文摘

随着中国特色社会主义进入一个新时代,思想政治教育也进入了一个新的发展阶段。面对新的机遇和挑战,重视质量,追求质量和提高质量的关键方向已经成为思想政治教育的发展。摘要CNN-BiLSTM-based推荐算法并结合人工智能算法被用于改善思想政治教育的任务。首先,在时间和空间维度深特征提取采用LSTM和卷积网络,分别;然后,通过使用多尺度关注融合机制,增强表现力的特性和多层感知器的帮助下提出建议。通过大量的实验,验证了本文模型具有更高的推荐性能,同时保持较高的实时性能。这是真实的数据集进行测试,以验证该模型在报纸上具有更好的鲁棒性。

1。介绍

如今,快速发展,全面集成,和广泛的应用网络信息技术为代表的新一代使用移动互联网,物联网、云计算、人工智能,人类逐渐进入“智能信息时代”的大规模数据挖掘,创新(1),和应用程序。人工智能和大数据的开发和应用已经成为经济转型和增长的新引擎和一个新的工具来重塑这个国家的竞争优势,它也已成为一个新的方法来改善国家治理能力在世界各国。近年来,我们的政府一直在积极推动实施国家大数据战略,加快构建数字中国,人工智能的应用在经济和社会各领域的继续深入推进,和科学价值和社会效益逐渐突出。随着当代信息技术发展的前沿,各种各样的信息资源,先进的信息处理技术,新思维范式的大数据赋予大学生日常思想政治教育的创新和发展,促进大学生的日常思想政治教育的智慧。

当中国特色社会主义进入一个新时代,一系列新变化,这导致了新的大学生日常思想政治教育的机会,是发生在大学生日常思想政治教育的背景下,他们的目标和任务,他们的工作的目标受众。新的机遇,一方面,国家整体加强高校思想政治教育的领导和加强“建立道德教育”的基本任务高校带来了新的历史机遇大学生的日常思想政治教育(2]。总高度的国家领导人强调,实现中华民族的伟大复兴,实现党的任务的战略高度的治理和巩固党的执政地位,他们已经做了一个全面、深刻、系统博览会等一系列问题的战略地位、职责,任务,目标和任务、方针、原则、方法和路径,改革和创新高校思想政治教育工作在全国高校思想政治工作会议上,《会饮篇》的教师思想政治理论课程在学校、教师和学生的研讨会北京大学和全国教育工作会议。重要的是,它提供了科学指导和基本的追随者高校思想政治教育工作的新时期发展新局面,取得新成果。此外,一些政策和有关规定已经发布了一个接一个,提供项目和规划路径加强和创新思想政治工作在大学。在这种情况下,大学生的日常思想政治教育,是大学生思想政治教育的主要位置,将迎来新的发展机遇。另一方面,新一轮的快速发展与数字化信息技术革命,网络,和智慧为核心的特性及其与经济和社会广泛的集成提供了新的工具和工具的日常思想政治教育的大学生。目前,网络信息技术为代表的新一代使用移动互联网、物联网、云计算、人工智能发展迅速;数字化、网络和智能是突出的特性,而且新兴信息技术的核心。新的网络媒体的发展和应用和新技术的大数据提供新的工具和工具的日常思想政治教育学院的学生。

人工智能的有效应用和大数据技术的改进思想政治教育有利于丰富大学生思想政治教育的理论。特别是在过去的几年里,加强学生的思想政治教育在大学实现上下文中的亲和力卫生防疫实质上是实现大学员工照顾学生的职业道德,这是新的需求和发展学院学生的思想政治教育的新形势和新环境。其次,它允许提供多元化的新时代大学生的发展需要。大学生进入新时代更影响和影响通过使用互联网,有更多的方式和机会接触新事物,思维更加活跃,更明显的个性化差异,更复杂的行为模式和更多元化的发展需求的增长。的协助下大数据技术和人工智能技术,我们能够建议积极的文化和教育列用户实时的大数据,它可以帮助满足大学生的多元化发展需要在新时代3]。它有助于促进大学生对思想政治教育的认同。最直接和明显的高校思想政治工作的实际效果是获得大学生的接受和认可,这是与思想政治教育的总体目标能否实现。亲和力的研究在提高大学生思想政治教育的新时代将为高校提供的选择路径,建立亲密关系与学生在教育过程中,同时也改善,在某种程度上,大学生思想政治教育的身份。它还有助于构建和谐和友好的新时代的大学校园环境。学院和大学的教育系统是一个统一的有机整体。提高大学生的思想政治教育亲和力在新时代,迫切需要高校的许多部门的共同努力下,整个教育系统。全体员工、全过程和全方位的教育模式不仅有利于优化师生关系还学校的友好组织各部门之间的协作,促进形成一个和谐、友好的校园氛围,构建和谐友好的校园环境。

提高大学生的思想政治教育的帮助下人工智能技术有利于促进建立实现高校道德教育的基本任务。“高校的基础在于道德教育的建立。“建立道德是用道德教育指导,进行宣传,并激励大学生,敦促他们形成正确的道德概念和优良的道德品质,和实践良好的道德现实。我们塑造人的概念下“以人为本”和“基础”教育;大学生将由使用各种教育方法,引导成为理想,能力,和负责任的新时代,晋升为所有人类素质的全面发展。特别是在当今快速发展的网络,如何准确地推荐院校开展积极的文化列大多数青年学生的思想宣传,促进社会主义核心价值观,并帮助培养合格的社会主义建设者?作为创新人才的主要训练基地,学院和大学将成为重要的参与者,主持人,启动子的大数据浪潮之下。最尖端的新一代信息技术的应用,广泛的信息资源,先进的信息处理技术,和大数据中包含的一种新的思维方式带来新的动力和空间发展和创新的直接、准确、前瞻性和个性化的大学生日常思想政治教育。基于其资源优势、技术优势和思维优势,大数据已经创建了一个新的空间裂缝缺乏信息采集能力,削弱了客体关系,无效的教育在高校传统思想政治教育方法。展示新值满足需求的多样性思想政治教育资源,实践发展的多元性和复杂性的思维转换在大学。 It brings new opportunities in providing strategic assets for thought-politics education in universities, exploring the laws of education, and grasping opportunities. It is a real need for the daily thought-politics education of college students to conform to the development of the times by using big data resources, technologies, and methods to promote the innovation of thinking, optimization of supply, improvement of methods, and reconstruction of paradigms, constructing a scientific, digital and intelligent daily thought-politics education system for college students, and promoting the transformation and upgrading of daily thought-politics education of college students to “accurate thinking and politics” and “intelligent thinking and politics. It is also an important growth point and strong impetus for the daily thought-politics education of college students to further improve its quality and efficiency and give it a new chance.

2。相关的工作

在思想政治教育方面,缺乏经验证据表明,中国专业学者由于关注和系统地研究了大学生思想政治教育的质量改进。没有章致力于“思想政治教育质量”在任何国内思想政治教育教材。学术文献系统的质量改进大学生思想政治教育的研究还没有在核心期刊论文数据库中搜索;在一般情况下,期刊,尽管相关文章丰富思想政治教育的质量,他们中的许多人已经深刻的理论对这个问题的讨论,从不同方面提高思想政治教育的质量;大部分的文章都是这个领域没有直接关系,但只是顺便提到它在讨论其他话题,很少有专门研究。

2.1。研究大学生日常思想政治教育的理论基础

理论基础的研究主要集中在概念内涵、当前的特征、内容体系、主要原则,和大学生日常思想政治教育的基本规律,旨在系统地构建和专业发展大学生的日常思想政治教育。

的定义为大学生日常思想政治教育的内涵。有三个主要倾向在定义和解释的内涵为大学生日常思想政治教育的概念:一种是集中在“主题”(4]。这种观点强调大学生的日常思想政治教育是指教育活动组织和执行主要由学生工作人员,比如辅导员。例如,文献[5)认为,大学生日常思想政治教育是指各种教育活动组织和由大学生员工,比如辅导员和班级老师,根据党的教育方针和要求开展高校思想政治教育工作,从法律的学生的认知发展,针对不同的学生认为现实,包括宿舍、随堂组和年级工作为载体。文献[6)关注的是“每天”声明。这个角度定义了大学生日常思想政治教育作为一种教育在思想政治理论课程,除了课堂教学强调“日常”性质。文献[7)指出,大学生的日常思想政治教育是思想政治教育活动,通常在工作日进行,可以穿透大学生的日常学习和生活,并起着微妙的作用在大学生的全面发展和健康成长,有规律性的特点,大范围、连续性、潜伏性和渗透性。文献[8)关注“载体”说,“这个观点侧重于日常思想政治教育由各个运营商如党和集团组织,社会实践、校园文化、和网络管理”。例如,根据文献[9),大学生的日常思想政治教育是“最基本和重要的方式对学生进行思想政治教育和日常管理与党和组织的载体组织、协会组织和类。

此外,有效性的问题一直是研究中的核心问题的日常思想政治教育的大学生。研究主要探讨了策略和路径来提高大学生的日常思想政治教育的有效性方面的教育理念,教育内容,教育方法,团队建设和教育模式。(1)更新教育的概念。文献[10)指出,“以人为本”的教育理念和方法论原则,必须坚持提高大学生日常思想政治教育的有效性。文献[11)指出,尊重人格平等的教育理念,实现主客二分法的变换到主体间性的关系是走出困境的日常思想政治教育的大学生。(2)丰富教育载体。文献[12]探索使用各种载体如党和党团组织、俱乐部活动、班级集体建设、校园文化、社会实践和网络管理在大学生的日常思想政治教育以提高其有效性。例如,文化载体,指出井冈山精神的山和齐鲁文化作为载体开展大学生日常思想政治教育。网络运营商而言,指出微博,新媒体,微信,self-media,公共数据,应用软件是用来加强大学生日常思想政治教育的有效性。的活动载体,文献[13)指出,类、宿舍和俱乐部是用来进行日常思想政治教育的大学生。(3)改善教育方法和方法。文献[14]指出了大学生的日常思想政治教育方法之间的关系,教育的有效性方面的促进和领导角色,提出想法和策略来提高教育的有效性的方法。文献[15)探讨了大学生日常思想政治教育的方法和途径,如整个体验过程,叙事疗法,和主流思想舆论指导。(4)创新教育模式。在文献[16),东北林业大学,例如,提出实施即“theme-driven教育”。,to determine the corresponding educational themes in different grades and different types of student groups and to provide students with highly targeted, time-concentrated, and thematic educational and practical activities in a phased, categorized, progressive, and hierarchical manner. Literature [17]提出四个大学生日常思想教育的方法:组织建设、特殊的讲座,项目支持,和个人咨询。文献[18]指出建设三位一体的学校,社会,家庭在大学生的日常思想政治教育的管理。文献[19州工作的有效性是增强通过基于项目和课程式辅导员的工作。文献[20.)提出建立一个“一分之五”系统为大学生日常思想政治教育的制度化,雅致,个性化、信息化,品牌管理。(5)完善教育机制。文献[21]探索建设提出了提高效率的需求机制、决策机制、执行机制、评价机制、激励机制和保障机制的大学生日常思想政治教育。文献[22]指出,加强协作机制,增强有效性,包括思想政治理论课程之间的协作机制和日常思想政治教育和网络思想政治教育之间的协作机制,课程思想和政治教育,和日常思想政治教育。文献[23)指出,大学生日常思想政治教育的长效机制是建立通过课堂教学、校园文化建设、学校管理,校园环境优化、学生社团活动和社会实践活动。文献[24)指出,我们应该实现“三近”要求和建立学生评价机制基于网络平台的信息。

2.2。深度学习在增强思想政治教育的功能

最近,成就自然语言处理和计算机视觉的深度学习使建议字段注意健壮的工具,和学者开始探索使用深度学习的方法,提高今天的推荐系统的一些不可克服的缺点,如数据稀疏、冷启动、可解释性差。特别是,CNN和RNN的出现在许多自然语言处理任务取得圆满成功。所以,人们开始尝试深度学习方法,DeepCoNN, D-Attn,等等,我的用户首选项,并从用户的角度提出建议,可以直接应用于预测评分(25]。DeepCoNN由两个平行的神经网络与CNN的基本模式,学习者的学习表示感兴趣的thought-politics-cultural偏好,分别连接两部分的顶部和网络的交互,这表明更加文本对思想政治教育的有效性为减轻稀疏问题。

注意机制的重点是学习权重确定程度的重要性,它已广泛应用于自然语言处理引入以来,实现最先进的机器翻译的结果,阅读理解,和语音识别,以及其他领域。因此,关注机制收到关注领域的建议,开始被用于建筑推荐算法,加强思想政治教育。NARRE使用注意力机制来学习不同文化的文本表示的想法,更好的用户模型和利益,预测利益,并生成的解释。与D-Attn句注意机制,NARRE使用一个双通道的注意机制。灵感来源于变压器,MPCN提出了一种新的基于指针的学习方案不使用RNNs和cnn和完全依靠注意力机制,它允许文本深处学习者之间的交互和关注的思想政治文化,具有优良的结果。

NLP的发展作出了重大贡献的应用文本领域的建议。Pretrained语言模型已经发展迅速,因为他们提出了,导致很多的方法,如基于功能的艾尔摩和fine-tuning-based OpenAI GPT。然而,这些语言模型都是单向的,限制pretraining的表征能力。所以,文献[26)提出了一个双向pretraining模型,伯特,一次读取整个文本使用变压器的编码器,这允许模型学习基于双方,从而更准确地把握这个词所表达的含义的单词句子。因此,伯特自然是双向的,高的泛化能力,并为下游任务提供了一个良好的基础。

总之,本文结合技术,如CNN和LSTM深度学习构建推荐模型,将它们应用于思想政治教育工作,这将极大地推动的快速挖掘列如教育和文化感兴趣的学习者在大量数据,快速阅读来定位的知识感兴趣的和实时的关注。与此同时,它有利于增强人们的思维的认知能力和改善有积极影响所有人的质量。

3所示。方法

思想政治教育文化与人工智能的推荐模型本文从空间维度包括特征提取采用卷积神经网络和时间特性从时间维度中提取利用双向长期和短期的非常简单的神经网络,多尺度融合基于属性的特性,利用熔融特性和深度的建议。部分3.1给卷积神经网络理论;然后,特征提取的过程,从时间维度长期和短期记忆神经网络提出了部分3.2;随后,规模融合节中介绍的关注3.3。最后,部分3.4给出了计算预测分数和生成策略建议。

3.1。卷积神经网络

一个卷积神经网络的基本结构27)是由一个输入层、汇聚层,一个完全连接层,卷积的一层和一个输出层。卷积层是嵌入向量的内积和滤波器矩阵。池层池从卷积获得每个特性映射层。学者大量研究已经证实,最大池方法相比能更好地提取特征和更好的结果意味着池,和当前使用的最大池方法研究。完全连接层需要的输出特征池层作为输入,并激活他们固定的激活函数得到特征向量维度。cnn是杰出的分类问题,但很少有结果推荐算法,主要是因为建议的目标是一个回归的问题,两个是不同的。推荐算法的文本数据、学者融合CNN与传统的推荐算法建立一个混合的推荐模型获得更准确的推荐结果。卷积的结构网络图1。

3.1.1。输入层

神经网络的嵌入式数据维数较低,离散序列映射到连续向量。这里,输入层是用来学习资源的文本信息转化为一个嵌入矩阵,在矩阵中的每一行是一个条款元素,可以表示为方程(1)。 在哪里米表示嵌入维数,n显示的字数表示的向量形式我th词。

3.1.2。褶积层

使用多个大小不一的卷积核进行卷积操作嵌入矩阵,和窗口大小是单词的数量由每一个卷积。为了覆盖整个字嵌入向量,本文设置了卷积大小格式的单词的数量×向量维数。卷积操作流程如图2。

3.1.3。汇聚层

池层主要应用卷积后层,以减少特征地图维度和网络参数的数量将采样操作。常见的池操作包括池平均和最大池。池操作可以忽略小的变化特征图和提高精度的同时有效地避免过度拟合现象。假设获得的特征映射t -th卷积层是 ,最大池策略是用于提取的最大价值 , 表示池的结果 - - - - - -th卷积层,池操作可以表示为公式(2)。

3.1.4。完全连接层

完全连接层的主要作用是合成以前提取的特征值和输出一个固定大小的特征向量。假设有米完全连接层中的神经元,在ReLu激活函数,一个固定大小的向量年代是获得,它是文本特征向量的学习资源。所示的计算方程(3)。 在哪里表示学习资源的输出文本信息汇聚层,是ReLu激活函数,表示重量,是偏见。

3.2。双向长期和短期复发性神经网络

在传统的递归神经网络(28),层间的神经元相互连接,从而维持短程时间特性,但是隐藏层之间的梯度是不稳定的,有梯度消失或梯度爆炸的问题。递归神经网络结构的长期和短期时间允许梯度以及穿过每个隐层和可以学习数据与时间特征如文本非常好。LSTM结构神经元的学习只有前面的神经元的信息层,而单词前后单词影响语义关系。双向长期短期复发性神经网络(BiLSTM)结合了两套长短期复发性神经网络与相反的学习方向,从而更好地理解上下文语义LSTM相比。LSTM神经网络由四个主要元素:忘记门 ,输入门 ,内存单元 ,和输出门 。忘记门决定保留以前的状态信息的内存单元,输入门控制当前时刻的输入信息在内存单元,和内存单元更新内存状态根据当前输入信息;然后,门的输出决定了输出结果内存单元的下一个状态。所示的计算过程可以表示为公式(4)(9)。 在哪里W是矩阵乘法操作,表示存储单元的状态,表示输入的信息,b是偏见的函数,乙状结肠函数,表示点积操作。

双向长期和短期记忆模型是两组前后LSTM模型与连续LSTM学习功能 ,逆LSTM学习功能 ,和两套LSTMs连接到最终的特征表示如方程所示(10)。 在哪里是连接操作。这两层结构允许BiLSTM模型全面学习单词的上下文信息输入序列数据。

3.3。多尺度特征融合

拟议的机制是受人类视觉注意机制(29日),基本思想是削弱无关信息,增加的关注集中在操作的信息。摘要time-dimensional特性T和spatial-dimensional特性F通过使用多尺度特性融合融合注意力机制如图3。

首先,匹配矩阵和之间的时间维的特性和属性特征学习资源的空间维特性计算通过使用方程(11)。

然后,注意分配权重和的匹配矩阵计算通过使用将SoftMax函数,分别和权重与个体规模特征矩阵的乘积为获得的关注表示矩阵和 ,这是表示对方程(如图所示12)。

最后,一个乘法闸门机制用于将注意力与另一个single-scale特性表示相应的元素获得矩阵系数共同关注F₁和F₂所示,表示为方程(13)。

的F₁和F₂共同经营来获取最终的多尺度融合特性,代表如方程所示(14)。 在哪里表示矩阵叉乘法;表示矩阵点积;和表示猫操作。

3.4。预测分数和生成的建议

上述多尺度融合功能Fs被用作多层感知器的输入预测分数。这里,实现端到端优化的模型,使用叉损失函数,每一层的权重调整,由反向传播。最后,预测结果迅速激活函数映射到区间[0,1]。所示的计算方程(15)(17)。 在哪里译码器输出隐藏向量。是完全连接的结果。 在哪里x结果是完全连接,y是真正的描述和是将SoftMax函数。 在哪里θ表示模型叉失去平衡参数。

4所示。实验

实验运行环境是ubuntu16 64 g内存和NVIDIA Tesla GPU A100 40 g图形记忆;PyTorch深度学习框架支持GPU加速,和Cuda环境NVIDIA Cuda 11.3,深度学习加速度cuDNN图书馆。

在实验中,网络训练采用随机梯度下降算法SGD初始化学习速率的0.005和学习衰变率为0.001,和模型训练损失曲线和准确性曲线如图4。动量因子设置为0.8。此外,为了解决模型过度拟合问题,介绍了辍学随机移除一些神经元,而辍学需要0.5的价值。从图可以看出4当模型的迭代的数量时代是40,双方的损失曲线光滑,训练集和测试集和损失值低于0.06,这表明该模型融合。

4.1。实验的结果和分析

以下4.4.1。比较推荐的影响

证明了该模型的有效性,并在同样的环境下进行了比较实验和评价指标。传统的协同过滤推荐算法User-CF [30.)基于用户播放记录,Gram-based个性化推荐算法Gram-CF [31日FCNN-CF[]和协同过滤推荐算法32)基于用户偏好数据选为模型进行了比较。精度和准确率AR(准确率),公关(精确率、公关),召回率RR(召回率,RR)F1值作为评价指标。

从图5,可以看出模型本文改进了1.78%(89.7%比91.3%),1.22%(90.2%比91.3%),和3.05%的准确性(88.6%比91.3%)相比,比较模型FCNN-CF User-CF,和Gram-CF推荐模型,分别;在精度方面,本文中的模型提高了2.60%(88.5%比90.8%),0.78%(90.1%比90.8%)和1.79%(89.2%比90.8%),分别为;回忆,本文中的模型提高了1.67%(90.1%比91.6%),分别为1.10%(90.6%比91.6%)。分别为91.6%和2.58%(89.3%比91.6%)。而言,F1,本文中的模型提高了1.58(88.9%比90.3%),2.38%(88.2%比90.3%),分别为0.22%(90.1%比90.3%)。上述实验结果验证本文模型具有良好的推荐性能。这样做的原因是,本文从两个维度进行特征提取,如时间和空间,并融合加强表现力的特性,有效地抑制了边缘信息,增强学习能力模型的详细信息。

4.1.2。健壮性测试

此外,验证本文模型的鲁棒性,鲁棒性测试下进行相同的数据和实验平台并与三个当前主流模型和实验结果如图6。可以看出,本文的优势逐渐凸显为推荐的项目数量的增加。特别是,当建议的数量达到25日模型本文对AR高于81%,公关,RR,F1指标。上述数据进一步验证本文模型的鲁棒性。

4.1.3。推荐实时测试

推荐算法的另一个要求是,模型是实时。在这里,来验证本文推荐模型的实时性能,对相同的数据进行了测试和环境。结果如图所示7。可以看出本文模型可以实现6.9视频的推荐率/ s, FCNN-CF模型可以实现6.1视频的推荐率/ s,和User-CF模型可以实现6.4视频的推荐率/ s,和克CF模型可以实现5.3视频的推荐率/ s。上述数据表明,本文模型可以实现更好的推荐的成功率,本文主要是因为考虑到用户的个性化服务,结合学习者的属性特征和学习资源个性化推荐。

4.2。现实生活中的实例分析

本文的混淆矩阵的方法在现实数据在图6套8,矩阵的行表示真正的标签和列表示人类模型生成的模型。混淆矩阵,可以得出结论,成功的准确性产生人类形态模型的六个测试人员六组实验为92.48%,93.28%,93.26%,和93.57%,分别。上述数据表明,该模型在本文对多组实验结果和执行稳定也具有良好的实时性能,并验证本文模型具有良好的鲁棒性。

5。结论

本文推荐算法结合人工结果算法和应用到的任务增强思想政治教育的认知能力,这将极大地促进公民文化部分的快速挖掘感兴趣的学习者在大量数据,快速阅读来定位的知识感兴趣的和实时的关注。与此同时,它有助于提高人们的思想和认知能力有积极影响提高所有人的质量。通过测试在各种civics-related文化列,验证,本文模型具有更好的实时性能,同时保持较高的检测精度和优于主流比较模型在几个指标,具有一定的应用价值。

数据可用性

在当前的研究中使用的数据集是可从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。

确认

支持的研究:国家社会科学基金一般项目,研究构造逻辑执政的话语体系的新时期中国共产党(没有:21 bdj055)。