关键词：
反时间衰减因子
动态时间窗口
迁移学习
情感分析
实习系统
摘要：
实习作为应用型人才培养的关键实践环节,其信息化管理系统在实现“基础厚、技能强、素质高、可持续发展能力强”的人才培养目标中发挥着重要作用。当前数字化校园建设背景下,传统实习管理系统面临两大技术瓶颈:一是传统推荐算法在实习岗位推荐方面的个性化精度不足;二是学生实习表现的评分过度依赖人工评估,缺乏文本情感分析维度。
针对上述问题,本文对传统推荐算法进行改进,并引入融合迁移学习和情绪特征模块的文本分析算法,以提升实习信息管理系统的智能化水平。本文的主要研究工作如下:
(1)针对实习岗位推荐精度不足的问题,在传统协同过滤算法基础上引入非线性时间因子与动态时间窗口技术,优化时间因素对学生实习岗位选择的影响。具体改进包括:首先,通过非线性时间因子模拟学生对实习岗位兴趣的非线性递减过程,解决实习申请历史行为权重分配不合理问题;其次,在K-means++聚类算法基础上,基于学生实习申请的活跃度动态划分时间窗口,实现个性化时效性建模。实验结果表明,该算法在实习岗位推荐精度方面优于传统算法。
(2)针对实习评分人工依赖度高和缺乏文本情感分析的问题,提出将迁移学习与情绪特征模块相结合的考核评分方法。具体实现:在迁移学习方面,采用预训练BERTweet模型,利用其中文通用语料的语义理解能力,在实习数据集上进行微调训练,既提升模型在实习领域的适配性,又降低训练成本;在情绪特征方面,基于清华大学情绪词典构建情绪特征模块,采用加权统计方法计算学生实习日志的情感向量,并引入加权因子平衡日志长度与情感词密度的关系,解决短文本情感强度计算偏差问题。在模型融合阶段,将BERTweet输出的语义向量与情绪模块生成的2维情感向量拼接,通过全连接层实现跨模态特征交互,并采用带权交叉熵损失函数缓解样本不均衡问题。
(3)设计开发了实习信息管理智能系统,主要包含实习管理、资讯发布、数据可视化及全流程考核管理等功能模块。系统采用前后端分离架构:前端基于Vue3+Element Plus实现响应式界面;后端服务层采用Spring Boot3框架开发RESTful API接口,结合Redis缓存热点数据以提升查询效率。
综上所述,本文提出的改进推荐算法和融合迁移学习、情绪特征模块的方法,有效解决了传统系统在时效性、个性化推荐和情感分析方面的不足,同时降低了深度模型的训练成本,具有显著的实用价值。所开发的实习信息管理智能系统能较好地满足用户需求,具备较高的应用价值。
欢迎来到三峡大学图书馆！
详细信息
