学习主题

摘要： 系统讨论了物理学科深度学习中素养导向的学习目标和引领性学习主题的生成机制和表述技术,从操作层面给出了目标的三种表述技术以及相应的案例,给出了主题的生成图以及相应的案例及其分析.

摘要： 群文阅读效果如何,议题是关键。本文意在探究如何以议题为切入点组织群文阅读教学,以期提高阅读效率,培养学生的高阶阅读能力,为学生成为终身阅读者奠定坚实的基础。在群文阅读教学中,教师可从以下几个角度设置议题。以单元学习主题为议题人教版语文五年级上册第六单元的学习主题是感受父母之爱。

摘要： 在语文教学中,搭建适切的学习支架,可以促进学生语文学习质量的真正提升。教师可以从学习主题、学习经验、学习进程、学习难点、学习需求等方面为学生搭建任务支架、问题支架、学习单支架、导图支架、表格支架、资料支架等,这样既能促进学生的语文学习活动逐步深入,优化语文课堂教学过程,又能使学生掌握阅读文本的正确方法,形成阅读思维习惯,获得语文素养的全面提升。

摘要： 所谓深度学习,指是在教师的引领下,幼儿围绕着具有挑战性的学习主题,全身心积极参与、体验成功、获得发展的有意义的学习过程。《3~6岁儿童学习与发展指南》(以下简称《指南》)在各个领域都涉及了学习品质的培养问题,在说明部分更是强调要重视幼儿的学习品质,充分尊重和保护幼儿的好奇心和学习兴趣,帮助幼儿逐步养成积极主动、认真专注、不怕困难、敢于探究和尝试、乐于想象和创造等良好学习品质。

摘要： 设计项目学习主题,实现额教育激呈化项目化学习的主题要立足学生的生活实际,以具有综合性、实践性、开放性、针对性的学习内容,探索劳动教育的课程化发展。辽宁省沈阳市浑南区第八小学全面梳理学生的日常生活,并整合社会生活资源,立足日常性劳动、服务性劳动、生产性劳动三大板块,围绕生活能力、社会能力和创造能力的培养,将零散的劳动教育内容整合为"金木水火土"子课程。

摘要： 当前的数学课堂普遍存在教师习惯把学生当成接收知识的“容器”,一味要求学生认真听课,课堂中没引导学生进行深度思考的现象。“双减”背景下的新型数学课堂应该是师生互动、和谐活跃的课堂,是积极思考、探究创新的课堂,只有让学生在课堂中合作、思辨、交流、体悟,引发学生深度学习,才能产生最积极的教学效果。所谓深度学习,是学生在教师引导下,围绕挑战性的学习主题,主动参与、体验成功,提高自身数学素养的有意义的学习方式。

摘要： 深度学习,是指在教师的指导下,学生围绕具有挑战性的学习主题,全身心参与、体验成功、获得发展的有意义的学习过程。如何践行深度学习的数学课堂?笔者以为应创设激发学生认知需求的情境,注重知识与方法之间的联系,引导学生自主探究,让学习真正发生,发展学生的核心素养。

摘要： 新课改背景下,从"教师的教"到"学生的学"的转变,对教学有了更高的要求.基于深度学习理论,通过凝炼引领性学习主题,设计挑战性学习任务,进行教学实践,并在教学实施后开展反思性教学改进的过程,既深化了课程改革,同时更强调学生立场,立足于学生的终身发展.

摘要： 关于提问,在课堂上有时候会遇到这样的场面:当老师问学生有什么问题要问的时候,学生一片沉默,或者提出的问题和当前的学习主题相距甚远。为什么呢?原因之一在于,提问既可能是低阶的,也可能是高阶的。对提问的反思,需要进行结构化的观察和思考。例如,技术课有一个常见的现象,学生很喜欢动手活动。

摘要： “语文主题学习”强调以一篇带多篇,即围绕某一学习主题,通过提供一定数量的与学习主题具有内在关联的文本材料,让学生获得整体的阅读经验和情感体验。相较于单篇阅读,它的学习容量更大,综合性更强,更有利于提高学生的整体阅读能力。本期精选的三篇文章,从具体课文的教学和写作教学两个维度,阐述了实施语文主题学习的实践策略。

摘要： 本发明公开了一种基于LDA主题模型和深度学习的群组推荐方法，包括：获取用户的历史信息，所述用户的历史信息包括：用户参与的服务信息、用户参与的群组信息；基于所述用户的历史信息中的主题内容以及LDA主题模型，获得所述用户的历史信息的期间范围内的动态偏好；描述所述用户的动态偏好与服务之间的对应关系；通过群组中各个用户之间的相互影响，修正群组内各个用户的动态偏好与服务之间的对应关系，之后得到群组对于服务的偏好。采用上述方案，可以解决用户偏好相对于时间因素而产生变化的问题；考虑到用户的社交关系对用户的服务选择的影响，更符合实际生活中推荐系统的需求，提高了推荐的精度和准确度。

摘要： 本发明涉及计算机深度学习技术领域，提出一种深度学习的混合主题模型构建方法，包括以下步骤：步骤S1：预处理阶段；步骤S2：文本信息表征；步骤S3：补充背景信息子网络；步骤S4：全连接层网络进行主题划分，并输出标签分类概率。本发明针对华为云平台和智慧学习平台的数据进行主题挖掘，发现基于深度学习的混合主题模型HTM，在主题分类的领域需要的数据量较小，且在面对长短不同类型的文本时，通过Bi‑LSTM框架可以有效的进行转化获得较好的迁移能力，使得模型迁移能力强、分类错误率低，模型整体分类效果好。为今后深度学习的主题分类模型在小样本学习和迁移学习作出了有益尝试。

摘要： 本发明公开了一种基于主题模型的本体学习方法、系统、装置及介质，其中方法包括以下步骤：获取文档数据集，对所述文档数据集进行预处理；从经过预处理的所述文档数据集中抽取核心概念的种子术语集；根据种子术语集和经过预处理的文档数据集，采用半监督方式对主题模型进行训练；从训练好的主题模型中获取主题词汇矩阵，根据主题词汇矩阵获取多个术语簇，每个所述术语簇对应一个核心概念，完成本体的自动学习。本发明将主题模型应用于本体学习领域，通过主题模型来学习领域的概念，提高概念内术语的语义一致性，可广泛应用于机器学习和语言学领域。

摘要： 本发明涉及基于融合主题信息增强PU学习的事件相关新闻过滤的学习方法。本发明将已标注和未标注的事件相关新闻数据集通过无监督预训练的方式进行主题信息抽取，再将抽取到的主题信息加入到PU学习的初次训练和后续的迭代训练过程中，确保在初始事件相关新闻样本较少的情况下能利用到更多的样本信息，并且在后续的迭代训练过程中都进行主题增强，使得每次迭代训练出来的分类器都能从未标注数据中获取到真正可靠的正负样本数据，来提高最终事件相关新闻分类器的性能。本发明比PU学习的基线模型，F1值提高了1.8％，且在低初始样本和高迭代的情况下领先更多。本发明利用主题信息增强PU学习的方法能有效解决与案例相关的新闻过滤任务中缺乏训练数据的问题。

摘要： 本发明公开了一种基于用户意图嵌入图谱学习的主题文本快速检测方法，属于文本检测技术领域，该检测方法具体步骤如下：(1)识别主题文本以抽取主题特征；(2)嵌入用户意图以进行结构化提取；(3)对知识图谱进行结构化处理；(4)构建深度学习模型以检测主题文本；本发明能够更容易用户操作，贴近用户意图，与人工判定结果更为贴近，通过融合主动搜索知识图谱和深度学习的方法，能够提升算法识别性能，提高效率，识别准确率和召回率较高。

摘要： 本公开实施例中提供了一种基于主题注意力的深度学习文本分类模型训练方法，属于计算技术领域，具体包括：根据原始文本构建文本数据集；得到文本的数字化表示、文本的掩盖序列、文本的数字标签；得到样本，并将样本分为训练集和验证集；初始化前向网络中变量；得到表征文本的一组词向量；得到原始注意力矩阵；得到目标注意力矩阵；根据目标注意力矩阵，得到概率矩阵；计算注意力头输出；得到注意力输出；计算主题输出；计算主题概率向量；计算交叉熵损失；计算前向网络变量的梯度；更新网络变量；迭代计算交叉熵损失以及梯度；当迭代达到预设次数或模型损失趋于稳定，迭代停止。通过本公开的方案提高了模型的并行性、稳定性、可视性和准确率。

摘要： 基于深度学习和主题模型的短文本相似度计算方法，属于文本相似度匹配技术领域，要解决的问题是如何通过深度学习网络和LDA主题模型准确实现短文本相似度计算。首先使用BERT对输入模型的多段文本分别进行分词及向量转换，然后将分词后的词向量分别输入到深度学习模型和LDA主题模型。在深度学习模型内部，先利用双向LSTM网络提取单词的上下文信息；再利用1D卷积神经网络将上下文信息与词嵌入信息进行信息融合；最后使用全局最大池化提取关键信息。在LDA主题模型内部，采用吉布斯抽样进行主题提取，提取每段文本的感情色彩。根据两个模型提取到的特征，通过混合型文本语义相似度计算方法计算获得两段文本之间的相似度。

摘要： 本发明属于信息检索技术领域，尤其涉及一种基于本体学习的动态自适应主题爬虫方法及处理器。在主题表示上，该方法基于LDA主题模型和关联规则挖掘的方法半自动化构建领域本体；在链接评价上，该方法综合考虑文本内容和链接结构，设计了一个链接综合优先度评价模型，并通过多目标粒子群算法在爬虫过程中动态更新链接综合优先度评价指标的参数；在链接选择上，该方法提出了一种多目标链接选取的方法，具体是通过非支配排序和最近最远候选解法选择爬虫链接，保证了链接的多样性，扩大主题爬虫的搜索范围，提高了主题爬虫的准确率。

摘要： 本发明公开了一种基于深度学习的医疗文本主题分割方法和装置，涉及机器学习技术领域。方法包括：基于来自多家医院中的原始病程文本数据建立医疗领域的语料库；对建立的语料库进行无监督训练得到词向量模型，并将语料库中的每一个词语映射为低维稠密向量；对得到的低维稠密向量提取时序特征，并进行语料库中词语主题段落序列的标注的学习，得到医疗文本主题分割模型；将待分割医疗文本依次输入到词向量模型和医疗文本主题分割模型中，输出主题段落序列的预测结果。本发明可以在存在较多噪音和较少标注数据的医疗文本数据集上，训练得到一个病程文本领域特定的轻量深度学习模型，通过该学习模型同时对病程文本完成高效率的文本分割和主题标注。

摘要： 本发明涉及网页信息抽取技术领域，具体公开了一种基于多角度特征学习的主题网页信息抽取方法，且公开了本发明使用网页爬虫，获取页面的HTML源码，可以对页面的内容特征进行提取，包括标题、域名、IP归属地等。对于网页标题和网页内容中的特征，采用相应字符串匹配和识别算法来实现提取特征；对于域名信息、IP归属地、搜索引擎等数据，则借助相应的接口，完成信息提取和特征获取，基于多角度特征学习的主题网页信息抽取方法比关键词法的F值提高了4％以上，验证了该方法的有效性；关键词法相比SVM法，F值降低了10％；相比本文法，F值降低了17％，可见该方法在算法可行性和效果上均优于其他方法。