立一种双分支多交互的深度图卷积网络(GCN),旨在提升节点对高阶特征的掌握能力。首先根据节点特征对图结构进行调整;然后结合原始和重构后的图结构,构建了双分支网络架构以充分挖掘高阶特征;最后设计一种通道信息互动机制,以促进不同分支间的信息交流,从而提高特征的多样性。实验结果显示,在多个标准数据集上进行指静脉识别任务时,该网络能减少单张图片识别时间,提高识别效率,并有效减轻过平滑现象,相较于单分支的GCN,在识别精度上平均取得了超过1.5百分点的性能提升。展开更多
文摘人工智能技术在教育领域的深度应用,已成为国家教育数字化转型的核心战略。在计算机实践教学领域,实践学习资料的精准推荐是提升学生学习效能与质量的重要途径。针对高校教育规模化与学生需求多元化之间的矛盾,提出一种基于轻量级教育大模型的个性化实践学习资料推荐模型LightPLRec(Lightweight Personalized Learning Recommender for Dynamic Practice Materials),旨在依据学生个体特征的动态变化智能推荐个性化的实践学习资料。基于低算力需求的轻量级大模型,通过指令微调和强化学习方法构建了面向个性化实践学习资料推荐的教育大模型SPIR(Student Profile&Interest-based Re-commender)。通过整合多源异构数据,深度融入课程知识体系、学科前沿动态、产业发展趋势、国家战略导向,构建了跨学科、多模态的实践学习资料库,并设计了图转主题文本方法gragh2topic。依托于SPIR大模型的强大赋能和多源资料库的坚实支撑,提出了基于智能工作流的资料推荐方法。设计主题分析方法从学生能力评估结果中提取学生的能力特征,应用图卷积网络算法GCN从学生学习行为数据中挖掘学生的兴趣特征,创建了“能力-推荐智能体”和“兴趣-推荐智能体”,构建了双智能体协同驱动的智能化流程体系,实现了从学生个性化画像智能生成到实践学习资料动态推荐的系列工作流任务;并且构建了个性化资料推荐数据集,在该数据集上验证了所提模型的性能显著优于基线模型。其中,以Qwen2.5-3.0B为基模型训练的LightPLRec模型,在能力推荐与兴趣推荐这两项任务中展现出卓越性能,准确率分别高达0.947和0.939,其表现均优于DeepSeek-V3在同一数据集上的测评结果。该研究为教育大模型的垂直场景应用提供了技术范式,同时通过创建个性化实践学习资料动态推荐模型,为践行“因材施教”理念和培育高素质计算机实践人才提供了创新路径。
文摘针对传统基于二部图的物质扩散算法难以适应用户偏好异质性和物品属性多样性的问题,提出了一种自适应属性协同的物质扩散算法(adaptive attribute-collaborative material diffusion,AACD)。首先引入属性竞争力系数,对用户偏好进行差异化捕捉;其次构建用户-属性耦合结构,自适应调控扩散路径与强度,从而挖掘高阶协同信号并提升资源传递的灵活性;最后通过稳态解分析保证算法的收敛性。通过在Ciao等三个公开数据集上的实验显示,在MovieLens-1M数据集上,recall@N、precision@N和NDCG@N较最优基准模型分别提升了6.57%、7.03%和11.37%,其结果验证了AACD在缓解资源分配偏差问题和流行度偏移问题的有效性。
文摘基于图卷积神经网络(GCNN)的指静脉识别方法不仅可以解决传统指静脉识别方法识别率较低的问题,还可以解决其计算量大的问题。针对目前指静脉图模型结构不稳定和匹配效率因模型增大而下降的问题,采用SLIC(Simple Linear Iterative Clustering)超像素分割算法来构建加权图并改变GCNN提取加权图的图级特征。为了有效抓取图数据中的高阶特征并避免过平滑,建立一种双分支多交互的深度图卷积网络(GCN),旨在提升节点对高阶特征的掌握能力。首先根据节点特征对图结构进行调整;然后结合原始和重构后的图结构,构建了双分支网络架构以充分挖掘高阶特征;最后设计一种通道信息互动机制,以促进不同分支间的信息交流,从而提高特征的多样性。实验结果显示,在多个标准数据集上进行指静脉识别任务时,该网络能减少单张图片识别时间,提高识别效率,并有效减轻过平滑现象,相较于单分支的GCN,在识别精度上平均取得了超过1.5百分点的性能提升。
