一、AskTheWeb——一个基于Web的问题回答原型系统（论文文献综述）
吴赛赛[1]（2021）在《基于知识图谱的作物病虫害智能问答系统设计与实现》文中指出在农业生产过程中,病虫害一直以来都是影响农产品产量和质量的主要问题,然而随着互联网技术的发展,网络数据呈爆炸式增长,作物病虫害数据也呈现出高度分散、多源异构的状态,使得农民、植保专家等农业相关从业者很难迅速准确地获取所需信息。传统的信息获取方式以搜索引擎为主,但其采用基于关键词或浅层语义分析等方式实现检索,返回大量相关网页链接,答案模糊且冗余。智能问答系统由于支持用户自然语言输入、精准捕获用户意图、返回简洁准确的答案,成为近年来的研究热点。知识图谱的出现和快速发展,为智能问答系统提供了高质量的知识库基础,推动了问答系统在各个领域中的应用。本文融合自然语言处理、深度学习等技术,设计并实现基于知识图谱的作物病虫害智能问答系统,主要开展的工作如下:（1）作物病虫害知识图谱构建。知识图谱构建过程主要分为四个步骤:数据获取,本体构建,知识抽取以及知识存储。首先,利用爬虫技术采集相关作物病虫害数据,并进行数据清洗、数据分析等数据预处理工作。其次,根据数据内容及表示特征,构建作物病虫害本体,预定义实体间的关系和属性类型,明确知识抽取的边界。然后,在本体的基础上,利用规则逻辑方法提取半结构化数据;利用实体和关系联合抽取方法提取非结构化数据。最后,将抽取到的三元组数据存储到Neo4j图数据库中,实现知识图谱的可视化管理和一定程度的知识推理。（2）提出基于新标注策略的实体和关系联合抽取。传统的语料标注方式不一定适用于所有领域,本文根据作物病虫害语料库特征,以一种与领域语料相适应的新标注体系实现实体和关系的联合抽取。将实体和关系抽取任务转化为序列标注问题,对实体和关系进行同步标注,直接对三元组建模而不是分别对实体和关系建模,通过标签匹配和映射即可获得三元组数据,不仅提高至少一倍的标注效率,还有效缓解重叠关系抽取问题。同时利用BERT-Bi LSTM-CRF端到端深度学习模型在数据集上进行实验,取得90.51%的F1值。（3）基于知识图谱的问答算法研究。在作物病虫害知识图谱构建完成的基础上,将问答任务划分为三个子任务:命名实体识别、属性链接以及问句相似性计算。为了构建更加轻量级的问答系统,本文利用Han LP自然语言处理工具中的中文分词+自定义词典+词性标注功能实现问句的实体识别。通过构建属性标注库,利用ERNIE预训练语言模型完成对问答过程的问句属性链接,其在数据集上的表现明显优于其他经典模型。为了增强用户问答的智能性、便利性和连贯性,通过基于TF-IDF算法的文本相似性计算,展示与用户输入问句相似的相关问句。（4）设计并实现了基于知识图谱的作物病虫害智能问答原型系统。结合Fast API、Vue.js等框架实现问答原型系统的前端和后端开发与交互,实现用户以自然语言问句提问,支持作物病虫害症状、病原、防治药物等信息的问答。本文在实体关系联合抽取技术基础上提出了一种知识图谱的半自动化构建方法,并研发基于知识图谱的作物病虫害智能问答系统。本文工作为农业智能问答领域提供了一种新思路,其中知识图谱的半自动化构建方法可为农业推荐系统、农业知识库构建、农业智能搜索等应用知识库构建的技术支撑。
李悦[2]（2021）在《农作物病虫害知识图谱构建研究》文中研究指明我国农作物病虫害种类繁多,据统计仅常见病虫害就达到1400种以上,每年因为病虫害的影响对农作物产量、农民收入的损失非常严重。同时,因农作物病虫害数据来源广泛,数据表示、存储与组织等方式各有不同,资源处于无序与相对混乱的状态,各类用户难以快速、高效地查询与使用多方面农作物病虫害信息资源,从而导致知识难以被有效利用。随着数据密集型科学研究第四范式以及知识图谱的提出,利用知识图谱技术对多源异构病虫害数据进行整合,充分挖掘隐含在文本内的知识,对于帮助用户厘清知识脉络、提高知识获取和传播的效率、提升农业智能化知识服务能力具有重要意义。对此,本文借鉴融合了多来源、多载体的专业化高质量知识资源并通过引入深度学习算法进行知识抽取,探索有关农业领域半自动化知识图谱构建方法与技术路线。同时,尝试将农作物病虫害领域知识图谱与通用知识图谱以及传统的知识组织体系进行融合,在分析其应用场景的基础上,设计与实现了知识问答原型系统进行应用验证,进而为新型智能化知识服务实践提供相关思路。本文首先介绍了知识图谱的起源与现状,并对农作物病虫害相关本体及知识图谱的研究现状、存在问题进行分析;其次,本文对知识图谱的概念进行了介绍并对构建知识图谱需要运用到的有关技术方法进行阐述,涉及到的方法主要包括:本体构建的相关知识、实体识别、知识存储、知识融合方法,相关概念与方法为本研究的开展提供了理论支撑;其三,在农作物病虫害知识图谱模式层的构建方面,本文对农作物病虫害关于构建本体的目标与流程进行了分析研究,重点基于《农业科学叙词表》、病虫害权威专着《中国农作物病虫害》和国家农业图书馆的文献资源,构建了含有13个一级类、25个二级类、20个三级类,15个一级对象属性,36个一级数据属性的农作物病虫害领域本体,并基于OWL+SKOS语言对本体进行形式化表示;其四,在农作物病虫害知识图谱数据层的构建方面,本文先对数据层的构建流程作出了介绍,然后基于BERT-Bi LSTMCRF模型、实体链接等技术方法,完成了结构化、非结构化数据的半自动化知识抽取、知识融合实验,并运用Neo4j进行知识存储,形成了含有9类实体、9种关系,共计16842个节点、24303个三元组的农作物病虫害知识图谱;最后,基于构建的农作物病虫害知识图谱,设计并实现了知识问答原型系统进行应用验证,结果表明:本文构建的知识图谱实现了多源病虫害知识的形式化、规范化描述组织和深度融合,为开展深层次的知识挖掘奠定了基础。
黄瑞红[3]（2021）在《基于手绘草图识别的产品零件设计问答系统研究》文中研究表明工业设计对于推进制造业转型升级有至关重要的作用,但目前制造业领域的设计能力仍有待提高。在产品研发过程中,普遍存在工业设计师在概念设计阶段由于缺乏相关知识无法检索到预期零件,导致造型设计不满足结构设计及制造加工要求,影响产品研发进程的情况。而现有的CAD系统对于设计构思、概念设计等早期阶段的设计知识检索与匹配等方面仍难以为设计师提供有效支持。本文提出一种基于手绘草图识别的产品零件设计问答系统。该系统可以在用户知道零件功能及造型但却不知道零件名称,无法准确检索到零件的情况下,使用草图来进行检索预期的零件,并且提供该零件的基本信息、三维模型及与之相关的零件信息,为概念设计阶段的设计师提供相关的知识,加快产品设计进程,促进设计重用。本文的主要工作内容如下:首先,对目前零件识别领域研究现状进行分析,并通过对现有的图像识别算法进行研究,结合本文零件草图的特点,提出预训练网络（VGG）与胶囊网络（Caps Net）相结合的零件手绘草图模型（VGG-Caps Net）。设计了组间实验及组内实验,并提出两个对比模型r VGG-13模型与r CNN-13模型。其次,以化纤卷绕机为研究对象,招募5名设计师绘制零件草图,构建包含标准件和非标件在内的23类零件手绘草图数据集。构建基于VGG-Caps Net的零件手绘草图识别模型,并与另外两个模型的识别结果进行比较。实验结果表明,VGG-Caps Net模型在组间和组内实验中的平均准确率均高于其他两种模型。然后,提出本文零件知识图谱的构建流程,确定构建零件图谱的数据来源及数据存储方式,明确零件实体、属性及实体之间关系的定义。收集零件相关信息及三元组数据,并将数据存储在图数据库中,完成本文零件知识图谱的构建。最后,使用Python语言及相关框架完成本文问答系统原型的开发,实现了基于草图检索零件并提供零件基本信息、三维模型以及相关零件信息的功能,最后对该问答系统进行应用验证,证明问答系统的实用性和有效性。
徐勇[4]（2021）在《Web前端代码生成技术研究与系统实现》文中提出在Web开发中,设计人员需要设计精美的用户界面（UI,User Interface）,前端开发人员需要将这些UI通过HTML（HyperText Markup Language）、CSS（Cascading Style Sheets）代码进行复现。设计人员在设计新的UI时,会对一些竞品软件的界面截图进行参考并分析其中的UI组件类型。前端开发人员在进行UI复现时,也会对其中的UI组件类别进行分析,然后编写此组件的HTML和CSS。然而,上述的UI组件识别和UI组件代码编写都是枯燥无趣且费时费力的工作。针对上述问题,本文对Web前端开发中的UI组件分析与代码编写的相关工作开展研究。首先,从目标检测的角度对Web UI组件的识别进行研究;然后,从文本生成的角度对Web UI组件代码的生成进行研究;最后,利用Web UI组件的识别器和代码生成器,构建了一个Web前端代码生成的系统。这些工作的具体内容如下:（1）基于目标检测的Web UI组件识别。首先,对Bootstrap和Semantic UI两个UI库从10个方面进行了对比,并选定Semantic UI作为目标UI库;再基于Semantic UI库提出了一个Web UI数据集的自动化构建算法,实验结果表明该算法在一小时内可构建上万条数据;然后,基于Faster R-CNN设计了 WebUI组件的自动识别方法,实验结果表明组件识别的平均准确率在80%以上。（2）基于文本生成的Web UI组件代码的生成。首先,设计了一个HTML到emmet的转换算法;然后,提出了 Web UI组件的代码生成模型及其训练超参数,最后,对模型进行评估且实验结果表明代码生成准确率在60%以上。（3）基于机器学习的Web前端代码生成系统。该系统有着系统管理、Web UI组件识别和Web UI组件代码生成三个模块,为Web领域相关人员提供了 Web UI组件的识别与组件代码的生成服务,为系统管理人员提供了数据集的远程管理服务。
孙晟[5]（2021）在《电网输变电设备故障问答系统的设计和实现》文中认为输变电设备不仅是电力系统的核心组件,也是确保电力系统安全可靠运行的关键,但是输配电设备在长时间运转的过程中极易产生各种各样的故障问题。设备一旦故障必然会影响电力系统的安全可靠运行,并且由于导致设备故障的因素较多,检修人员不能很好的应对各种设备故障,在设备检修过程中常常会遇到很多问题。针对故障检修过程中需要的相关问题进行解答,可以帮助检修人员更好的进行设备检修,提升设备的运行稳定性和经济效益,从而保证电力系统安全、可靠。基于此,本文基于自然语言处理技术设计并实现了一个电网输变电设备故障问答系统,该系统能够对用户输入的电网输变电设备故障问题进行回答,还能够对问题中包含的设备故障现象进行故障分析。首先,本文对高效的文本匹配算法的设计进行研究。基于深度学习的文本匹配算法已经取得了许多非常卓越的研究成果,但是多数基于神经网络的文本分类模型主要通过单词粒度的语义交互的方法进行实现,而且由于采用了多层的网络结构,使得模型的低层特征不能有效的利用,且多层的网络结构使得模型容易出现梯度消失问题。基于此,本文设计并实现了基于多级语义交互的文本匹配算法,算法采用多级方式进行语义间的交互,在采用单词粒度的语义交互的基础上,结合注意力机制,提出了一种能够进行句子粒度交互的语义交互方法,使得模型能充分的进行文本间的交互任务。另外,模型引入增强残差连接结构来实现对底层特征的有效利用。模型设计中还利用注意力机制改进编码器,帮助模型更好的对文本进行信息提取。然后,本文对高效的文本分类算法的设计进行研究。基于深度学习的方法被广泛应用到文本分类领域,这些方法包括卷积神经网络,LSTM等。因为CNN和RNN能够捕捉局部特征和序列特征,这些方法能够很好的在当前文本上捕捉语义和句法信息,但是这些方法会忽略语料库中的非连续的全局词共现信息和长距离语义信息。基于此,本文设计并实现了基于图卷积词向量的文本分类模型,能够较好的将全局词共现信息和长距离语义信息与文本的局部序列信息融合,使得模型具有较好的表现,同时模型能够在标注样本较少的情况下依然保持较好的性能表现。最后,基于上述算法,本文设计并实现了输变电设备故障问答原型系统。该系统以电网故障文本、电网故障问答对数据和电网标准数据三种不同类别的数据作为数据基础,能够较为充分利用相关的文本知识。文中利用相关测试来验证系统的功能。
黄巍[6]（2021）在《任务型客服对话系统的研究与实现》文中提出任务型对话客服系统包含自然语言理解、对话状态追踪、对话目标决策和自然语言生成等四个模块。多数的任务型对话客服系统使用的技术是通过管道的形式组合这四个模块进行训练,如果组成管道的某个模块训练结果发生变化,依赖于此模块训练结果的下个模块会受到连带影响,为了获取更好的模型效果,一般需要重新训练整个管道的所有模块,这导致系统的可扩展性比较差。传统的任务型对话客服系统使用基于规则的方法进行处理,导致对话系统效果欠佳,而随着机器学习的发展,使用基于统计的方法可以获得更好的效果。使用基于统计的训练方法则需要大规模的中文对话数据集,而中文对话数据集除了对话文本,还需要标注对话状态信息,目前符合条件的中文对话数据集欠缺,这导致了中文任务型对话系统的效果欠佳。机器学习的飞速发展为任务型客服对话系统注入了新的活力,使用最新的自然语言处理技术如BERT或强化学习等可以使任务型对话系统的效果获得明显的提升。结合之前在对话系统研究上的积累,本文设计并实现了一种任务型客服对话系统,将对话系统的四大流程:自然语言理解、对话状态追踪、对话目标决策以及自然语言生成等方面进行了研究和实现。本文的主要工作如下:1.使用基于WOZ的数据集收集方法,在亚马逊众包平台收集人-人数据集,能够快速打造一份可用的中文对话数据集,且能获取丰富的状态标注信息以及完整的对话状态,再结合一种新型的Schema机制来约束数据集格式,使得算法能更好的识别数据中的规律以获得更好的效果。2.将对话状态追踪和对话目标决策模块进行端到端训练,让对话状态追踪模块也能在与用户的交互中成长,摆脱数据标注的问题以及管道式训练带来的可扩展性问题。3.设计并实现了一种新型的基于Web的对话应用设计系统,不仅提供基于分支、循环、顺序等设计对话的基础流程控制单元,还包括大量垂直领域内的话题通用组件以辅助在短时间内设计出快速响应、容错率高的场景对话机器人。此对话应用设计系统底层对话技术使用本文基于端到端训练的模型,且系统提供了能够持续的获取对话反馈的接口,使得模型可以根据反馈进行再训练以获得持续成长的能力。实验表明,本文提出的任务型客服对话系统可以满足快速设计对话机器人来完成某一细分领域的对话任务的需求,且机器人的展现的对话效果能够满足企业对客服任务处理的需求。
宋建[7]（2020）在《面向知识问答社区的专家推荐机制与答案摘要算法的研究》文中提出知识问答社区为用户分享和获取知识提供了一个重要的交互性平台,用户可以通过该平台提交和回答问题。由于社区中用户的数量与日俱增,提问者提出的问题可能几天以后才获得答案,回答者对于自己接收到的问题可能并不感兴趣。学者们提出了各种各样的专家推荐机制来解决这个问题,然而目前的大部分机制推荐的专家都无法及时的回复用户提出的问题且推荐结果的最佳答案覆盖率偏低。另外,在社区中一个开放型问题通常会对应多个答案,而通过社区中的内部规则选出的最佳答案往往并不具有完整性,无法全面的解答该问题。随着深度学习技术已经广泛应用于完成自然语言处理领域的文本摘要任务,本文尝试将该技术引入到知识问答社区中,用于答案文本摘要。然而,目前的文本摘要算法仍存在生成的摘要语义不通顺及摘要的自我重复等问题。针对现有的研究工作的不足,本文具体所做的工作如下:（1）我们提出了一种面向知识问答社区的专家推荐机制,该机制结合经典的深度结构化语义模型（Deep Structured Semantic Models,DSSM）,从用户回答问题的数量、问题的难度值以及用户回答问题的平均响应时间这3个维度来构建随机转移概率矩阵,提出了主题敏感性回答者排序算法（Topic Sensitive Answerer Rank,TSAR）。首先,使用深度结构化语义模型计算出问题文本和用户文本之间的相似度,根据相似度值的大小筛选出候选专家群并构建用户问答关系有向图;然后使用主题敏感性回答者排序算法对图中每个节点用户的权威度值的大小进行计算;最后根据权威度值的大小生成专家列表并推荐给用户。（2）我们提出了一种基于多层注意力机制的答案摘要算法（Answer Summarization Algorithm based on Multi-layer Attention Mechanism,ASMAM）。该算法在传统的序列到序列（Sequence to Sequence,Seq2Seq）模型的基础上,为了进一步提高文本的表征能力,在进行句子编码和文本编码时分别引入了自注意力机制和多头注意力机制。为了解决循环神经网络（Recurrent Neural Networks,RNN）的“梯度消失”问题和长短期记忆网络（Long Short-Term Memory,LSTM）的参数过多问题,在编码器端和解码器端的神经元都使用了门控循环单元（Gated Recurrent Unit,GRU）。在解码时为了避免因解码器自身的隐藏状态导致生成的摘要自我重复,引入了内注意力机制。（3）最后,将本文中提出的“面向知识问答社区的专家推荐机制”和“基于多层注意力机制的答案摘要算法”运用到原型系统中。当用户向知识问答社区提交了新的问题后,使用专家推荐机制向用户推荐有能力、有兴趣并且可以及时回复的候选专家并以列表的形式进行展示。对于开放型问题对应的多个答案文本,通过系统中的答案摘要模块对多个答案进行概括和浓缩,便于用户快速的获取一个全面的答案。
管衡[8]（2020）在《JavaScript恶意代码检测相关技术研究》文中指出在互联网高速发展的今天,网络技术的提升与丰富使得越来越多的网站开始以Web应用的形式提供服务,从而导致基于Web的应用呈现倍数级的增长。而Java Script作为一种具有完备功能的语言,被广泛地应用于Web应用的前端开发之中。虽然为用户带来了诸多便利和良好的交互体验,但与此同时也给Web用户终端带来了不少威胁与风险。为了应对Java Script恶意代码所带来的网络安全问题,学术界已然提出过一些检测方法,然而实际成果却不尽人意。存在诸多不足,为了得到具备更好检测性能的Java Script恶意代码检测系统,本文的工作和创新点如下:首先,在实现了catch JS脚本抓取过程后,鉴于以往文献中针对大量的Java Script恶意代码检测系统对于脚本特征的提取考虑不够全面,再加上Java Script语言标准年年更新,本文结合最新的ECMAScript2019标准与对今年主流Java Script攻击技术的研究,从四个方面新增68个脚本特征,提高了特征提取泛化性。然后,考虑到传统特征提取对每个特征都采用相同的权重,缺乏科学性与泛化性,将文本分类思想应用于Java Script脚本恶意检测,并对传统的TF-IDF加权算法进行针对性改进得到TF-NIDF加权算法带来更加具备科学性与泛化性的加权。间接有效的提高了Java Script恶意代码分类模型检测性能。其次,区别与其他研究人员关注重点集中在分类算法与特征提取的优化之上,对网页获取脚本的分类标记误差考虑不周,重点关注了训练集的噪声优化,利用对V-detector算法进行针对性改进后的基于否定选择的MMV-detector脚本过滤算法,对抓取到的Java Script脚本集进行降噪过滤,将包含插件与广告等非正常脚本与正常脚本区分开来,保证了样本标记时的精确度。降低训练集噪声,减少标记误差,从源头提高Java Script恶意代码分类模型性能。此外,在通过对主流的分类算法理论分析与实验对比后选择了支持向量机SVM分类算法作为本系统的分类算法。并针对传统监督学习SVM算法存在的样本标记代价大,时效不高,精确度不足的问题,将主动学习加入到SVM分类算法之中,并针对性地改进了选择策略,优化询问算法。得到基于价值度量的ASVM主动学习分类算法。提高了分类器训练过程的精度与效率。最后,结合MMV-detector脚本过滤模块与TF-NIDF加权算法特征提取以及ASVM主动学习分类算法建立了完整的Java Script恶意代码检测MNAS模型。并将得到的分类模型应用于Java Script恶意代码检测,实现了Java Script恶意代码检测原型系统。并对系统的高效性与正确性以及进行了综合分析与实验证明。
姚佳佳[9]（2020）在《同伴对话反馈策略促进大学生深度学习的理论与实践研究》文中提出传统高校教学中生生之间较为缺乏深度对话互动的机会是其不足以促进大学生实现深度学习的一个重要原因,而基于同伴对话反馈的协作式学习是高校课堂中激发学生高阶思维、加深学习投入的重要实现途径,对缓解高校教学互动现状和实现深度学习有较好的适用性。为了探索能够更好促进学生深度学习的同伴对话反馈策略,本研究以基于学习方法理论的深度学习影响因素模型、反馈干预促进深度学习的交互机制以及深度学习环路等重要相关理论为基础,构建了“同伴对话反馈策略促进深度学习的理论框架”,以此指导探究三种基于不同在线讨论工具（基础、增强、基础与可视化增强）的同伴对话反馈策略对大学生深度学习的具体影响过程和效果。具体实践研究包括:（1）以《现代教育技术》课程的94位大三本科生为研究对象,将其分为19个小组,学期前三周（6个课时）仅进行无讨论活动的教师讲授,后五周（14个课时）在教师讲授基础上增加基于基础在线讨论工具的组内同伴对话反馈活动设计,通过单组前后测实验和内容分析,探究基于基础在线讨论工具的组内同伴对话反馈策略对大学生深度学习的影响过程和效果。（2）以《现代教育技术》课程的57位大二本科生为研究对象,学期前六周（12个课时）的小组展示课使用电子问卷收集班级学生提问,然后由教师或展示小组成员给予面对面回应,后六周（12个课时）在保持小组展示方式和师生面对面交流方式不变的情况下,仅将学生以电子问卷提问的方式改为通过增强在线讨论工具进行同伴提问与回应,且六周里逐次尝试三种不同可视化程度的实时互动界面,每种互动方式持续两周,通过单组前后测实验和内容分析,探究基于增强在线讨论工具的班级同伴对话反馈策略（以及不同可视化程度的互动界面）对大学生深度学习的影响过程和效果。（3）以《网络与远程教育》课程的11位大三本科生为研究对象,将其分为3个小组,设计了持续八周（32个课时）的同伴对话反馈活动,包括基于基础在线讨论工具的班级提问与回应、基于可视化增强在线讨论工具的小组协作问题解决以及小组展示与师生答疑交流等环节,每周的学习过程中,学生不断在班级和组内来回转换同伴对话反馈角色,并从同伴处获得双层反馈,通过单组前后测实验、内容分析和个案研究,探究基于基础和可视化增强在线讨论工具的混合同伴对话反馈策略对大学生深度学习的影响过程和效果。研究主要得到以下发现:（1）基于基础在线讨论工具的组内同伴对话反馈策略可以显着促进学生的学习方法从浅表学习转向策略学习和深度学习,且对话反馈参与度越高,学习方法越深,尤其对浅表学习者作用较明显,对深度学习者可能存在负面效果。同时,该策略可以显着促进学生的认知层次从单一或低级多元结构转变到中高级多元结构,但尚不能激发其思维水平发展到更高层次的关联和抽象拓展结构,且更积极参与活动的深度学习者认知层次也并没有比浅表学习者提升更佳,尽管他们在带动浅表学习者参与互动和学习方法深化方面有着较为积极的作用。（2）基于增强在线讨论工具的班级同伴对话反馈策略可以显着削弱学生的浅表学习方法倾向,但对深度学习方法倾向的强化效果不明显。不过,同伴对话反馈过程中初始对话层面和初步反馈层面的提问行为以及深层反馈层面的提问与观点发表类行为都比初始对话层面和初步反馈层面的观点发表类行为更有利于促进学生学习方法的深化。同时,该策略可以显着促进学生的认知层次从浅表思维结构突破到深度思维结构,且适度增加可视化互动能更好地促进学生深层反馈行为的产生以及达到更深的认知层次。（3）基于基础和可视化增强在线讨论工具的混合同伴对话反馈策略既能避免深度学习者的学习方法浅化,又能促进浅表学习者的学习方法突破到深度层次,且学生学习方法的深化与其在班级同伴对话反馈中的深层认知初步回答行为密切相关,学生更多地在小组协作前期参与内容相关的组内同伴对话反馈有助于提升其在班级同伴对话反馈中的初步回答行为认知层次。此外,小组在协作解决问题的过程中存在问题导向、资料导向、任务导向三种同伴对话反馈行为模式,其对小组协作达到深度认知层次的促进作用依次减弱,但群体的深度协作并不能保证个体的深度学习,学生个体深度学习机制的触发更多来自班级同伴对话反馈的影响,且学生动机与信念的提高是激发其实现深度学习最主要的机制。最后,研究总结了不同同伴对话反馈策略对大学生深度学习的影响过程与效果,作为对理论框架中同伴对话反馈策略促进大学生深度学习相关规律的补充完善;此外,研究还从设计标准与课程、预评估、营造积极的同伴学习文化、预备与激活先期知识、获取新知识、深度加工知识以及评价学生的学习等七个环节提出了可以促进大学生深度学习的同伴对话反馈策略设计与实施要点,为高校教师如何更好地在混合教学情境下设计和实施基于同伴对话反馈的深度学习活动提供一定的参考和操作性指导。研究的创新点主要包括以下两个方面:（1）将促进学生深度学习的策略研究视角聚焦到同伴对话反馈活动上,并将学生深度学习促进效果的评价与同伴对话反馈具体行为的微观分析密切结合,且通过理论与实践的探索,构建并丰富了“同伴对话反馈策略促进深度学习的理论框架”,从更系统的视角解释同伴对话反馈对学生深度学习的影响过程,为他人开展后续相关研究提供了理论参考;（2）设计并检验了高校混合教学环境下促进大学生深度学习的三种同伴对话反馈策略干预方案,为高校教师开展基于同伴对话反馈的深度学习教学提供了实践案例参考以及相关策略优化设计与实施的具体建议。
李亚慧[10]（2020）在《互联网网络配置正确性检测与错误定位研究》文中研究说明近些年来,随着互联网的高速发展,网络控制平面也变得日益复杂。控制平面之上网络配置的正确性检查和相关故障诊断也面临着更加严峻的挑战。在集中式控制平面中,软件定义网络中多项网络配置间可能存在潜在冲突,导致网络故障。此外,网络一旦发生可达性故障,定位造成故障的根本原因是极其困难的。在分布式控制平面中,频繁的配置更新增加了网络故障的风险,然而,判断网络配置是否正确以及定位错误的网络配置是非常困难的。本文对网络配置正确性检测以及错误定位开展了深入研究,主要内容和贡献点如下:（1）提出了一种软件定义网络中自动检测多项网络配置之间潜在冲突的方法。基于符号执行对各个配置程序的源代码进行分析,得到每个输入消息及其所对应的输出消息。然后,根据冲突检测算法检测各网络配置间存在的直接冲突与间接冲突。实验表明,该方法可以有效地发现来自多个控制器之上的网络配置共存的潜在冲突问题。（2）提出了一种软件定义网络中可达性故障的根因定位方法。首先,根据故障事件、系统中的事件及状态信息自动化地确定参考事件。然后根据参考事件建立正向网络起源图,根据故障事件建立负向网络起源图。对正负向起源图进行综合起源分析可确定引起故障的根因。实验表明,将本方案应用到多个可达性故障场景中,结果显示了造成可达性故障的根因。（3）提出了一种分布式动态路由网络中网络配置更新正确性的检测方法。该方案可适用于域内网络,根据变更前的配置以及变更后的配置确定可能受影响的流量所对应的查询,对受影响的查询进行验证。根据网络模型以及配置变更种类初步确定受影响流量的范围,然后判断该范围内的流量转发行为在配置变更前后是否满足等价性条件,根据该判断结果将具有等价转发行为的流量移除,最终确定受影响的流量对应的查询。实验表明,该方案在网络配置更新场景中,可以有效地检测出更新结果。（4）提出了一种分布式动态路由网络中网络配置更新错误的定位方法。首先,检查更新后的配置文件是否满足用户的更新意图。如果出现意图违反的情况,则进行差错配置的诊断。其将更新前的信息作为参考信息,进行差异分析定位。根据网络仿真结果,首先诊断是否为转发类的配置片段导致差错,如果不是转发类配置差错,那么则进行路由相关的配置片段的诊断。实验表明,在网络配置更新场景中,可以有效地定位引起更新差错的配置片段。
二、AskTheWeb——一个基于Web的问题回答原型系统（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、AskTheWeb——一个基于Web的问题回答原型系统（论文提纲范文）
（1）基于知识图谱的作物病虫害智能问答系统设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 知识图谱 |
| 1.2.2 知识问答 |
| 1.3 研究内容与技术路线 |
| 1.4 论文组织结构 |
| 第二章 相关理论与技术 |
| 2.1 本体 |
| 2.2 知识抽取 |
| 2.2.1 命名实体识别 |
| 2.2.2 关系抽取 |
| 2.3 知识存储 |
| 2.4 知识融合与知识推理 |
| 2.5 属性链接 |
| 2.6 本章小结 |
| 第三章 作物病虫害智能问答系统设计框架 |
| 3.1 系统设计框架 |
| 3.2 系统主要技术 |
| 3.2.1 数据预处理 |
| 3.2.2 知识图谱构建 |
| 3.2.3 基于知识图谱的问答算法 |
| 3.2.4 问答服务平台搭建 |
| 3.3 本章小结 |
| 第四章 作物病虫害知识图谱构建 |
| 4.1 作物病虫害知识图谱构建流程 |
| 4.2 基于规则的半结构化知识抽取 |
| 4.3 基于BERT-Bi LSTM-CRF的实体关系联合抽取 |
| 4.3.1 ME+R+BIESO标注方法 |
| 4.3.2 BERT-Bi LSTM-CRF模型 |
| 4.3.3 实验及结果分析 |
| 4.4 基于Neo4j的知识存储 |
| 4.5 本章小结 |
| 第五章 基于知识图谱的知识问答算法 |
| 5.1 问句实体识别 |
| 5.2 属性链接 |
| 5.2.1 基于ERNIE的属性链接模型 |
| 5.2.2 属性标注库构建 |
| 5.2.3 实验结果与分析 |
| 5.3 答案查询 |
| 5.4 问句相似性计算 |
| 5.5 本章小结 |
| 第六章 作物病虫害智能问答原型系统设计与实现 |
| 6.1 开发环境与系统架构 |
| 6.1.1 开发环境 |
| 6.1.2 系统基础架构的实现 |
| 6.2 原型系统展示及测试 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（2）农作物病虫害知识图谱构建研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 主要研究内容 |
| 1.3 国内外研究现状 |
| 1.4 论文组织结构 |
| 第二章 知识图谱基本理论与方法 |
| 2.1 知识图谱与本体概述 |
| 2.1.1 知识图谱 |
| 2.1.2 本体 |
| 2.1.3 二者的关系 |
| 2.2 知识图谱构建关键技术 |
| 2.2.1 语义模型构建 |
| 2.2.2 知识抽取 |
| 2.2.3 知识融合 |
| 2.2.4 知识存储 |
| 2.3 基于知识图谱的应用 |
| 2.4 本章小结 |
| 第三章 农作物病虫害知识图谱模式层构建 |
| 3.1 构建目标及流程 |
| 3.2 主要参考数据源 |
| 3.3 本体概要模型设计 |
| 3.4 农作物病虫害本体构建 |
| 3.4.1 核心类及层次结构定义 |
| 3.4.2 核心属性定义 |
| 3.4.3 本体评估 |
| 3.5 基于OWL+SKOS的形式化表示 |
| 3.6 本章小结 |
| 第四章 农作物病虫害知识图谱数据层构建 |
| 4.1 构建目标及流程 |
| 4.2 结构化知识抽取 |
| 4.3 非结构化文本知识抽取 |
| 4.3.1 命名实体识别 |
| 4.3.2 关系抽取 |
| 4.3.3 属性抽取 |
| 4.4 知识融合 |
| 4.5 知识图谱存储与查询 |
| 4.6 本章小结 |
| 第五章 知识图谱驱动的农作物病虫害知识问答 |
| 5.1 问答场景设计 |
| 5.2 总体架构设计 |
| 5.3 关键技术实现 |
| 5.3.1 问题预处理模块 |
| 5.3.2 问题分析模块 |
| 5.3.3 问题求解模块 |
| 5.4 知识问答验证 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（3）基于手绘草图识别的产品零件设计问答系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 手绘草图识别现状 |
| 1.2.2 知识图谱研究现状 |
| 1.2.3 问答系统应用 |
| 1.3 本文关注的问题及技术难点 |
| 1.4 本文工作内容和论文结构 |
| 第二章 零件手绘草图识别算法 |
| 2.1 零件识别 |
| 2.2 草图识别相关算法 |
| 2.3 本文模型 |
| 2.3.1 本文模型框架 |
| 2.3.2 算法流程 |
| 2.3.3 损失函数 |
| 2.3.4 评价指标 |
| 2.4 零件手绘草图识别实验设计 |
| 2.4.1 实验设计 |
| 2.4.2 模型构建 |
| 2.5 本章小结 |
| 第三章 零件手绘草图识别建模与结果分析 |
| 3.1 草图识别实验数据收集 |
| 3.1.1 项目简介 |
| 3.1.2 零件图片收集 |
| 3.1.3 草图绘制 |
| 3.2 草图识别模型训练 |
| 3.2.1 图像预处理 |
| 3.2.2 模型训练 |
| 3.3 草图识别结果分析与讨论 |
| 3.3.1 VGG-CapsNet识别结果 |
| 3.3.2 rVGG-13识别结果 |
| 3.3.3 rCNN-13识别结果 |
| 3.3.4 实验结果讨论 |
| 3.4 本章小结 |
| 第四章 零件知识图谱构建 |
| 4.1 知识图谱介绍 |
| 4.1.1 知识图谱定义 |
| 4.1.2 知识图谱架构 |
| 4.2 图数据库 |
| 4.3 零件知识图谱构建与存储 |
| 4.3.1 零件知识图谱构建流程 |
| 4.3.2 零件实体及关系定义 |
| 4.3.3 零件属性定义 |
| 4.3.4 零件知识图谱存储及可视化 |
| 4.4 本章小结 |
| 第五章 零件问答系统开发及应用验证 |
| 5.1 问答系统交互设计 |
| 5.1.1 目标用户 |
| 5.1.2 功能架构 |
| 5.1.3 用户流程 |
| 5.1.4 用户界面 |
| 5.2 系统原型开发 |
| 5.2.1 开发环境 |
| 5.2.2 系统架构 |
| 5.3 应用验证 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要工作和结论 |
| 6.2 不足与展望 |
| 参考文献 |
| 附录A 部分零件关系展示 |
| 攻读学位期间的研究成果 |
| 致谢 |
（4）Web前端代码生成技术研究与系统实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 传统的代码生成技术 |
| 1.2.2 基于机器学习的代码生成技术 |
| 1.3 论文主要工作 |
| 1.4 论文组织架构 |
| 1.5 本章小结 |
| 第2章 相关理论 |
| 2.1 目标检测技术 |
| 2.1.1 基本概念 |
| 2.1.2 传统的目标检测 |
| 2.1.3 基于深度学习的目标检测 |
| 2.2 循环神经网络技术 |
| 2.2.1 循环神经网络的历史 |
| 2.2.2 基本概念 |
| 2.2.3 循环神经网络的优化算法 |
| 2.3 本章小结 |
| 第3章 基于目标检测的WEB UI组件识别 |
| 3.1 引言 |
| 3.2 技术背景 |
| 3.2.1 卷积神经网络 |
| 3.2.2 Faster R-CNN |
| 3.3 基于FASTER R-CNN的WEB UI组件识别 |
| 3.3.1 Web UI库对比 |
| 3.3.2 数据收集算法 |
| 3.3.3 Web UI组件识别 |
| 3.4 实验评估 |
| 3.4.1 实验设置 |
| 3.4.2 数据集 |
| 3.4.3 评估度量 |
| 3.4.4 超参数设置与训练细节 |
| 3.4.5 实验结果分析与讨论 |
| 3.5 有效性威胁分析 |
| 3.6 本章小结 |
| 第4章 基于循环神经网络的WEB UI组件代码生成 |
| 4.1 引言 |
| 4.2 技术背景 |
| 4.2.1 Emmet |
| 4.2.2 图像到文本的生成 |
| 4.3 WEB UI组件代码生成 |
| 4.3.1 HTML代码转换成emmet代码 |
| 4.3.2 Web UI组件代码生成 |
| 4.4 实验评估 |
| 4.4.1 实验设置 |
| 4.4.2 数据集 |
| 4.4.3 评估度量 |
| 4.4.4 超参数设置与训练细节 |
| 4.4.5 实验结果分析与讨论 |
| 4.5 有效性威胁分析 |
| 4.6 本章小结 |
| 第5章 WEB前端代码生成的系统设计与实现 |
| 5.1 需求分析 |
| 5.1.1 应用需求分析 |
| 5.1.2 用户需求分析 |
| 5.1.3 功能需求分析 |
| 5.2 系统设计 |
| 5.2.1 系统管理模块 |
| 5.2.2 Web UI组件识别模块 |
| 5.2.3 Web UI组件代码生成模块 |
| 5.3 系统实现 |
| 5.3.1 开发及运行环境 |
| 5.3.2 功能模块实现 |
| 5.4 系统预览 |
| 5.4.1 系统管理模块 |
| 5.4.2 Web UI组件识别模块 |
| 5.4.3 Web UI组件代码生成模块 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）电网输变电设备故障问答系统的设计和实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外的研究现状 |
| 1.3 论文研究内容 |
| 1.4 本论文的组织结构 |
| 第二章 相关技术介绍 |
| 2.1 分布式词向量 |
| 2.2 图卷积神经网络 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积层 |
| 2.3.2 激活层 |
| 2.3.3 池化层 |
| 2.4 注意力机制 |
| 2.4.1 基础注意力 |
| 2.4.2 自注意力 |
| 2.4.3 分层注意力 |
| 2.5 长短期记忆神经网络 |
| 2.6 本章小结 |
| 第三章 电网输变电设备故障问答原型系统的需求分析 |
| 3.1 |
| 3.1.1 现有问题分析 |
| 3.1.2 系统设计目的 |
| 3.1.3 场景分析 |
| 3.2 功能性需求分析 |
| 3.2.1 系统功能分析 |
| 3.2.2 关键技术分析 |
| 3.3 非功能性需求分析 |
| 3.4 本章小结 |
| 第四章 基于多级语义交互的文本匹配算法的设计 |
| 4.1 模型概述 |
| 4.2 词嵌入层 |
| 4.3 增强残差连接 |
| 4.4 编码层 |
| 4.5 词级交互层 |
| 4.6 信息融合层 |
| 4.7 句级交互层 |
| 4.8 预测层 |
| 4.9 损失函数 |
| 4.10 实验设置 |
| 4.10.1 实验数据 |
| 4.10.2 参数设置 |
| 4.11 实验结果及分析 |
| 4.11.1 对比实验分析 |
| 4.11.2 与BERT的实验对比 |
| 4.11.3 参数敏感度分析 |
| 4.11.4 消融实验分析 |
| 4.12 本章小结 |
| 第五章 基于图卷积词向量的文本分类算法的设计 |
| 5.1 模型概述 |
| 5.2 图卷积词嵌入层 |
| 5.3 LSTM编码层 |
| 5.4 CNN编码层 |
| 5.5 基于注意力的语义融合层 |
| 5.6 预测层 |
| 5.7 损失函数 |
| 5.8 实验设置 |
| 5.8.1 实验数据 |
| 5.8.2 实验环境 |
| 5.8.3 评价指标 |
| 5.8.4 对比模型 |
| 5.8.5 参数设置 |
| 5.9 实验结果及分析 |
| 5.9.1 对比实验分析 |
| 5.9.2 消融实验分析 |
| 5.9.3 训练样本数量对实验结果的影响 |
| 5.10 本章小结 |
| 第六章 电网输变电设备故障问答原型系统的设计和实现 |
| 6.1 系统概要设计 |
| 6.1.1 总体框架设计 |
| 6.1.2 功能模块划分 |
| 6.2 系统功能模块设计与实现 |
| 6.2.1 系统关键流程 |
| 6.2.2 数据采集模块 |
| 6.2.3 数据预处理模块 |
| 6.2.4 故障分类模块 |
| 6.2.5 故障问答模块 |
| 6.2.6 可视化模块 |
| 6.3 数据库设计与实现 |
| 6.4 系统测试与分析 |
| 6.4.1 系统部署 |
| 6.4.2 系统数据概况 |
| 6.4.3 系统算法实验 |
| 6.4.4 系统功能性测试 |
| 6.4.5 系统非功能性测试 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（6）任务型客服对话系统的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 本文的研究内容 |
| 1.4 本文的组织架构 |
| 第二章 相关技术分析 |
| 2.1 自然语言理解 |
| 2.2 对话状态追踪 |
| 2.3 对话策略 |
| 2.4 自然语言生成 |
| 2.5 本章小结 |
| 第三章 对话状态追踪数据集构建 |
| 3.1 制作数据集相关的概念 |
| 3.1.1 高质量的数据集定义 |
| 3.1.2 制作数据集的工具 |
| 3.1.3 数据与标签来源 |
| 3.1.4 保持合适的预处理 |
| 3.1.5 及早验证数据集的可用性 |
| 3.2 现有数据集存在的问题 |
| 3.3 数据集的制作过程 |
| 3.4 实验与分析 |
| 3.4.1 自然语言理解 |
| 3.4.2 对话状态追踪 |
| 3.4.3 对话策略管理 |
| 3.4.4 自然语言生成 |
| 3.5 本章小结 |
| 第四章 对话状态追踪和对话策略联合学习 |
| 4.1 强化学习 |
| 4.2 深度Q网络 |
| 4.3 深度循环Q网络 |
| 4.4 端到端模型 |
| 4.4.1 与DST标签结合 |
| 4.4.2 实现细节 |
| 4.5 实验与分析 |
| 4.5.1 模拟器构造 |
| 4.5.2 训练细节 |
| 4.5.3 对话策略分析 |
| 4.6 本章小结 |
| 第五章 对话系统原型设计与实现 |
| 5.1 系统设计 |
| 5.1.1 架构设计 |
| 5.1.2 对话匹配算法设计 |
| 5.2 系统实现 |
| 5.2.1 前端实现 |
| 5.2.2 后端实现 |
| 5.2.3 机器学习服务的实现 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间的研究成果目录 |
| 致谢 |
（7）面向知识问答社区的专家推荐机制与答案摘要算法的研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究内容 |
| 1.3 本文组织结构 |
| 第二章 相关研究工作 |
| 2.1 基本理论 |
| 2.1.1 文本语义分析模型 |
| 2.1.2 循环神经网络及其变种 |
| 2.1.3 词向量技术 |
| 2.1.4 注意力机制 |
| 2.2 专家推荐技术 |
| 2.2.1 概述 |
| 2.2.2 专家推荐相关算法 |
| 2.3 文本自动摘要技术 |
| 2.3.1 概述 |
| 2.3.2 文本自动摘要相关算法 |
| 2.4 本章小结 |
| 第三章 面向知识问答社区的专家推荐机制 |
| 3.1 引言 |
| 3.2 专家推荐机制 |
| 3.2.1 专家推荐机制的流程 |
| 3.2.2 构建用户问答关系有向图 |
| 3.2.3 深度结构化语义模型 |
| 3.2.4 TSAR算法原理 |
| 3.3 实验与性能分析 |
| 3.3.1 实验数据集 |
| 3.3.2 评价指标 |
| 3.3.3 实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于多层注意力机制的答案摘要研究 |
| 4.1 问题定义 |
| 4.2 模型 |
| 4.2.1 原理 |
| 4.2.2 编码器 |
| 4.2.3 解码器 |
| 4.3 实验验证与性能分析 |
| 4.3.1 实验数据集 |
| 4.3.2 评价指标 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 原型系统的设计与实现 |
| 5.1 系统设计的背景 |
| 5.2 系统的设计 |
| 5.2.1 系统需求分析 |
| 5.2.2 系统数据库设计 |
| 5.2.3 系统架构设计 |
| 5.2.4 系统运行流程 |
| 5.3 模块分析 |
| 5.4 系统实现 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间申请的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 附录3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（8）JavaScript恶意代码检测相关技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 课题来源 |
| 1.4 研究内容 |
| 1.5 论文结构 |
| 第二章 相关背景知识介绍 |
| 2.1 WEB安全基础理论 |
| 2.1.1 WEB应用概念 |
| 2.1.2 WEB应用安全 |
| 2.2 Java Script语言概述 |
| 2.2.1 Java Script语言特性 |
| 2.2.2 Java Script嵌入页面的方式 |
| 2.3 Java Script攻击方式 |
| 2.3.1 XSS注入式攻击 |
| 2.3.2 URL重定向 |
| 2.3.3 Java Script挟持 |
| 2.3.4 Java Script代码混淆 |
| 2.4 本章小结 |
| 第三章 TF-NIDF 特征提取算法 |
| 3.1 传统Java Script特征提取不足 |
| 3.2 增加特征提取的数量 |
| 3.3 传统TF-IDF算法及改进 |
| 3.3.1 传统TF-IDF算法简介及其不足 |
| 3.3.2 改进后的TF-NIDF算法 |
| 3.4 Java Script初步样本处理模块 |
| 3.4.1 Java Script脚本提取模块 |
| 3.4.2 Java Script脚本特征处理模块 |
| 3.5 仿真实验 |
| 3.5.1 仿真环境与实验数据 |
| 3.5.2 评价指标 |
| 3.5.3 实验方法与结果分析 |
| 3.6 本章小结 |
| 第四章 基于MMV算法的脚本过滤模块 |
| 4.1 问题分析 |
| 4.2 V-detecctor算法及其不足 |
| 4.3 改进后的MMV-detector算法 |
| 4.4 MMV脚本过滤模块 |
| 4.5 仿真实验 |
| 4.5.1 仿真环境与实验数据 |
| 4.5.2 实验方法与评价指标 |
| 4.5.3 结果分析 |
| 4.6 本章小结 |
| 第五章 ASVM分类算法 |
| 5.1 常见分类算法及对比 |
| 5.1.1 NB 朴素贝叶斯分类算法 |
| 5.1.2 神经网络 NNS |
| 5.1.3 DT 决策树分类算法 |
| 5.1.4 K 最近邻近邻算法 |
| 5.1.5 SVM简介 |
| 5.2 分类算法选择 |
| 5.2.1 对比实验与实验数据 |
| 5.2.2 结果分析 |
| 5.3 传统的主动学习SVM |
| 5.3.1 监督学习SVM及不足 |
| 5.3.2 传统的主动学习及其不足 |
| 5.4 改进后的主动学习策略VASVM |
| 5.4.1 定义价值度量 |
| 5.4.2 样本集平衡度调整 |
| 5.4.3 ASVM算法结构 |
| 5.5 仿真实验 |
| 5.5.1 实验数据与实验方法 |
| 5.5.2 结果分析 |
| 5.6 本章小结 |
| 第六章 Java Script恶意脚本检测系统实现 |
| 6.1 原型系统结构 |
| 6.2 系统功能实现 |
| 6.2.1 catch JS脚本抓取界面 |
| 6.2.2 特征提取界面 |
| 6.2.3 脚本过滤界面 |
| 6.2.4 分类模型训练生成界面 |
| 6.2.5 分类模型分类检测界面 |
| 6.3 仿真实验 |
| 6.3.1 实验方法与实验数据 |
| 6.3.2 结果分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 附录 1 攻读硕士学位期间撰写的论文 |
| 附录 2 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（9）同伴对话反馈策略促进大学生深度学习的理论与实践研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 传统高校教学中的浅表互动问题 |
| 1.1.2 高等教育开展深度学习的必要性和重要性 |
| 1.1.3 同伴对话反馈作为高校深度学习促进策略的可能性 |
| 1.2 研究目的与问题 |
| 1.3 研究意义 |
| 1.3.1 理论意义 |
| 1.3.2 实践意义 |
| 1.4 研究方法 |
| 1.4.1 单组前后测实验法 |
| 1.4.2 个案研究法 |
| 1.4.3 内容分析法 |
| 1.5 核心概念界定 |
| 1.5.1 深度学习 |
| 1.5.2 同伴对话反馈 |
| 1.5.3 同伴对话反馈策略 |
| 1.5.4 基础在线讨论工具 |
| 1.5.5 增强在线讨论工具 |
| 1.5.6 可视化增强在线讨论工具 |
| 1.6 研究思路 |
| 1.6.1 研究技术路线 |
| 1.6.2 实验设计及策略干预教学方案 |
| 1.7 本章小结 |
| 2 文献综述 |
| 2.1 深度学习的内涵与评价研究 |
| 2.1.1 深度学习的内涵辨析 |
| 2.1.2 面向过程的深度学习评价 |
| 2.1.3 面向结果的深度学习评价 |
| 2.1.4 已有研究总结与启示 |
| 2.2 深度学习的促进机制、策略及效果研究 |
| 2.2.1 深度学习常见的促进机制 |
| 2.2.2 关注个体学习参与的深度学习促进策略及效果 |
| 2.2.3 关注个体深化理解的深度学习促进策略及效果 |
| 2.2.4 关注同伴合作学习的深度学习促进策略及效果 |
| 2.2.5 关注同伴交互反馈的深度学习促进策略及效果 |
| 2.2.6 已有研究总结与启示 |
| 2.3 同伴对话反馈的策略、效果及分析框架研究 |
| 2.3.1 基于面对面口头讨论的同伴对话反馈策略及效果 |
| 2.3.2 基于在线讨论工具的同伴对话反馈策略及效果 |
| 2.3.3 同伴对话反馈的典型分析框架 |
| 2.3.4 已有研究总结与启示 |
| 2.4 本章小结 |
| 3 同伴对话反馈策略促进深度学习的理论框架构建 |
| 3.1 同伴对话反馈策略促进深度学习的理论基础 |
| 3.1.1 社会建构主义 |
| 3.1.2 联通主义 |
| 3.1.3 ICAP深度学习框架 |
| 3.2 同伴对话反馈策略促进深度学习的理论框架构建依据 |
| 3.2.1 基于SAL学习方法理论的深度学习影响因素3P模型 |
| 3.2.2 反馈干预促进深度学习的交互机制 |
| 3.2.3 DELC深度学习环路 |
| 3.3 同伴对话反馈策略促进深度学习的理论框架构建及内容 |
| 3.4 本章小结 |
| 4 基于基础在线讨论工具的组内同伴对话反馈策略实践研究 |
| 4.1 研究设计与实施 |
| 4.1.1 课程的介绍 |
| 4.1.2 课程平台的建设 |
| 4.1.3 同伴对话反馈活动的设计 |
| 4.1.4 研究的实施过程 |
| 4.2 数据收集与分析 |
| 4.2.1 学习方法前后测数据分析与预处理 |
| 4.2.2 认知层次前后测数据分析与预处理 |
| 4.2.3 学生Moodle讨论区交互内容数据分析与预处理 |
| 4.2.4 学生课程体验反馈数据分析与预处理 |
| 4.3 研究结果与发现 |
| 4.3.1 组内同伴对话反馈对学生整体学习方法和认知层次的影响 |
| 4.3.2 组内同伴对话反馈对不同学生学习方法和认知层次的影响 |
| 4.3.3 不同学习类型学生的同伴对话反馈参与度差异分析 |
| 4.3.4 学生课程体验反馈总结与教学反思 |
| 4.4 研究讨论与结论 |
| 4.4.1 主要结果讨论 |
| 4.4.2 结论与启示 |
| 4.5 本章小结 |
| 5 基于增强在线讨论工具的班级同伴对话反馈策略实践研究 |
| 5.1 研究设计与实施 |
| 5.1.1 课程的介绍 |
| 5.1.2 课程平台的建设 |
| 5.1.3 同伴对话反馈活动的设计 |
| 5.1.4 研究的实施过程 |
| 5.2 数据收集与分析 |
| 5.2.1 学习方法前后测数据分析与预处理 |
| 5.2.2 学生的提问数据分析与预处理 |
| 5.2.3 学生Padlet交互内容数据分析与预处理 |
| 5.2.4 学生课程体验反馈数据分析与预处理 |
| 5.3 研究结果与发现 |
| 5.3.1 班级同伴对话反馈对学生学习方法的影响 |
| 5.3.2 班级同伴对话反馈对学生提问认知层次的影响 |
| 5.3.3 学生班级同伴对话反馈行为与其深度学习促进效果的关联 |
| 5.3.4 学生课程体验反馈总结与教学反思 |
| 5.4 研究讨论与结论 |
| 5.4.1 主要结果讨论 |
| 5.4.2 结论与启示 |
| 5.5 本章小结 |
| 6 基于基础和可视化增强在线讨论工具的混合同伴对话反馈策略实践研究 |
| 6.1 研究设计与实施 |
| 6.1.1 课程的介绍 |
| 6.1.2 课程平台的建设 |
| 6.1.3 同伴对话反馈活动的设计 |
| 6.1.4 研究的实施过程 |
| 6.2 数据收集与分析 |
| 6.2.1 学习方法前后测数据分析与预处理 |
| 6.2.2 学生Tronclass讨论区与会议桌交互内容数据分析与预处理 |
| 6.2.3 小组协作成果数据分析与预处理 |
| 6.2.4 学生反思报告数据分析与预处理 |
| 6.2.5 学生课程体验反馈数据分析与预处理 |
| 6.3 研究结果与发现 |
| 6.3.1 混合同伴对话反馈对学生学习方法的影响 |
| 6.3.2 学生个体在不同层面的同伴对话反馈行为表现 |
| 6.3.3 小组同伴对话反馈行为对其协作成果认知层次的影响 |
| 6.3.4 学生深度学习机制的触发情况 |
| 6.3.5 学生课程体验反馈总结与教学反思 |
| 6.4 研究讨论与结论 |
| 6.4.1 主要结果讨论 |
| 6.4.2 结论与启示 |
| 6.5 本章小结 |
| 7 研究总结与展望 |
| 7.1 研究总结与结论 |
| 7.2 启示与建议 |
| 7.3 创新点 |
| 7.4 不足与展望 |
| 参考文献 |
| 中文文献 |
| 英文文献 |
| 附录 |
| 附件1 ASSIST学习方法倾向测量问卷(缩减版) |
| 附件2 ASSIST(缩减版)评分规则 |
| 附件3 研究一的学生主观题测试 |
| 附件4 研究三的学生反思提纲 |
| 附件5 研究三的小组协作作品 |
| 附件6 研究三的学生同伴对话反馈内容实例 |
| 作者简历 |
（10）互联网网络配置正确性检测与错误定位研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号对照表 |
| 第1章 引言 |
| 1.1 研究背景和意义 |
| 1.2 作者的主要研究工作 |
| 1.3 论文的主要贡献 |
| 1.4 论文的组织 |
| 第2章 相关研究综述 |
| 2.1 引言 |
| 2.2 软件定义网络概述 |
| 2.3 集中式控制平面验证及故障诊断研究 |
| 2.3.1 SDN网络控制平面验证研究 |
| 2.3.2 SDN网络可达性故障诊断研究 |
| 2.4 分布式网络控制平面中配置验证及错误配置定位研究 |
| 2.4.1 分布式网络控制平面中配置验证的研究 |
| 2.4.2 分布式网络控制平面中错误配置的定位研究 |
| 2.5 小结 |
| 第3章 SDN中多项配置共存正确性的检测研究 |
| 3.1 引言 |
| 3.2 多项配置冲突案例分析 |
| 3.3 检测方案的整体设计 |
| 3.4 配置程序的符号执行 |
| 3.4.1 网络系统的描述 |
| 3.4.2 输入消息的符号化处理 |
| 3.5 多项配置间冲突的检测 |
| 3.5.1 路径约束的求解 |
| 3.5.2 合成规则的生成 |
| 3.5.3 冲突的识别 |
| 3.6 实验 |
| 3.6.1 实现 |
| 3.6.2 案例评估 |
| 3.6.3 性能评估 |
| 3.7 本章小结 |
| 第4章 SDN中可达性故障的根因定位研究 |
| 4.1 引言 |
| 4.2 可达性故障案例分析 |
| 4.3 网络起源图模型 |
| 4.3.1 网络系统的描述 |
| 4.3.2 网络起源图的构建 |
| 4.4 可达性故障的根因定位 |
| 4.4.1 参考事件的确定 |
| 4.4.2 基于网络起源图的定位分析 |
| 4.5 实验 |
| 4.5.1 实现 |
| 4.5.2 案例评估 |
| 4.5.3 性能评估 |
| 4.6 小结 |
| 第5章 网络配置更新正确性的检测研究 |
| 5.1 引言 |
| 5.2 网络配置更新案例分析 |
| 5.3 网络模型 |
| 5.3.1 网络实例 |
| 5.3.2 控制平面转移函数 |
| 5.4 受影响网络实例集的推导 |
| 5.4.1 配置更新与网络实例 |
| 5.4.2 受影响网络实例集的计算 |
| 5.5 受影响网络实例集的缩减 |
| 5.5.1 子网络实例 |
| 5.5.2 抽象网络实例 |
| 5.5.3 网络实例的等价性判断 |
| 5.6 实验 |
| 5.6.1 实现 |
| 5.6.2 案例评估 |
| 5.6.3 性能评估 |
| 5.7 本章小节 |
| 第6章 网络配置更新错误的定位研究 |
| 6.1 引言 |
| 6.2 网络更新差错案例分析 |
| 6.3 更新意图的描述与检查 |
| 6.3.1 更新意图的描述 |
| 6.3.2 更新意图的检查 |
| 6.4 基于仿真结果的错误配置的定位 |
| 6.4.1 转发相关的错误配置定位 |
| 6.4.2 路由相关的错误配置定位 |
| 6.5 实验 |
| 6.5.1 实现 |
| 6.5.2 案例评估 |
| 6.5.3 性能评估 |
| 6.6 本章小结 |
| 第7章 总结和展望 |
| 7.1 本文总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
四、AskTheWeb——一个基于Web的问题回答原型系统（论文参考文献）
- [1]基于知识图谱的作物病虫害智能问答系统设计与实现[D]. 吴赛赛. 中国农业科学院, 2021(09)
- [2]农作物病虫害知识图谱构建研究[D]. 李悦. 中国农业科学院, 2021(09)
- [3]基于手绘草图识别的产品零件设计问答系统研究[D]. 黄瑞红. 东华大学, 2021(01)
- [4]Web前端代码生成技术研究与系统实现[D]. 徐勇. 扬州大学, 2021(08)
- [5]电网输变电设备故障问答系统的设计和实现[D]. 孙晟. 北京邮电大学, 2021(01)
- [6]任务型客服对话系统的研究与实现[D]. 黄巍. 东华大学, 2021(09)
- [7]面向知识问答社区的专家推荐机制与答案摘要算法的研究[D]. 宋建. 南京邮电大学, 2020(02)
- [8]JavaScript恶意代码检测相关技术研究[D]. 管衡. 南京邮电大学, 2020(03)
- [9]同伴对话反馈策略促进大学生深度学习的理论与实践研究[D]. 姚佳佳. 浙江大学, 2020(04)
- [10]互联网网络配置正确性检测与错误定位研究[D]. 李亚慧. 清华大学, 2020(01)