导读:本文包含了学习服务发现论文开题报告文献综述及选题提纲参考文献，主要关键词:深度学习,数字图书馆,网络资源,知识发现
学习服务发现论文文献综述
陈骊[1]（2019）在《面向深度学习的数字图书馆网络知识发现服务模式研究》一文中研究指出文章简述了深度学习的概念,对深度学习技术进行了阐述,在分析深度学习引入数字图书馆网络知识发现服务的价值的基础上,从构建原则、构建模型和安全保障叁个方面探讨了面向深度学习的数字图书馆网络知识发现服务模式的有效构建,并强调了面向深度学习的数字图书馆网络知识发现服务中人的重要性。(本文来源于《河南图书馆学刊》期刊2019年09期）
梁杉杉[2]（2019）在《云服务社区中基于深度学习的用户观点发现方法研究》一文中研究指出云计算的快速发展促进了各行业资源的协调整合,越来越多的个人与组织机构将本地的应用资源以Web服务的形式迀移到云计算资源池(即云服务社区)中,以便用户选择调用。这种服务部署模式加速了Web服务资源数量与质量的更新,云资源池中的Web服务呈指数型增长。基于SaaS平台的云服务社区的Web服务推荐因生态系统复杂性给服务计算提出新难题。近年来,越来越多的人对消费者评论的情感倾向感兴趣,以评估产品评级和公众偏好,因此,这种分析的研究和技术变得越来越普遍和成熟。然而,对中文API服务的使用评价进行情感分析的深度学习研究却很少有人关注。为了更好地挖掘云服务社区中用户观点文本的有效信息,本文提出了基于深度学习的对用户观点数据进行情感分析的方法。首先,对云服务社区中的原始数据进行人工标注和预处理,利用Gensim和Word2Vec将文本转换为可输入模型的形式;接着设计并实现了LSTM、BiLSTM和GRU叁种深度学习模型实现情感分类的任务,并将其与使用K-最近邻、SVM和朴素贝叶斯叁种机器学习算法建立的情感倾向模型的实验结果进行对比,结果证明了深度学习方法的有效性;最后对建立的叁种深度学习模型的性能进行评估,选择最优的BiLSTM模型作为云服务社区日后使用的模型。通过对BiLSTM模型进行参数对比实验,得到了模型的最优调参,最终使得模型达到89.68%的准确率,具备较好的分类性能。(本文来源于《内蒙古大学》期刊2019-05-31）
陈蕾[3]（2016）在《基于机器学习方法的可信Web服务发现关键技术研究》一文中研究指出随着互联网和云计算的不断发展,Web服务技术逐渐成为当前的一大研究热点。在Web服务技术众多研究主题中,可信Web服务发现已成为国际上亟待解决的重要课题。对于部署在分布、开放、多变、难控网络环境下的海量Web服务,如何保证其能够正确、安全和快速地为用户提供满足其需求的可信服务显得尤为重要。因此,进行高可信的Web服务发现研究具有一定的战略性、基础性和前瞻性,对我国软件业发展具有重大意义。本文通过引入机器学习领域中的核基学习、度量学习和稀疏学习理论,结合自组织映射(Self-Organizing Map,SOM)神经网络和分类器正则化技术,以基于WSDL(Web Service Description Language)语言描述的Web服务为研究对象,对可信Web服务发现领域中的若干关键问题进行了研究,并取得了一些成果。论文主要工作集中在以下几个方面:(1)提出了一个基于WordNet和概念语义降维的轻量级语义Web服务发现模型。该模型通过引入WordNet和隐含语义索引技术对Web服务进行轻量级语义特征提取,使得低维紧致的服务表示向量具有更符合其真实语义的特征描述;同时,为了更好地评价真实Web服务的相似性,该模型还引入了一种基于核基相似性度量的Web服务匹配机制,克服了传统服务匹配机制忽略样本分布统计特性的局限性。(2)提出了一种核Batch SOM神经网络学习算法,并由此构建了一类核Batch SOM神经网络聚类优化的Web服务发现模型。该模型通过对Web服务进行自适应聚类管理,将功能相同或相近的Web服务聚合在一起,从中抽取类标识服务来辅助Web服务的注册、查找等,可以大大缩小服务搜索的匹配空间,从而提高服务发现的效率。(3)提出了一种Web服务有监督特征提取和自适应相似性评价机制。首先通过引入逆类别频率改进传统的无监督术语加权机制,提出了一种融合类先验信息的有监督Web服务特征提取方法;其次通过引入大间隔度量学习理论,提出了一种基于类先验信息的服务相似性度量学习方法。这两种方法都能有效区分样本特征的相关性和无关性,合理揭示数据的内在分布结构。由此构建的基于有监督服务表示和自适应相似性评价的聚类优化Web服务发现模型验证了这两种方法的有效性。(4)提出了一种基于结构化噪声矩阵补全的可信Web服务QoS预测机制。首先通过引入L2,1范数正则化技术将Web服务Qo S预测问题建模为一类结构化噪声矩阵补全问题。其次,为了有效地求解该结构化噪声矩阵补全问题,提出了一种基于算子分裂技术的结构化噪声矩阵补全算法(OSMCSN)。真实数据集上的实验结果表明,OSMCSN算法不仅可以显着提高Web服务Qo S预测精度,还能准确探测出采样矩阵中的噪声行位置信息,从而实现对操纵和篡改Qo S信息的不诚实用户进行预警。(5)提出了一类多值多对多高斯联想记忆神经网络模型,并且对该模型的渐近稳定性,存储容量和纠错能力进行了分析。基于联想的图像检索应用证实了该模型的鲁棒性能。特别地,由于概念语义网络是体现Web服务语义和智能的重要载体,其联想和推理能力直接关系到Web服务的查询精度及组合效率,因此,将该模型应用于Web服务概念语义网络的智能管理将是我们下一步工作的研究重点。(本文来源于《南京邮电大学》期刊2016-03-18）
朱郑州[4]（2012）在《一种基于情景感知的学习服务发现算法》一文中研究指出针对学习者对e-Learning服务发现系统提供的学习服务不满意或者满意程度不稳定的问题,引入了情景因子,设计了一个学习服务发现算法———eLSDACA。该算法感知学习者的学习情景,形成学习者情景本体,参与服务发现的过程。情景因子有两个作用:一是作为输入和学习者输入同时输入学习服务发现系统;二是作为学习服务发现系统的修正因素,利用修正函数对已发现的发布服务的综合匹配度进行更新,并给出相应的输出。仿真实验表明,在学习者进行学习服务发现的次数超过10时,该算法的查全率和查准率均达到90%以上,优于传统的学习服务发现算法。(本文来源于《计算机科学》期刊2012年02期）
朱郑州,吴中福,吴开贵,周尚波[5]（2009）在《基于用户满意度的学习服务发现算法》一文中研究指出引入用户满意度因子,设计一个学习服务发现算法——eLSDAUS,并应用于网络学习系统中。该算法允许用户参与服务发现的过程,对服务发现的效果进行评价。学习服务发现系统将用户评价反馈到学习服务发现算法,利用修正函数修正更新发布服务各属性的匹配度权值,优化反馈给用户的综合匹配度的计算。实验结果表明,在发布的学习服务数量超过1万时,该算法能提高服务发现的查全率4%～5%。网络学习者使用该系统7天后,对学习服务发现结果的总体满意比率可达到93%以上。(本文来源于《计算机工程》期刊2009年03期）
朱郑州,吴中福,吴开贵[6]（2008）在《基于用户满意度的学习服务发现算法》一文中研究指出针对用户对e-Learning服务发现系统提供的服务不满意或者满意程度不稳定的问题,引入了用户满意度因子,设计了一个学习服务发现算法——eLSDAUS.该算法允许用户参与服务发现的过程,对服务发现的效果进行评价.学习服务发现系统把用户的评价反馈到学习服务发现算法,利用修正函数修正更新发布服务各属性的匹配度权值,优化反馈给用户的综合匹配度的计算.实验表明,在发布的学习服务数量超过1万时,该算法能够提高服务发现的查准率3%,而且随着发布服务数量的增多,效果会更好.经过127天的学习,用户对服务发现结果的总体满意比率可超过93%.(本文来源于《计算机研究与发展》期刊2008年07期）
朱郑州[7]（2008）在《基于本体的学习服务发现算法研究》一文中研究指出随着网络技术的不断发展和教育技术的日益更新,现代远程教育(Modern Distance Education)的教育模式也正在发生改变,个性化、自主化以及协同学习(Cooperative Learning)等逐渐成为网络教育者和学习者追求的目标,如学习资源的自动提供,个性化学习方案的自动生成,学习服务(e-Learning Service)的自动发现,以及学习效果的自我评估。如何快速准确地发现教学过程中所需要的学习服务是影响教学效果的关键。传统的基于UDDI(Universal Description, Discovery, and Integration)的学习服务发现所采用的发现机制局限于关键字的匹配,是一种静态匹配的方式,尽管查找速度比较快,但自动化程度不高,而且不能保证找到所有满足需求的学习服务。由于本体(Ontology)具有共享、可重用等特点,有良好的概念层次结构及对逻辑推理的有效支持,且能从语义和知识的层次上描述信息系统的概念模型,成为语义网的重要技术之一。特别是基于OWL(Web Ontology Language)的本体技术可应用于网络教育,使得学习服务的描述具有语义信息,所以基于OWL-S(OWL for Service)的学习服务发现能够较好地克服UDDI匹配的弱点,提高学习服务发现的质量。然而该方法也还存在准确度低和效率低的问题,故论文结合本体论,应用二部图、粗糙集和用户满意度等理论,对学习服务发现算法进行了深入的研究。基于二部图(Bipartite Graph)的学习服务发现算法是把请求学习服务和发布学习服务的属性集分别作为二部图的顶点集,所有匹配属性之间的连线为边,边的权是属性匹配度,先把学习服务匹配问题转换为二部图的最优完全匹配问题,然后通过最优完全匹配问题的求解,实现学习服务的匹配,最终达到学习服务的发现。由于粗糙集理论(Rough Sets Theory,RST)可用于处理不精确、不一致、不完整的各种不完备信息,并从中发现隐含的知识,揭示潜在的规律,因此它特别适用于不要求精确数值结果的不确定性问题。基于RST的学习服务发现算法就是结合本体技术,把RST应用到学习服务发现当中。该算法是在学习服务匹配之前应用RST进行叁步预处理操作:①规范化请求学习服务;②根据请求学习服务对发布学习服务进行不相关属性约减;③根据请求学习服务对发布学习服务进行依赖属性约减。其中的不相关属性约减和依赖属性约减可大大减少匹配的数量,从而提高学习服务发现的效率。然而,尽管采用了这些帮助提高学习服务发现查准率(Precision)、查全率(Recall)和效率(Efficiency)的算法,也只能尽快准确地查找到与学习者请求相匹配的学习服务,关键还在于学习服务本身的发现。在现有的学习服务发现系统中,根据学习者的请求能够找到一些学习服务,而且匹配度很高,但是学习者并不一定满意,这里的原因很多,其中一个主要原因就是现有的算法都只把学习服务自身的属性匹配度作为衡量学习服务匹配效果优劣的唯一指标,没有考虑到学习者的感受,这在一定程度上限制了学习服务发现系统性能的提高。因此本论文引入了用户满意度(User Satisfaction,US)的概念,提出了一种基于用户满意度的学习服务发现算法,该算法是把学习者对系统返回给他的学习服务的评价作为反馈信息,并设定一个修正函数,以动态更新发布学习服务的各个属性的匹配度权值,这不仅从客观上提高了学习服务的查准率,而且还从主观上提高了学习者对服务发现结果的满意程度。论文最后给出了一个CSCL原型系统,该系统集成了学习服务发现算法,学习者可以在该系统中进行协同学习,学习剧本包含有对所需学习服务信息的描述,学习者在学习过程中所需要的学习服务都可以由系统自动发现。(本文来源于《重庆大学》期刊2008-04-01）
林浩[8]（2006）在《基于Web服务的学习对象发现及其优化》一文中研究指出为了解决网络上学习对象的发现和异构资源共享的问题,提高学习对象的复用率;采用Web服务技术,设计了基于Web服务的学习对象发现模型.把每个学习对象封装为一个Web服务,并在UDDI注册.学习者根据需要选择设置,通过UDDI检索需要的学习对象.为了改善学习对象发现的结果,使用服务质量对学习对象的发现进行优化.根据学习对象的特点,设计了服务质量的评价指标,给出了服务质量的定量计算方法.(本文来源于《青岛理工大学学报》期刊2006年02期）
学习服务发现论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
云计算的快速发展促进了各行业资源的协调整合,越来越多的个人与组织机构将本地的应用资源以Web服务的形式迀移到云计算资源池(即云服务社区)中,以便用户选择调用。这种服务部署模式加速了Web服务资源数量与质量的更新,云资源池中的Web服务呈指数型增长。基于SaaS平台的云服务社区的Web服务推荐因生态系统复杂性给服务计算提出新难题。近年来,越来越多的人对消费者评论的情感倾向感兴趣,以评估产品评级和公众偏好,因此,这种分析的研究和技术变得越来越普遍和成熟。然而,对中文API服务的使用评价进行情感分析的深度学习研究却很少有人关注。为了更好地挖掘云服务社区中用户观点文本的有效信息,本文提出了基于深度学习的对用户观点数据进行情感分析的方法。首先,对云服务社区中的原始数据进行人工标注和预处理,利用Gensim和Word2Vec将文本转换为可输入模型的形式;接着设计并实现了LSTM、BiLSTM和GRU叁种深度学习模型实现情感分类的任务,并将其与使用K-最近邻、SVM和朴素贝叶斯叁种机器学习算法建立的情感倾向模型的实验结果进行对比,结果证明了深度学习方法的有效性;最后对建立的叁种深度学习模型的性能进行评估,选择最优的BiLSTM模型作为云服务社区日后使用的模型。通过对BiLSTM模型进行参数对比实验,得到了模型的最优调参,最终使得模型达到89.68%的准确率,具备较好的分类性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
学习服务发现论文参考文献
[1].陈骊.面向深度学习的数字图书馆网络知识发现服务模式研究[J].河南图书馆学刊.2019
[2].梁杉杉.云服务社区中基于深度学习的用户观点发现方法研究[D].内蒙古大学.2019
[3].陈蕾.基于机器学习方法的可信Web服务发现关键技术研究[D].南京邮电大学.2016
[4].朱郑州.一种基于情景感知的学习服务发现算法[J].计算机科学.2012
[5].朱郑州,吴中福,吴开贵,周尚波.基于用户满意度的学习服务发现算法[J].计算机工程.2009
[6].朱郑州,吴中福,吴开贵.基于用户满意度的学习服务发现算法[J].计算机研究与发展.2008
[7].朱郑州.基于本体的学习服务发现算法研究[D].重庆大学.2008
[8].林浩.基于Web服务的学习对象发现及其优化[J].青岛理工大学学报.2006