典型文献
一种基于特征偏移补偿的深度智能化教学评价方法
文献摘要：
针对慕课(MOOC)评论中存在少数类特征偏移的问题,提出一种基于特征偏移补偿的深度智能化教学评价方法.该方法首先使用Glove预训练模型获取MOOC评论的分布式词向量;然后采用浅层卷积神经网络,通过多个卷积核学习教学评价的语义,引入不同类别评论的数量设计影响因子,归一化该影响因子并应用到交叉熵损失函数中;最后基于Coursera平台的本科学生教学评论数据集,通过与其他损失函数在F1,gmean,balance,gmeasure等评价指标上进行性能对比实验.实验结果表明,基于归一法的特征偏移补偿损失函数在gmeasure指标上比基类损失函数得到了最多15.40％的性能提升,并且采用该损失函数的分类模型也表现出较强的稳定性.
文献关键词：
文本分类;特征偏移;卷积神经网络
中图分类号：
作者姓名：
李芳;曲豫宾;李龙;李梦鳌
作者机构：
桂林电子科技大学 广西可信软件重点实验室,广西 桂林 541004;江苏工程职业技术学院 马克思主义学院,江苏 南通 226001;江苏工程职业技术学院 信息工程学院,江苏 南通 226001;中国船舶工业系统工程研究院,北京 100094
文献出处：
引用格式：
[1]李芳;曲豫宾;李龙;李梦鳌-.一种基于特征偏移补偿的深度智能化教学评价方法)[J].吉林大学学报（理学版）,2022(03):697-704
A类：
gmean,gmeasure
B类：
特征偏移,偏移补偿,智能化教学,慕课,MOOC,少数类,Glove,预训练模型,分布式词向量,卷积核,核学习,学习教学,交叉熵损失函数,Coursera,本科学生,生教学,评论数据,balance,性能对比,归一法,比基,基类,性能提升,分类模型,文本分类
AB值：
0.324421
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
