加强实验教学环节控制的研究与实践

实验教学质量的提高已成为大家共同关注的问题。以《电子商务系统设计与管理》课程为例，从教师和学生两个角色着手，尝试用过程控制的思想和全面质量管理的方法，探讨如何在实验教学的各个环节上加强控制和管理，使实验教学过程不断规范化、教学质量不断提高。实践表明．这些方法和措施能有效地提高教学效果。     

基于Web自主协作型实验教学模式设计

协作学习已成为互联网环境下一种非常重要的实践教学模式，自主学习能力的培养也已成为高等教育的一个重要目标。针对已有的实验教学模式的不足，文中提出了基于web的自主协作型实验教学模式，并通过实例讨论了模式的构建过程、主要特色和应注意的问题。教学实践证明，该模式有助于实践教学模式的深化改革、培养学生协作学习意识和获取持续学习能力。     

开放环境下协作型实验教学模式探索

基于协作学习理论，对开放环境下协作型实验教学模式进行了探索，并通过具体实例讨论了模式的构建过程。教学实践证明，这种模式适于在高校本科高年级中采用，有助于实践教学模式的深化改革和创新型、协作型人才的培养。     

加强毕业设计(论文)环节控制的研究与实践

对如何提高毕业设计(论文)环节的质量作了一些有益的探讨,通过实行集成综合兴趣度的课题双向选择、加强教师的责任意识、完善监督和检查机制、改革成绩评定方法和激励措施等方法,逐步实现了对毕业设计(论文)教学环节实施全过程、全方位的管理和监控,为教学质量的提高提供了保障。通过在重庆邮电大学经济管理学院的教学实践表明,这些方法和措施能有效地提高毕业设计环节(论文)的教学效果。     

基于3DM的B2C客户分类算法

任何高效的客户关系管理都是以扎实的客户分类为基础,然而电子商务中所搜集到的客户信息往往具有海量、高维度和不完备等特点,传统的客户分类方法很难适合B2C客户数据的分类。研究表明,数据挖掘的实质是知识在不同形态下的转换过程,面向领域的数据驱动的数据挖掘理论(3DM)能将领域知识、先验知识和数据本身的特点有机结合。以电子商务B2C客户数据为例,设计了基于3DM的客户分类算法,通过实例表明,该算法能较好地解决B2C客户数据的分类问题。     

基于Vague集相似度量的多准则模糊决策方法

在分析已有关于Vague值（集）相似度量方法存在不足的基础上，综合考虑Vague值区间端点间的距离、核距离以及未知部分对支持度和反对度的影响等主要因素，提出了一种新的Vague值（集）相似度量方法，并对其性质进行讨论. 通过与现有方法的比较，表明该方法具有很强的相似度区分能力. 最后将所提出的Vague值（集）相似度量用于多准则模糊决策中，通过最优化方法选取每个准则的最优权重，根据候选方案与理想方案在相应准则下相似度加权和的大小得出最佳方案. 通过实例分析，表明了这种方法的有效性和可行性.     

基于序列标注的事件联合抽取方法

事件抽取是自然语言处理领域的重要研究方向。传统的事件类型抽取系统采用分类方式,无法解决跨句子的事件角色和事件类型匹配问题。为了解决该问题,提出一种基于序列标注的事件联合抽取模型,结合卷积神经网络(convolutional neural networks, CNN)与长短期记忆网络(long short-term memory, LSTM)提取全局特征和局部特征;并在浅层LSTM层共享参数实现联合抽取,以序列标注方式抽取事件论元并匹配事件类型。实验结果表明,模型能有效提取司法领域的文档事件信息。     

一种基于朴素贝叶斯的校准标签排序方法

传统的校准标签排序算法(calibrated label ranking,CLR)利用成对标签关联进行转化来预测结果.该算法的校准是在二元关系算法(binary relevance,BR)基础上进行比较产生结果,其预测对BR产生结果具有一定的依赖性,因此该算法在预测某些数据集时具有一定的局限性.为了更好地区分标签的相关性和不相关性,提出了一种用于标签边界域的校准方法,对处于相关性标签和不相关性标签的边界部分采用贝叶斯概率进一步校正,从而提高边界域部分分类的准确性.基于朴素贝叶斯校准的标签排序方法(calibrated lable ranking method based on naive bayes,NBCLRM)与校准标签排序等7种传统的方法进行对比,实验结果表明,本文提出的算法不仅可以根据需求修改阈值ε和μ来调节预测结果,而且能够有效地提升传统多标签学习方法的性能.     

基于3DM的B2C客户分类算法

任何高效的客户关系管理都是以扎实的客户分类为基础,然而电子商务中所搜集到的客户信息往往具有海量、高维度和不完备等特点,传统的客户分类方法很难适合B2C客户数据的分类.研究表明,数据挖掘的实质是知识在不同形态下的转换过程,面向领域的数据驱动的数据挖掘理论(3DM)能将领域知识、先验知识和数据本身的特点有机结合.以电子商务B2C客户数据为例,设计了基于3DM的客户分类算法,通过实例表明,该算法能较好地解决B2C客户数据的分类问题.