文摘
在大数据时代的背景下,一个模型使用卷积神经网络挖掘公民元素提出了解决贫穷问题的教学实践和公民之间的交互元素。使用这个模型的采矿和教学实践公民元素允许教师改变教学内容的设计为了最大化的集成实时课堂内容和公民的元素。此外,为了提高模型的有效性,与A-Softmax算法和一种改进的模型softmax输出层融合,提出了和实验证明,改进的模型性能有一定程度的改善。
1。介绍
19的报告的中国共产党全国代表大会(CPC)明确提出要全面落实教育改革政策,实现建立道德教育的根本任务,培养综合素质人才。随着数据和互联网+的时代,越来越多的数据信息被人们发现和开采和使用获得某些法律、预测趋势、某一事项或分类的,这样他们就可以达到提高生活质量的目的或获得更多的利润。
这同样适用于课程的变化。使用文献分析的方法,直接关键词搜索CNKI公民科学元素显示,很少有研究如何结合公民科学元素与课程教学实践,共有14962篇文章(1]。例如,今年5月,沿河和孝廉翻最新提出的应用的挖掘和实现公民科学和政治科学元素功能实验教学的课程,和作者提出的集成七要素:家庭和国家的感觉,职业道德,法律教育、诚信教育、生命教育、团队合作精神,和创新教育的整合2]。作者提出将这七个元素集成到不同的教学方法:传统的课堂教学,网络教学,实践教学,这不仅能更好地促进相关知识的教学和指导,而且还培养学生的职业精神和价值观的统一3]。为了进一步细分的文献,结合本文的内容的挖掘和教学实践公民元素,您可以找到1271条记录在系统检查公民主题元素和次要主题公民CNKI根据教学时间。5月最新的纸是澄和Erzheng提出的凝结和教学实践的公民科学课程中的元素和通过食品微生物学课程教学活动;在本文中,作者提出了一种新的课程目标后添加公民科学元素食品微生物学(4]。在论文中,作者提出了一个新课程目标后公民科学元素添加到食品微生物学和发现公民科学教育的目标内容通过公民科学元素的挖掘,提出建议公民科学教育中存在的问题,探讨了公民科学课程的教学模式。论文研究具有一定的参考意义的公民教育5]。除了课程的整合思维和政治的元素,也有学者把测试问题与思考的元素和政治,比如人力资源指出思维元素的渗透和政治在中国考试的英语考试的问题在他的研究中,告诉中国广东省的英语考试的问题如何考试近年来集成思想和政治的元素到测试的问题,从而总结启示的组合测试问题和思想和政治的元素,它提供了一定的方向和想法为随后的测试问题[6]。这将为后续的问题提供一些方向和想法。
通过编译和阅读上面的相关论文中,不难发现中国教育的研究学者在过去的十年里从来没有停止他们的研究视角对如何更好的公民和政治科学元素融入课程教学。但是所有的取向应该结合时代背景,此外,有必要跟上时代为了为教育改革提供一个更好的发展方向。新皇冠疫情爆发以来2019年12月,网上课程已经成为地区频繁爆发的规范7]。然而,在线课程的有效性已经在在线课程经常批评,因为教师不注意学生的情感变化,和自然的效率学生的学习和教师的质量讲座已经恶化8]。
在无情的防疫和控制的时代,教学平台系统的设计与施工也出现了,和网络教学平台的发展导致了爆炸的数据和信息对学生学习(9]。有许多方法和方法如何使用这些数据来提高某些研究或达到某些目的;随着互联网时代的深入,深度学习也成为研究的热点。本文的目的是使用文本分类挖掘和公民元素应用于教学实践,从而达到改善公民教育的教学方法的目的,并提供一些新的思想和方法进行随后的公民教育。通过这种方式,我们可以实现的目的,提高课程的教学方法和后续的研究提供一些新的思路和方法。
2。公民教育课程新时代的元素
2022年的新时代,埋葬一年的把头埋在沙子里,坚持反对流行[10]。你能告诉从第一句话它所包含的思想元素?如果可以,那是因为你是一个研究员和比普通学生拥有了更多的知识11]。但对学生来说,这未必是这样。也许他们只能看到斗争的精神,但是真的只有奋斗的精神?
答案必然是否定的,因为除了努力工作之外,还有克服流行的精神和坚持的精神开始,培养,甚至努力的考验和磨难。这些精神可以充分结合当前时代,同中国共产党的奋斗历史,促进中国特色社会主义的核心价值观,和时代的背景中国玫瑰从站立到致富,这是理想和信念教育,应该反映在课程教育和思想政治教育,符合当前的教育改革12),它是意识形态和政治元素的集成符合当前的教育改革。接下来,作者将讨论以下四个方面的意识形态和政治元素,为了提供理论基础和实验原理第四部分的研究(13]。
2.1。思想政治元素的内涵和存在的问题
公民和政治科学的元素被指定为元素中包含的思想政治教育课程,这可以被理解为真理,善良,美丽在当前自然社会和所有元素塑造学生的灵魂,培养他们的情绪和对知识的深度和广度除了教育内容的课程。教育对人类发展:然而,由于各种原因,很难整合公民教育与专业教育在中国14]。
有几个原因很难整合公民教育与专业教育:首先,概念不清楚。在一些高校,学校不进行特殊培训,和许多教师有模糊的概念和想法什么是课程思想政治和如何促进课程思想政治,这影子的思想政治教育不是课堂教学;其次,教师没有足够重视教育对人类发展15]。许多教师只针对如何解释这个问题,原则显然学生当他们教但不注意建设学生的思想政治教育,许多学生只停留在表面的正能量和美丽的东西,而不考虑自己的事情,在一个更深的方向和缺乏思考社会和时事的能力,国际政治,等。第三个问题是,一些教育当局的政治问题不感兴趣。第三,一些教育部门只需要正式的和实用的评价指标的政治和政治教育,只关注外表但不是在里面,使教师无法开展的思想政治教育。
总而言之,这是不可避免的掌握政治思想的挖掘和教育实践元素在时代的背景下16]。
2.2。开挖的原则思想政治元素
在前面的讨论中,众所周知,课程的研究思想政治教育一直是教育实践的牙齿和热点研究方向和改革。但与此同时,我们也发现了一些问题在当前思想政治教育中,最突出的是,上述思想政治教育不是结合当前上下文,而是理论讨论;因此,在本文中,为了更好地思考和政治元素融入到实际教育,结合当前广泛研究和流行的深度学习相结合,从算法的角度,讨论如何挖掘思想政治教育,为此,本文提出了以下基本原则在公民教育元素的挖掘17]。
2.2.1。结合国内外时事政治对矿业
新时代的学生不应该是老式的存储器或书呆子,但应该关心时事和政治和热衷于社会参与18]。作为一名教师,更重要的是充分探索课程中的公民元素和整合政治和当前的现状,以培养学生的思维能力的主体和教他们看现状,辩证的变化和发展的角度来看,而不是固执的教学课本中的知识,这样学生不了解外面的世界发生的事情。利用国内外时事和政治将帮助学生获得更深层次的知识和对世界的理解,可以促进国家和文化对学生的信心19]。
2.2.2。结合具体的教学内容
这不是一个简单的过程,而是一个过程,提高学生的爱国主义和社会责任和一致的前景。作为学生的指导,教师必须严格遵循学校的人才培养的总体目标,挖掘公民和政治的元素之后,他们可以reunderstand和重组课程结构和教学大纲,然后创造性和巧妙地公民和政治的元素融入到教学内容、教学设计和教学方法以一种沉默的方式,以实现以下。课程结构和教学大纲,然后是公民科学元素创造性地融入到教学内容、教学设计、教学方法以一种微妙的方式来实现实际教学内容的有机统一和有价值的和有意义的公民科学元素(20.]。
2.2.3。利用专业学生未来工作发展的需求
在学生的教育,教师应该采取什么样的人训练为基本目标,整合什么样的学生将在社会地位的总体目标(21]。专业指的是内在的需求和规范行业,特别是从业者的综合能力的过程中工作的精神,思想和工作能力。如今,专业对人才的要求差别很大从一个大学,但总的来说,对于教师,培养学生基本职业精神是培养什么样的人的基本要求,因此,课程的实用性和相关性可以增强和改进目标的意识形态元素中包含的专业课程。为了提高课程的实用性和相关性,它有利于提高学生的职业发展能力在未来的就业22]。
总之,本节提出了三个基本原则,公民和政治元素的挖掘,将实现整个教学实践。本文评论是否结合教学实践公民和政治元素将通过爬虫爬技术作为数据源,然后分析了使用深度学习方法为教师提供一些实验依据后续教学内容设计。数据然后使用深度学习分析方法,它提供了一定实验依据教师的后续教学内容设计。
3所示。卷积神经网络
3.1。卷积神经网络的概述
卷积神经网络,也被称为美国有线电视新闻网,是应用最广泛的神经网络和他们使用的反馈是正向的反馈(6]。随着时代的发展,卷积神经网络得到了前所未有的关注,而传统的文本处理(23]。相比,传统的机器学习方法进行图像处理,深度学习下卷积神经网络能够大大加快收敛模型由于使用本地连接和共享的重量(24]。和卷积神经网络的优点是,它可以自动提取目标的特征在样本集和发现规律特性,解决问题效率低下的手工特征提取和分类的准确性和精度低,所以卷积神经网络是广泛用于目标检测、图像分类、自然语言领域,文本分析,情感分析等领域25]。
例如,在目标检测领域,许多研究学者提出了许多研究的基础。元然后提出了使用目标检测算法来检测和识别项目,需要采取的残疾人在中国解决这一问题的困难在获得生命的必需品,从而最终促进残疾人的生活;在本文中,作者进行了这台机器的模型YOLOv3而且还提出两个其他轻量级目标检测模型(26]:YOLOv3-ShuffleNetv2 tiny-YOLOv3-ShuffleNetv2;的原因,软件就变得缓慢,作者FPGA用于加速度,深度学习是更好的创新和应用的硬件(8]。
本文中使用的主要技术是文本分析技术。文本分析文本分类,文本情感分析,短文本分类、等深度学习的深入研究,文本分析技术基于卷积神经网络和基于卷积神经网络优化的文本分析技术已经极大地开发(27]。利诺等人提出了一个multitype池卷积神经网络用于文本分类,首先提取特征信息的简短文本CNN,然后获得的特征信息是由各种类型的水池过滤操作,最后得到分类结果(28]。在文本情感分析,卷积神经网络也适用。为了应对这个问题,当前研究情绪分类是基于机器学习方法和情感词典的方法,中国球迷提出了卷积神经网络应用于短文本情绪类别确定的近2.19%。
总之,由于深度学习的许多突破在各个领域,各种算法深度学习被越来越多的深入研究[29日]。在这项研究中,卷积神经网络将被用来分析和评估学生的程度将公民元素在教室里;的研究成果,本文将使用卷积神经网络文本的高度分析的理论知识能够抓住学生的文本信息是否公民元素融入大学语言教室和他们正面和负面态度的公民通过网络爬虫技术元素。然后由卷积神经网络训练获得的数据,最后实验结果分析提供一些新的观点挖掘的思想元素。因此,在本文中,我们将讨论卷积神经网络原理和文本情感分析的原则30.]。
3.2。卷积神经网络的原则
卷积神经网络属于广泛类别的深入学习,这是密切相关的,各种类型的神经网络和人工神经网络(ann)卷积神经网络的基础。
3.2.1之上。人工神经网络
人工神经网络,也被称为神经网络在英语中,简称安,是思维过程的数学模型,模拟人类大脑的神经网络。神经网络的基本单元是神经元,这对应于人体的神经细胞和具有相同的信息处理机制,但神经元所传播的信息是由激励函数的权重(神经元之间)和相应的阈值。人工神经元的基本结构如图1。
在图1,x1,x2、…xN代表神经元的输入信号,W我表示每个输入信号的体重,这也可以叫做重量,连接重量,大小相当于调整金额位于每个输入信号的路线,和代表输入信号的乘法的总和和重量,f代表了激活功能,b代表偏差量,添加量偏差在神经网络不能被忽略,相当于函数的拦截作用。偏差量的神经网络有一个更复杂的网络结构,也可以达到更好的拟合效果。使用方法在图建模的神经元1然后产量输出y作为
从方程(1),输入x,输出是y,神经元之间的连接是重量 。当输入数据在本文中被传递给每个连接,我们价值乘以该连接的重量。偏差b是一种特殊的重量,可以不断纠正上述过程。可以看出,人工神经网络的输出是由网络连接的方式,权重,激活函数,和网络的结构,这是由于这些因素在一起;和神经网络的本质是一个函数的近似连续计算和更新权重,所以它可以评估使用损失率和正确性率等评价指标。人工神经网络,它是一个非线性、自适应,nonprogrammed的信息处理方式,在数学上可以理解为一定的培训和验证模型。这个想法是为了模仿人脑的信息处理过程在不同层次和不同程度;因此,神经网络模型在深度学习智力的特点。
3.2.2。卷积神经网络
卷积神经网络之间的最大区别和上面提到的人工神经网络是卷积神经网络增加了一个新的卷积一层一层和一个池,并使用这两层形成特征提取器。下面的图显示了卷积神经网络模型训练的基本流程图,如图2:
在图2,卷积神经网络模型训练的基本流程是首先,提取的特征信息是通过卷积层和汇聚层,其次,一个完全连接层用作输出特性来完成整个模型的训练。卷积层中的卷积神经网络的神经元连接到只有一些邻近的神经元层,和重量在CNN卷积内核共享。卷积核的初始值通常是由一个随机分数矩阵,和内核得到合理的权重通过学习在网络的训练。在cnn的卷积内核使他们能够减少网络的层之间的连接,也可以减少过度拟合的风险。汇聚层,也可以称为二次抽样,是一个再加工特征信息采样的卷积层。通常有两种方法可以实现二次抽样:一种是最大二次抽样,另一个是意味着二次抽样;池层也可以被视为一个特殊的卷积过程。由于池和卷积层的引入,CNN网络模型可以减少与模型相关的参数,从而大大减少了模型的复杂度。每一层的作用是分别描述。
(1)输入层。cnn首次应用于图像处理领域。因此,如果我们想使用CNN本文处理获得民间元素,我们需要处理它们以某种方式使他们的行为相同的格式的图像。在文本处理,词向量技术使用,这部分将分析部分4.1。
(2)卷积层。几个卷积单位形成一个卷积层,每个卷积单元的参数可以通过反向传播算法进行优化。卷积运算的目的是提取不同特征信息的输入信号,并随着卷积层数量的加深,提取的特征信息变得富裕。然而,对于不同的模型,卷积层有一定的阈值,所以卷积层的数量应该根据具体情况调整和优化的模型。
(3)池层。本文从文本信息的公民获得元素的特征信息卷积层处理后的高维度,所以有必要减少维数的特征信息。如果不处理高维度特征信息模型中的训练,模型很容易overfitted。池层是继续的角色特征提取的过程,从高维特征图卷积得到的层,这些特征图谱减少上述最大二次抽样或最小二次抽样方法获得新的,较小的特征信息。
(4)完全连接层。在CNN, softmax分类器通常使用以达到分类的信息处理功能。在这一层,主要目的是为了改变前面的地方特色到全球所有特性,并通过计算不同文本的成绩或概率属于不同类别,分别,那么文本分为类根据概率,概率值最高的乙状结肠函数中使用逻辑回归制定如下:
在逻辑回归函数中,您可以看到,这是一个指数函数值与分子分母的形式。当输入值往往负无穷,输出y趋向于0。当输入值往往正无穷,输出y倾向于1。
(5)输出层。最后一层在CNN网络输出层,这是连接到完全连接层。事实上,这里的完全连接层也可以考虑作为输出层,因为完全连接层已经完成的工作分类的文本信息等等。其中,除了乙状结肠的使用功能在CNN,双曲正切函数,ReLU功能,漏ReLU功能也比较流行的激活函数。他们指定的公式如下:
我们可以看到从方程(3),双曲正切函数包括sinh (x)函数和cosh (x)函数,分别。与乙状结肠函数相比,它可以克服一定的梯度消失问题,但是函数值更难以实现,因此不推荐。对方程(4),这是一个非常受欢迎的激活函数,其输出值不是0,直到大于0,和0小于0。它通常是指斜坡函数在数学。与方程(5)是一个优化函数方程(4),有更好的收敛性能和收敛速度。
3.3。卷积神经网络和文本情感分析
情绪分析,也称为意见挖掘,是一个过程,分析文本中包含的信息揭示情绪信息包含在它。文本情感分析研究是一种情绪的分析。
2006年,一些学者CNN引入文本分类。李第一次使用卷积神经网络构造模式分类器,它们用于图像分割,文本分割和文本检测,但14)他的实验中的所有文本信息是来源于图像,没有完全打破CNN网络的应用领域。例如,为了提高文本分类的性能,龟峰等人提出了一种微分进化卷积神经网络,CNN的随机结构参数是第一组,然后是微分进化算法被用来优化参数。在这种方法中,CNN的参数随机结构第一套,然后参数优化利用微分进化算法,为了提高利用微分进化,进化代数与比例因子关联,然后是卷积神经网络训练不同优化的权值和阈值的文本(15]。例如,在文本情感分析,Kexun等人卷积神经网络和双向文本编码转换器用于文本情感分类的分析微博评论,作者使用BERT-Text CNN模型,利用双向编码转换器仅伯特将注意力机制,然后得到这个词向量的向量。然后,为了全球特征向量转化为局部特征向量,输入到文本CNN,高精度的细粒度的微博评论的情感分析是通过结合话语秩序的接触和上下文联系。
在面对文本情感倾向分析,主要有基于情感词典分析方法和基于深度学习的方法。然而,由于文本信息在互联网的多样性和语言表达的多样性在当今新媒体背景下,这种方法不再适合人们的需求,而深学习方法取得更好的模型的精度和泛化能力更强的文本情感分析经过近年来的发展。
因此,本文将使用卷积神经网络模型来分析评论的情感类别公民和政治元素在高校的信息平台,提出一些优化和改进模型的稳定性较低的问题,在传统的CNN应用于文本情感分析,以便提高文本情感分类的准确性,为教师提供一些参考依据整合公民和政治教学实践的元素。
4所示。实验分析
经过上述分析和细化的相关概念理论,为了使课程思维与教学实践活动更好地整合和政治元素,本文将卷积评价一所大学平台教师是否集成思想和政治元素在教学阶段利用卷积神经网络,然后提供一些可靠的消息今天的课程思想的渗透和政治元素和教学实践活动;另一方面,它可以补充领域的深度学习教育的差距,并提供一些理论价值和参考依据后续研究领域的教育。
4.1。数据采集和处理
根据上述情况,本文将爬上的评论信息技术教学平台获取所需测试集和训练集卷积神经网络训练。用于实验测试的原始数据是使用Web Scrapy爬技术,数据预处理后,输入到卷积神经网络模型,并使用将softmax分类器分类结果随后输出。的基本情绪分析流程图,如图3。
获得原始数据后,需要进行预处理。摘要词向量技术用于数据预处理,预处理的原因是,从网络获得的文本不是标准化的,所以它需要由文本规范化训练,分离,和失活。这个词向量训练,Word2Vec这个词用于变换向量,它提供了数据依据卷积神经网络模型的输入。本文数据预处理的过程如图4。
本文的评价标准评价文本以分层的方式处理,在大约5000条评论相关的讨论公民课程元素筛选从评论信息技术平台的使用Scrapy框架,和数据标记,他们表示在程序如表所示1。
4.2。损失函数激活函数
在这个实验中交叉熵作为损失函数,这叫交叉熵损失用英语和分类问题来说是一个损失函数非常常用的深入学习。
交叉熵来自香农信息论,信息理论中一个非常重要的概念,主要是用来测量两个概率分布之间的差异。因此,本文使用cross-loss熵作为损失函数模型训练和使用它来评估模型的损失率。
摘要ReLU函数用于卷积层卷积为了得到更好的效果。因为线性复合函数拟合能力有限的问题,本文选择了ReLU寻找最大值函数作为激活函数,这个函数可以消除问题的梯度扩散从积极的间隔大于0。此外,它只需要判别是否大于0。使用ReLU函数作为激活函数可以提高计算的速度和收敛速度模型,提高模型的泛化能力。为了我的更多的民间元素的有效特征,本文选择激活函数作为ReLU函数和损失函数交叉熵损失函数。
4.3。卷积神经网络建立模型,挖掘民间元素
4.3.1。选择的数据参数
以上操作后的数据预处理和文本格式规范化,序列注释的数量数据集摘要如下所示,分为三个层次,即积极的,一般情况下,和消极的,数量大约是1600,2000年和1400年,分别如图5。
在这个词向量从上面获得数据集转换为数据和分为测试机器和一个训练集,评论的数量占了测试集的标签如图6。
4.3.2。传统的卷积神经网络模型的训练和预测
上面的实验参数设置后,这个词向量训练集的数据送入CNN模型训练,直到模型收敛,这意味着培训完成。然后聚合模型验证的测试集,最后实验结果如图所示7。
从图7可以看出,ACC准确性增加训练的数量然后减少曾经在400年和500年之间会话,这可能是由于模型的不稳定性在培训过程中,或者一个错误的重量迭代,这需要重新估计梯度方向,或者一个错误的输出将softmax层。模型的精度降低。然而,总的来说,900年以后训练模型平滑,模型的精度稳定在95%左右。
4.4。优化将Softmax层
在上面的建设模型,主要是基于图的过程3,输出层使用传统softmax层。虽然传统softmax层之间非常友好的学习信息类的样品,为什么这样一个优势是,它使用一个年级之间的竞争机制;即。,我t only cares about the accuracy of the prediction probability of correct labels. Therefore, the traditional softmax layer tends to ignore the variability of other noncorrect labels, resulting in a trained model that is not very portable and the learned features are very sparse and loose.
为了解决这个问题,提高模型的正确性和可移植性的训练,本文试图将传统的卷积神经网络与A-Softmax算法提出一种改进的卷积神经网络模型。新模型将A-Softmax算法将softmax输出层添加到流程梳理文本数据的原始模型,最后完成整个模型的训练。
本文提出的改进模型的流程图如图8。
A-Softmax算法的性能主要受余弦变量的影响米。同时,验证了相关实验的规模米值是相关检查准确率,检查完整率,F1值(调和平均)的模型,和越大米值,上面的高价值模型的减少。因此,选择一个好的是至关重要的米价值模型训练,甚至影响整个模型能否收敛。摘要值设置为1的模型训练。
采用相同的值设置的古典上面提高卷积神经网络模型和设置的值米在新的A-Softmax算法1不仅可以使模型得到较好的收敛效果,还提高计算机的计算能力和减轻其负担。
为了更好地验证了改进模型的有效性,上述数据集应用于经典的美国有线电视新闻网CNN模型和改进模型训练和比较。最后,ACC曲线并与ACC精度测试曲线的上述经典CNN模型如图9。
从图9可以看出,改进的卷积神经网络模型的准确性提出了更高的古典卷积神经网络模型,高约1.5%。更加占优势,而图7ACC曲线显示,降低的程度下降迭代的数量从400年到500年,进一步说明改进的卷积神经网络能够进一步提高模型的正确性。
为了进一步证明本文改进模型的优越性民间元素的挖掘之后,本文最后使用精确率、召回率,和总结平均性能指标来衡量执行的性能比较两个不同的模型在测试集上。一般来说,精确率越高,召回率越低,而F1值,即。,the harmonic mean, is the result of a comprehensive consideration, which includes both the recall rate and the precision rate. In this paper, after experiments, the final experimental results of the above three are obtained as in Table2。
从上面的表中,可以看出,本文改进的CNN网络模型比经典的CNN网络模型的准确性,回忆,和F1测量值。然后,总结上述ACC精度变化曲线的比较,可以看出,本文改进的CNN模型明显优于经典的CNN的性能代价。
5。结论
在本文中,我们提出了一个卷积神经网络模型与改进softmax层,集挖掘的需求和政治科学元素的渗透和教学实践,提出了一些原则在教学实践活动中教师参考。改进的CNN模型实验证明是优越,可以提高文本情感分析的研究进展和教学实践活动在深度学习在一定程度上。
数据可用性
标签数据集用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
本文由Aba科技支持局(19 yyjsyj0091)和13个五年计划的教育信息化建设四川(焦栓关2019 - 142)。