浅谈小学数学课堂口头练习的形式和作用

练习是课堂教学的重要组成部分，它是一种有目的、有指导、有组织的学习活动。随着教育改革的不断发展，人们对练习功能的认识已不局限于巩固新知、形成技能，而是认识到它在教学中起着“反馈与调节”的作用，对学生学习科学思维方法、发展数学能力有重要意义。     

一种Fuzzy优化选材模型及其应用

针对研究生推荐工作实际，结合今后研究工作需要，建立了推荐函数及Ｆｕｚｙ推荐集并讨论了其性质，同时对于影响因素进行Ｆｕｚｚｙ化，建立了一类Ｆｕｚｚｙ优化选材模型。     

结合时间上下文和兴趣模型协同过滤推荐算法

针对传统协同过滤UserCF推荐算法，用户相似度计算数据维度单一、精确率低、用户兴趣动态漂移等问题，提出一种结合时间上下文和用户兴趣动态衰减模型的协同过滤推荐算法.在传统协同过滤算法中结合时间上下文优化用户相似度的计算，引入用户收敛兴趣衰减模型，动态评估用户兴趣变化.算法通过MovieLends-1M数据集进行实验验证，按照F_β值、准确率、召回率与传统UserCF、UserCF-IIF算法进行对比分析.实验结果表明：本文算法精确率最高可达25.6%、召回率最高可达12.2%，相比UserCF、UserCF-IIF算法，在F_β值方面本文算法具有明显提升.     

基于图嵌入向量的课程推荐算法研究

互联网技术的飞速发展，推动了传统教育方式的变革，在线教育逐渐成为了人们学习的一种重要方式。然而在线课程种类繁多，用户在学习过程中，往往难以找到符合自身需求的课程。面对信息过载问题，越来越多的研究人员将兴趣投入到在线课程平台的推荐算法中来。在线课程平台常用的协同过滤推荐算法基于用户相近的兴趣进行推荐，然而，忽略了用户学习的时序特征。针对此问题，文章提出一种基于用户点击时序网络嵌入向量（Graph Embedding Vector,GEV）的推荐算法。首先，利用用户的学习记录构造用户点击序列图，然后利用Skip-gram算法和负采样算法学习到课程的嵌入向量表示，最后，通过向量检索的方式为用户生成推荐候选集。实验结果表明，与MF、DeepWalk、协同过滤等传统算法相比较，该算法在MOOC数据集的推荐召回率上均有提升。因此，实验结果证明了利用图嵌入方法获取向量表示进行推荐可以有效提升推荐召回率。     

基于数据驱动和知识图谱的电影分类推荐方法

提出基于知识图谱和数据驱动的电影分类推荐方法；首先基于数据驱动爬取互联网中的电影数据并进行去重及清洗，然后采用知识图谱将电影数据与用户情感偏好数据进行关联，对海量的数据信息进行中心聚类，并在数据聚类的过程中计算投影向量得到相似度矩阵，最后查询相似度值并计算分类推荐指标权重得到最终的电影推荐清单.     

《社会》教学中培养学生口头表达能力的几种做法

口头表达能力训练对培养开拓型、创造型人才是十分需要的。本文利用初一《社会》的教学条件,结合教学目标与教学计划,开展了一些旨在培养、提高学生口头表达能力的实践活动,收到了一定的成效。     

文学——语言的艺术

文学是一门语言的艺术,它是以语言为材料建构一个形象生动的艺术世界来表达作家的审美理想的。作为狭义文学作品的语言,它不但要通过建构艺术世界来实现审美理想,其自身也要化作审美现实,具有美学意义,那文学语言的风格自然就要有别于其他的日常语言与科学语言。     

基于语义相似性的资源协同过滤技术研究

为解决协同过滤推荐系统中所存在的可扩展性、稀疏性等问题带来的推荐性能下降,提出新的基于资源语义知识协同过滤算法,算法综合考虑了资源语义和用户评价的影响,改善基于资源协同过滤算法性能.实验表明,基于资源语义的协同过滤算法相对于传统协同过滤算法可提高推荐性能.     

基于用户偏好加权的混合网络推荐算法

基于热传导或物质扩散理论的推荐算法首先利用网络结构得到对象间推荐关系,然后根据对象间关系预测用户喜欢的对象,而忽略了用户偏好。为了弥补这个缺陷,根据用户已选择对象的标签,利用TF-IDF方法构建用户偏好模型,以用户在预测对象标签上的平均偏好作为对该对象的偏好程度,采用加权方法与现有基于网络推荐算法混合运算。经在基准数据集MovieLens上测试表明,通过与目前效果最好的几种基于网络推荐算法进行加权混合运算,推荐结果在推荐精度、个性化、多样化等多种评价指标方面均比原有算法有明显提高。