一、结构化分析方法与面向对象分析方法(论文文献综述)
刘智,董世都,张金荣,张宜浩[1](2021)在《结构化与面向对象分析设计方法研究》文中研究表明针对系统分析与设计综合性、实践性强的特点,文章以学生熟悉的图书馆管理系统为对象,采用案例分析和横纵向对比分析方法,梳理结构化与面向对象分析设计方法之间的本质与差异,分析它们之间的不同思想和建模实践,从而加深初学者对系统分析和设计方法的理解,进而提升学生系统建模的理论水平和针对实际项目的分析设计能力。
刘昭阁[2](2021)在《城市公共安全的基层社会大数据治理分析方法》文中研究表明
邓晶艳[3](2021)在《基于大数据的大学生日常思想政治教育创新研究》文中研究指明中国特色社会主义进入新时代,标定了大学生日常思想政治教育的新方位。面对新时代提出的新任务与新要求,大学生日常思想政治教育要不断探索新思路、新路径与新方法,进一步增强工作的针对性与实效性,以满足大学生成长成才需求以及党和国家事业发展需要。当前,随着移动互联网、物联网、云计算、人工智能等为代表的新一代网络信息技术的迅猛发展、全面集成与广泛应用,人类逐步迈入大规模数据挖掘、运用与创新的“大数据时代”。在此时代背景下,如何运用新媒体、新技术加强和创新高校思想政治教育工作,使之富有时代性、增强针对性、彰显实效性,是新时期高校面临的一个重要而现实的课题。作为当代信息技术发展的前沿,大数据广域的信息资源、先进的信息处理技术以及全新的思维范式,为大学生日常思想政治教育带来了即时性、精准性、前瞻性与个性化等创新发展的新动力与新空间。将大数据思维、技术与方法全方位嵌入大学生日常思想政治教育各要素、各环节与全过程,促进大学生日常思想政治教育革新思维、优化供给、改进方法、重构范式,建构科学化、数字化与智能化的大学生日常思想政治教育体系,推进大学生日常思想政治教育向“精准思政”“智慧思政”转型升级,是大学生日常思想政治教育顺应时代发展的现实需要,也是其进一步提质增效、焕发新机的重要生长点与强劲推动力。阐释大数据内涵、价值、特征与功能,阐释大学生日常思想政治教育内涵并且辨析其与大学生思想政治理论教育的关系,有利于进一步探讨两者的深度融合。基于此,大学生日常思想政治教育大数据概念得以提出。从大学生日常思想政治教育大数据资源、大学生日常思想政治教育大数据技术、大学生日常思想政治教育大数据思维三个维度全面阐述大学生日常思想政治教育大数据的内涵与外延,同时运用马克思主义哲学基本原理和方法论论析大学生日常思想政治教育大数据的生成逻辑、发展动因、方法论基础与价值取向,可以明确大数据与大学生日常思想政治教育需求的契合点,理清大数据对大学生日常思想政治教育的作用机理。面对新时代提出的新任务与新要求,大学生日常思想政治教育仍然面临一些困境、存在一些短板和弱环。运用文献资料法、大数据文本挖掘方法与访谈调研法审视大学生日常思想政治教育现状,总结当前大学生日常思想政治教育存在的问题与困境并作原因剖析,同时探讨新时代大学生日常思想政治教育新要求,指出新时代大学生日常思想政治教育面临的新课题以及新时代大学生日常思想政治教育的指导思想与原则、教育内容体系以及教育工作的主体转型,有利于为新时期大学生日常思想政治教育发展创新提供现实依据。通过分析大数据在大学生日常思想政治教育中应用的技术优势以及可能性,进一步探讨大数据在大学生日常思想政治教育中“精准画像”“规律探寻”与“超前感知”三个应用呈现。以之为基础,基于当前大学生日常思想政治教育存在的理念滞后、模式粗放、知行脱节、供需错位等难题,提出利用大数据推进大学生日常思想政治教育由线性思维向系统思维、由普适教育向个性化培育、由认知培育向实践养成、由需求侧适应向供给侧发力四大发展转向并详细阐述四大发展转向的实现路径。基于大数据推进大学生日常思想政治教育不仅要遵循学科规律、注重理论深化,还要坚持实践导向,致力推动大数据应用,促进理论与实践的双向转化。由之,宏观上,探索大学生日常思想政治教育大数据的数据采集、数据预处理与存储、数据挖掘与分析、数据应用与可视化、数据解释与反馈五大工作模块与应用流程;微观上,对大数据在大学生日常思想政治教育典型场域中的“数据画像”“精准资助”“失联告警”三个应用进行数据模型构建,从而为大学生日常思想政治教育利用大数据提供切实可行的实现路径。大数据为大学生日常思想政治教育创新发展带来了前所未有的机遇,然而,当前大学生日常思想政治教育利用大数据还存在观念性、路径性与机制性瓶颈,同时,大数据是一柄双刃剑,对数据的不当应用会带来诸如“数据垄断”“数据滥用”“数据侵害”“数据冰冷”等一些可能的风险与挑战。高校尚须在思维理念、技术开发、政策支持、制度完善、机制建设、校园环境建设等方面对大数据应用作出回应与调试。不仅如此,在基于大数据创新大学生日常思想政治教育过程中,高校要注重发挥教育工作者的主体性与能动性,始终坚持数字技术与人文精神、数据智能与教育智慧相结合。
李茵[4](2021)在《面向医院管理的数据驱动决策研究》文中进行了进一步梳理信息技术的快速发展与应用以及大数据战略的深入实施,使得大数据成为科技创新引领与决策支撑的重要战略资源,科学研究与实践正在完成“假设驱动”到“数据驱动”的巨大转变,大数据的深度挖掘与利用能够为社会发展、政府治理、国家安全等提供新的动能。围绕国家大数据战略,丰富和拓展大数据应用创新领域,推动管理升级,给学术界、产业界以及政府部门带来许多新的重要课题。其中面向健康服务供给侧的决策支持、决策引导和决策创新中的数据驱动、数据价值转换问题即是管理学、数据科学的核心科学问题之一,更是情报学应对大数据环境开展智慧型情报服务必须解决的关键问题之一。健康医疗大数据时代的到来,促使医院管理和医院管理者的观念都随之变化。数据驱动对医院精细化、智慧化管理决策具有重要意义。本研究从提升医疗管理决策质量的角度出发,构建数据驱动医院管理决策过程模型,分析数据驱动医院管理决策的影响因素,进而提出面向医院管理的数据驱动决策模型,并展开实证研究,为数据驱动决策领域的研究理论基础和实证研究提供参考依据,为促进医院精细化管理提供对策及建议。基于此,通过界定“数据驱动”、“医院管理”、“医院管理评价”与“数据驱动决策”等相关概念,以回顾数据驱动决策、面向医疗健康领域的数据驱动决策、面向医院管理的数据驱动决策以及数据驱动决策的影响因素研究现状为基础,综合运用文献调研法、半结构访谈法、问卷调查法、扎根理论法、结构方程法、统计分析法、机器学习法分析了面向医院管理的数据驱动决策的过程模型和影响因素模型,并构建了面向医院管理的数据驱动决策模型。围绕面向医院管理的数据驱动决策模型这一核心研究内容,本文第三章在已有BASM模型研究过程的基础上,结合医院管理决策场景的特殊性,探索面向医院管理的数据驱动决策的运行机理,构建面向医院管理的数据驱动决策过程模型,以梳理驱动的路径,理清其中的内在逻辑。该模型由处理过程模型及支持过程模型两部分构成,旨在分别回答面向医院管理的数据驱动决策过程中两个核心问题,一是数据本身如何转化并如何嵌入到医院管理决策过程中,二是医院中能够支持并且推动数据驱动决策的途径是什么。第四章采用扎根理论进行了面向医疗管理领域数据驱动决策的影响因素识别研究,编码面向医院管理者的半结构化访谈资料,经过饱和度测试,最终识别出了四个维度的影响因素。第五章在对影响因素定性研究的基础上利用结构方程模型方法进一步验证影响因素,探讨相关变量的权重和关系。阐述各个因素对医院管理决策的影响关系,验证数据驱动医院管理决策影响因素模型。第六章整合数据驱动医院管理决策过程模型和影响因素模型,构建支持医院管理决策全过程的数据驱动决策模型,探讨过程模型与影响因素模型的内在联系。第七章根据已构建的面向医院管理的数据驱动决策模型,进行基于DRGs分组的医疗服务能力评价和医生绩效评价管理工作的实证研究,修正和完善已构建的模型。具体内容如下:(1)构建面向医院管理的数据驱动决策过程模型。基于现有的数据驱动决策机制模型,结合医院管理实践,构建面向医院管理的数据驱动决策过程模型,该模型由处理过程模型及支持过程模型两部分构成,处理过程模型包括面向医院管理决策的数据处理过程和数据驱动的医院管理决策处理过程。决策处理过程既是数据处理过程的最后阶段,对数据处理的结果进行展示与应用,又会不断地产生新的数据,前推已有数据的老化和错误,补充和修正数据处理过程。而数据处理过程以决策处理过程中的阶段性需求为导向,能嵌入到决策处理过程的所有阶段,为决策处理的全流程服务。支持过程模型主要涉及两用户一技术。两用户包括数据分析人员和管理者,使能技术是创建和改进能够嵌入到操作系统的分析工具,这三个主体不能割裂独立,而可以互相转化并可能同时存在,共同对数据和决策进行处理,支持处理过程模型运转。(2)系统分析了面向医院管理的数据驱动决策影响因素。对主观及客观上影响管理者数据驱动决策的因素进行整合和相关分析,确定四个核心影响因素范畴分别是医疗数据质量,信息技术,医院组织管理和管理者信息素养,构建了影响因素模型,发现数据驱动医院管理决策能受到管理者信息素养、医院组织管理和信息技术的正向影响,其中管理者信息素养最强,其次是医院组织管理和信息技术;医院组织管理对医疗数据质量、管理者信息素养、决策目标均有影响,对医疗数据质量的影响要强于管理者信息素养;医疗数据质量能够对信息技术产生正向影响;信息技术对决策目标具有正向影响。(3)构建了面向医院管理的数据驱动决策模型。将过程模型与影响因素模型有机结合在一起,构成了面向医院管理的数据驱动决策模型。打造数据驱动决策模型,将医院数据质量标准化管理贯穿于医院管理全流程、智能化管理提升医务人员的信息技术、高效化管理增效医院组织三个方面分析模型的实现,提出模型优化建议。(4)基于DRGs的肺癌医疗服务绩效分析实证研究。模拟医院管理中运用DRGs分组工具解决绩效问题的真实场景,应用数据驱动医院管理决策模型,优化DRGs分组,优化绩效管理。研究最终确定性别、年龄、入院途径、离院方式、住院次数、医保付费方式、是否手术、合并症严重情况八个因素为影响肺癌医疗服务费用的因素,构建了8个DRGs分组,其中合并症严重程度、是否手术、住院次数是决策树分组的分类结点变量。选用医疗服务能力的指标(DRGs总权重、CMI)根据获取的数据进行比较,完成绩效评价工作,实现基于数据驱动决策的绩效管理。
李娇[5](2021)在《基于知识图谱的科研综述生成研究》文中研究说明开放科学背景下,科技论文等文献资源的爆炸式增长大大超过人工处理的极限,使得研究人员在合理时间内准确获取研究专题相关信息变得愈加困难,为解决这一文献获取困境,科研综述研究已成为近年来学术界普遍关注的热点问题。现有的科研综述生成研究主要有面向文档数据的文本自动综述和基于文献数据的图表综述生成,受限于自然语言处理等文本计算技术水平的发展,存在数据资源处理规模有限、质量不稳定、知识挖掘深度不够、展示形态单一等问题,距离人工效果仍有一定差距,急需寻求新的技术路径。随着计算技术的发展及科研用户需求的提升,广义的综述在核心方法和展示形式上正在朝多元化发展。知识图谱作为学术大数据时代新的数据基础设施及知识组织形式,其语义规范性和链接思想可将原本非结构、无关联的粗糙数据逐步提炼为结构化、强关联的高质知识,可支持科技文献结构与主题信息的多角度组织与揭示,在数据分析与挖掘方面表现出极大的应用价值。本文以面向科技文献资源和专题知识的科研知识图谱为重要技术支撑,探索研究基于知识图谱的科研综述实现过程中的若干实用性科学问题,主要研究内容及成果包括如下几个方面:(1)设计了深度融合科技文献与专题数据的科研本体数据模型,支撑多源数据的融合组织。针对现有学术资源语义描述模型中文献与主题关联过于简单且主题类数据模型缺乏层次结构的问题,本文结合专题数据中术语、概念等的逻辑表达特征设计了主题数据模型,并基于文献结构特征和主题语义元素之间的语义连通路径设计了融合主题、科技文献资源、科研活动主体的多维语义描述关联模型,为科研知识图谱的构建提供语义基础。(2)研制了面向科技文献与专题数据的科研知识图谱构建方案与工具,实现多源语料的知识抽取与融合管理。设计了涵盖实体消歧、文献重要度计算、文献资源主题标引、摘要语步识别等算法模型的数据加工方法,基于开源ETL框架构建面向多源异构语料数据的图数据生成、更新、管理工具,形成以RDF图数据模型为主的知识图谱构建方法,工具功能的全面性及一站式操作特点在相关技术领域具有一定的创新性和较强的应用价值。(3)集成应用了跨数据模型的知识图谱映射存储机制及基于知识图谱的点边关系计算,实现科研知识图谱的高效存储管理与应用支撑。基于知识图谱数据的RDF图数据和属性图数据映射关系设计支持多层子类的索引策略,制定科研知识图谱数据存储管理方法及基于图算法的接口支撑策略,实现面向查询的语义解析与实例匹配、基于子图结构的实体及关系聚类等关键技术,为科研综述的实现奠定数据流逻辑。(4)构建了基于知识图谱的科研综述原型系统,实现面向查询的结构化聚合知识展示。研究设计基于知识图谱的科研综述系统的体系架构和功能模块,支持面向主题词查询的专题知识及文献聚类、重要文献发展脉络、热点主题演化分析、高影响力专家推荐多种应用场景,实现多维度、结构化科研综述的验证,并结合知识图谱和POI自动生成可阅览下载的科研综述文档。与现有典型综述系统的对比分析显示,结合知识图谱的图结构特性的科研综述系统在数据处理规模、操作灵活性及展示形式上均有所创新和突破。
陈秋瑾[6](2021)在《基于微服务架构与知识图谱技术构建无人机知识库系统》文中研究表明近年来,随着无人机技术的飞速发展以及逐年上涨的市场需求,无人机在各领域得到广泛应用且发挥着重要作用。随着“互联网+”时代的到来以及大数据技术的迅速发展,互联网中信息数据呈现指数增长趋势,如何在信息爆炸的时代获取所需的有效信息成为亟待解决的问题。本文采用B/S服务器模式,以分布式微服务架构为基础,基于分布式及增量式爬虫技术获取互联网中与无人机等应用领域相关的海量数据,采用自然语言处理、知识图谱、机器学习等算法从海量的非结构化文本数据中提取挖掘隐含及潜在价值知识,并利用Echarts组件及知识图谱等算法进行可视化分析,最后形成定制化的无人机知识库。主要研究内容如下:(1)知识获取及存储技术。系统以Scrapy为爬虫框架,采用分布式结合增量式爬虫技术从互联网中高效地获取无人机行业相关的海量数据;采用Redis高速缓存数据库存储爬取的URL网址,结合My SQL关系型数据库稳定地存储最终得到的结构化数据。(2)系统构建流程及架构设计。利用云计算技术的大数据管理平台,基于分布式服务器与大数据技术搭建系统,采用自底向上为主、自顶向下为辅的方式构建知识库;由于系统爬取任务量的增加及分布式服务器的需求,系统的架构也由最初的SMM单体式架构优化升级为Spring Cloud分布式微服务架构,以提高系统的扩展性及移植性。(3)数据提取及知识抽取技术。采用类机器学习机制半自动化地提取非结构化文本数据,通过构建自定义的规则库训练样本数据,提取出标签以匹配提取出的结构化数据;并利用自然语言处理等算法从获取的文本数据中提取关键句并生成文章的摘要信息;通过知识图谱等算法实现对获取的文本数据的知识抽取,最终抽取出结构化的知识元加入进知识库中,以实现知识库的知识发现与知识挖掘功能。(4)知识表示及数据可视化分析。采用知识树形式进行知识表示,并采用Echarts技术、知识图谱等可视化技术对获取及处理后的数据进行数据可视化分析,并以各类统计图表、关键字云图、机构同现及作者同现图等形式展现,直观清晰地展示无人机等行业领域的研究现状与发展趋势。
高晓楠[7](2021)在《面向决策支持的分类属性数据深度无监督挖掘研究》文中进行了进一步梳理数据驱动的决策支持是管理决策过程的重要环节,包含三个核心阶段:决策空间表征、决策分析过程和决策结果评价。结构化的未标记分类属性数据是决策支持过程中面临的主要数据类型之一,具有属性取值为枚举型,不可微且无法进行代数运算的特点,导致面向此类型数据的已有挖掘方法存在数据间关系度量不精准的缺陷,影响挖掘结果准确性。由此,目前针对分类属性数据的决策支持过程面临着有效分析方法匮乏等困境,仅能选择少数且挖掘效果有限的方法,限制了最终管理决策过程的正确性和科学性。深度学习理论在结构化的数值属性数据和非结构化数据的无监督挖掘中取得了显着优于传统数据挖掘方法的成果,为解决分类属性数据无监督挖掘问题提供了新的研究思路。本文面向决策支持过程的三个核心阶段,将深度学习相关理论引入分类属性数据无监督挖掘研究中,提出分类属性数据深度无监督挖掘系列方法,解决传统方法无法有效处理的分类属性数据无监督挖掘难点,为面向分类属性数据的决策支持过程提供理论支撑及有效解决方案。本文研究主要解决如下三个实际问题:(1)决策空间表征阶段,将待分析数据从原始特征空间映射到决策空间中,获得其决策空间表征,以便更好地服务于后续分析过程。对于分类属性数据,现有方法难以深入挖掘数据的潜在特征,导致无法获得能够准确反映数据间关系的决策空间表征,影响决策分析过程的准确性。(2)决策分析过程阶段,基于待分析数据的决策空间表征,选择或开发合适的分析方法,从中发现潜在有用的知识模式,为管理决策提供高质量的方案支持。对于分类属性数据,现有方法难以精准度量数据间关系,造成基于此类型数据的决策分析结果准确性较差。(3)决策结果评价阶段,对决策分析结果的有效性进行定量评价,并从中识别出最优结果,以确保依据科学的分析结果支持管理决策过程。对于分类属性数据,现有方法未充分衡量决策分析结果中全部相关信息的有效性,影响评价结果的准确性,难以保证决策支持过程的科学性。基于上述实际问题,本文开展面向决策支持的分类属性数据深度无监督挖掘研究,主要创新性成果包括:(1)提出面向决策空间表征的分类属性数据深度特征学习方法,借鉴深度无监督特征学习和网络嵌入基本思想,能够深入挖掘分类属性数据中隐含的实际意义及其相关关系,并将其显示地表达在决策空间表征中,为决策支持过程奠定数据基础。现有相关研究存在分类属性数据潜在特征挖掘能力不足及特征学习结果受参数影响敏感的缺陷,并且受制于分类属性数据不可微且不可进行代数运算的限制,深度学习方法无法直接应用于分类属性数据挖掘。本文将结构化的分类属性数据转化为网络数据,打破应用深度学习相关方法解决分类属性数据挖掘问题的障碍,能够获得蕴含着原始分类属性数据潜在有用信息的决策空间表征,为后续决策分析过程提供数据基础。(2)提出面向决策分析过程的分类属性数据深度聚类方法,借鉴深度聚类和网络嵌入基本思想,能够充分挖掘分类属性数据间关系,获得更加精确的聚类划分结果,为决策支持过程处理分类属性数据提供有效的分析方法。现有相关研究存在分类属性数据间关系度量不精准影响聚类结果准确性的不足。本文基于深度聚类和网络嵌入基本思路,构建并融合聚类目标和特征学习目标,可以更精准地度量分类属性数据间关系,提升此类型数据的聚类划分效果,为决策支持过程中分析分类属性数据提供更准确的挖掘方法。(3)提出面向决策结果评价的分类属性数据聚类内部有效性评价指标,能够深入衡量分类属性数据聚类结果中数据对象间的细节分布信息,得到更准确的聚类评价结果,适用于具有深度特征的深度聚类结果评价任务,为科学地支持管理决策过程提供保障。现有相关研究基于分类属性取值的独立性假设,仅能衡量聚类结果中类的整体表现,忽略了数据对象的细节分布情况。本文通过构建符合距离定义的分类属性数据距离度量,结合具有设计优势的评价框架,能够尽可能考虑聚类结果中的全部细节分布信息,更加精确地对分类属性数据聚类结果进行评价,保障决策支持过程的科学性。(4)建立面向决策支持的分类属性数据深度无监督挖掘系列方法,可以作为一整套解决方案处理决策支持过程中面临的未标记分类属性数据。应用本文提出的分类属性数据深度特征学习方法、深度聚类方法、聚类内部有效性评价指标,支持某数据科学领域企业的人才招聘决策过程,将人才数据细分到不同类中,识别出最优人才细分结果,通过分析各类别人才特征,总结出支持人才招聘决策的管理建议,表明本文研究成果能够作为一整套解决方案用于面向未标记分类属性数据的决策支持过程。
马超童[8](2021)在《面向科技咨询的知识图谱构建与管理平台的设计与实现》文中提出面向科技咨询的知识图谱构建与管理平台是为领域专家、科技咨询专家和知识图谱研究人员提供的,从结构化、半结构化、非结构化数据源中获取高质量知识体系的工具。该平台应具备以下三个特性:构建流程的各环节衔接顺畅,全生命周期工程化;以大数据技术融合海量、多源、异构的领域数据,以人工智能技术驱动大规模知识获取,平衡自动化方式与人工方式的矛盾;可操作性强,实现多领域复用。目前知识图谱相关产品虽然取得了一些显着成果,但仍存在领域数据层次化不明确且跨域连接难、准确性与效率难以兼顾、构建全流程各环节分散且知识挖掘不充分等问题与挑战:1)传统的跨数据库扫描方式已逐渐无法适用于海量、多源、异构数据的知识获取与分析需求;2)领域知识图谱构建面临着准确性与效率之间的矛盾,自顶向下方法保证了知识的准确性,但过程繁琐、知识规模受限,自底向上方法适用于大规模知识获取,但图谱结构松散、缺乏严格的模式约束;3)现有平台的各步骤需要投入大量的时间与人力,以完成分散环节的衔接。针对上述问题与挑战,本文重点围绕科技咨询大数据统一信息模型、领域知识图谱本体和数据的构建方法、面向科技咨询的知识图谱构建与管理平台的设计与实现等开展研究,主要内容分为以下三项:1)设计并实现了一套面向数据跨域融合的“主题化—层级化—关联化”的科技咨询大数据统一信息模型。以横向主题域划分、纵向多层次建模、业务标签组织关联的方式,打通了当前科技咨询领域的多主题、多来源、异构数据,为科技咨询领域资源体系标准规范的制定提供了依据;同时,对于其他领域的数据资源统一管理与本体建模产生了一定的参考价值。2)设计并实现了一种基于混合模式的领域知识图谱本体和数据的构建方法。以自顶向下的人工过程为主线,定义本体的标签概念层级体系和关系集合,保证了领域知识图谱的专业性;以自底向上的数据驱动过程为辅线,借助自然语言处理模型获取知识,实现了图谱规模在本体框架的严格约束下扩展。3)设计并实现了松耦合模式、可自由编排任务流的领域知识图谱构建与管理平台。通过“大数据平台+AI开放平台+知识图谱平台”三者互相支撑,平衡了自动化流程与人工参与的关系,提高了现有资源的利用率,增强了平台的环节流畅性和拓展复用能力。最后,该平台应用于国家重点研发计划项目“基于大数据的科技咨询技术与服务平台研发”中,在科技咨询背景下构建了人工智能、大数据、量子通信等九个前沿领域的技术链和产业链知识图谱,验证了本文理论方法及平台的有效性与实际应用价值。
吕昭,邓锦洲,梁东晨[9](2021)在《作战体系的结构建模与应用研究》文中研究表明现代战争是体系之间的对抗,建立作战体系结构模型是作战体系评估与优化的基础。首先,对作战体系结构建模技术进行总结,对各技术的优缺点进行了对比,并阐述了作战体系建模技术的应用研究。其次,对作战体系结构建模的基本工具与建模框架进行了总结。通过对作战体系建模的技术、工具以及框架三个层次的深入剖析,能够为作战体系评估与优化、武器装备系统的开发建设和运用等提供研究支撑。
吴雅威[10](2021)在《面向智库需求的智慧数据服务模式及服务能力评价研究》文中研究说明近年来,作为决策咨询机构的智库,一直受到政府机构和决策者的高度重视,一系列相关政策法规的出台与实施,更为智库的建设与发展指明了道路和方向。然而,由于缺少多源数据、智慧化技术手段和专业人才支持在一定程度上制约了智库的快速发展,迫切需要图书情报机构(以下简称图情机构)提供智慧数据服务以满足智库复杂需求。目前,大数据时代持续推动着图情机构服务模式发生重大变化,正在促使其由传统信息服务向智慧数据服务转型。因此,当前智库到底存在哪些智慧数据服务需求,图情机构面向智库需求应该采取何种智慧数据服务模式,以及如何提升智慧数据服务水平和服务能力已经成为目前图情机构亟需研究的重要问题。本文以数据管理理论、用户场景理论和质性研究理论等为基础,探讨了面向智库需求的智慧数据服务要素、服务模式、模式实现及服务能力评价体系问题。首先,分析并构建了智库的智慧数据服务需求及其模型,结合实际案例对面向智库需求的智慧数据服务要素及其特征进行分析,进而提出了面向智库需求的两类智慧数据服务模式,详细阐述了智慧数据服务模式的实现路径,并构建了面向智库需求的智慧数据服务能力评价体系,最终针对智慧数据服务模式与服务能力评价体系给予相应对策及建议。本文的主要研究内容包括以下6个方面:(1)我国智库的智慧数据服务需求分析。主要通过混合式研究方法分析了智库的数据资源管理现状与问题、智慧数据服务需求以及需求驱动因素。明确了智库的两个主要需求:多源数据服务需求(包括多源数据采集与处理等)、创新发展环境服务需求(包括图情机构职能与服务及技术工具与人才等)。智库的数据需求、场景环境和应用过程的变化,对图情机构的智慧数据服务提出了更高期望与要求。本章为后文分析并提出针对性的面向智库需求的智慧数据服务要素、服务模式、模式实现以及服务能力评价体系奠定了需求基础和研究框架。(2)面向智库需求的智慧数据服务要素及其特征。基于智库需求,通过文献调研、案例分析以及借鉴智慧数据服务相关实践经验,分析了面向智库需求的智慧数据服务关键要素及其特征,阐述各要素在智慧数据服务中的定位和作用。明确了以图情机构、智慧数据、智能化技术方法、智慧化平台、服务环境为5大关键要素,以及服务场景化、技术智能化和数据多源化3大特征。引用生态系统及其相关发展理论构建模型来剖析服务主体、客体、环境间的能量流动及关系,最终以南京师范大学图书馆为例,通过分析其面向智库需求的智慧数据服务过程及其服务要素与特征,验证前文所明确的关键要素,为后文研究奠定要素基础。(3)面向智库需求的智慧数据服务模式。基于智库需求,结合模式构建法提出了面向智库需求的两类智慧数据服务模式:其一,个性化推荐模式,主要探讨图情机构通过感知智库需求,融合多源数据、专家智慧、智能技术及用户需求精准识别等资源与服务,通过智慧数据服务平台与新媒体技术,最终实现场景化、精准化与个性化推送;其二,嵌入式服务模式,主要探讨以图情机构为主体,通过分散、兼职和旋转门等途径嵌入智库内部及其活动过程,将智慧数据服务与智库的数据采集、综合处理、成果传播推广等环节相融合,精准定位智库需求,提供多源数据采集、融合处理、人才支持和影响力塑造等针对性服务。(4)面向智库需求的智慧数据服务模式实现。根据智库需求和图情机构智慧数据服务模式的具体内容与流程,面向智库需求的智慧数据服务模式实现主要包括以下6个方面:智库的特征识别与需求确定;基于Data Commons的智慧数据服务平台构建;多源数据融合;智能化技术与工具融合与协同治理;基于专家系统的多源数据分析与应用;基于向量空间模型的场景化服务推荐,以此来实现面向智库需求的智慧数据服务模式,体现了智慧数据服务的新路径与新思想。(5)面向智库需求的智慧数据服务能力评价体系。以智库需求、智慧数据服务过程和智慧数据服务内容为评价依据,初步构建了包括多源数据、智能化技术与工具、智慧数据服务人员三个维度的智慧数据服务能力评价体系。再利用专家调查法、灰色系统理论和层次分析法完成指标优化和赋权,以验证指标的合理性、有效性和可行性,最终确定智慧数据服务能力评价体系。最终以天津社科院图书馆为案例进行实证研究,论证服务能力评价体系中各指标的有效性、科学性和应用性,以此为图情机构提升智慧数据服务能力与质量提供适当参考。(6)面向智库需求的智慧数据服务保障策略。以智慧数据服务要素、服务模式及服务能力评价为依据,考量涵盖智慧数据服务关键要素、优化智慧数据服务流程、改善智慧数据服务能力评价体系等方面制定保障策略。智慧数据服务保障策略具有明显的层次化特征,涵盖政策保障、数据保障、技术保障与人才保障等层次。其中,政策保障涵盖建立健全相关法律法规等;数据保障涵盖完善多源数据建设、融合、安全与开放保障机制等;技术保障涵盖完备智能化数据管理技术、方法与工具集体系构建等;人才保障涵盖智慧数据服务人才队伍建设等。通过构建面向智库需求的智慧数据服务模式,可以优化智库活动流程,提升智库的课题研究能力、决策支持服务质量和可持续发展动力,还可保障面向智库需求的智慧数据服务质量和水平,也为大数据时代下图情机构智慧数据服务研究体系提供理论启发与借鉴,拓展智慧数据服务的理论与应用范畴,推动智慧数据服务可持续性发展。此外,通过建立面向智库需求的智慧数据服务能力评价体系,可以评价图情机构的智慧数据服务能力,帮助其更清楚的认识优势与缺陷,根据评价体系优化服务流程,更好的服务智库。同时,为图情机构系统认知大数据时代下面向智库需求的智慧数据服务实现路径提供参考,继而有效引导图情机构从智库需求感知到服务模式构建再到服务能力评价的流程化视角来看待面向智库需求的智慧数据服务工作。
二、结构化分析方法与面向对象分析方法(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、结构化分析方法与面向对象分析方法(论文提纲范文)
(1)结构化与面向对象分析设计方法研究(论文提纲范文)
0 引言 |
1 系统分析与设计概述 |
2 两大方法本质及对比 |
2.1 业务调研 |
2.2 需求分析 |
2.3 概要设计 |
2.4 详细设计 |
3 面向对象与结构化系统分析设计的差异 |
3.1 建模语言、方法 |
3.2 依赖环境及设计详细程度 |
3.3 分析设计思想及可复用程度 |
4 结论 |
(3)基于大数据的大学生日常思想政治教育创新研究(论文提纲范文)
摘要 |
ABSTRACT |
绪论 大数据让大学生日常思想政治教育智能化 |
第一节 选题缘由及研究意义 |
一、选题缘由 |
二、研究意义 |
第二节 国内外研究综述 |
一、国内研究现状 |
二、国外大数据与教育交叉研究综述 |
三、研究评析 |
第三节 逻辑结构 |
一、研究思路 |
二、研究方法 |
三、内容框架 |
第四节 重点、难点及预期创新点 |
一、研究重点 |
二、研究难点 |
三、研究创新点 |
第一章 基于大数据创新大学生日常思想政治教育的理论基础 |
第一节 核心概念解读 |
一、大数据 |
二、大学生日常思想政治教育 |
三、大学生日常思想政治教育大数据 |
第二节 大学生日常思想政治教育大数据之马克思主义哲学审视 |
一、感性对象性活动之数据生成逻辑 |
二、实践的社会历史性之数据发展动因 |
三、辩证唯物主义认识论之数据应用的方法论基础 |
四、人的全面自由发展之数据应用的价值取向 |
第三节 大学生日常思想政治教育大数据自组织系统阐释 |
一、大学生日常思想政治教育之复杂自组织系统特征 |
二、大学生日常思想政治教育大数据之数据转化 |
三、大学生日常思想政治教育大数据之数据转换 |
四、大学生日常思想政治教育之数据工作机制 |
第二章 基于大数据创新大学生日常思想政治教育的现实依据 |
第一节 大学生日常思想政治教育存在的现实困境 |
一、基于大数据文本挖掘方法的大学生日常思想政治教育现实困境分析 |
二、大学生日常思想政治教育者访谈 |
三、大学生日常思想政治教育存在的问题及原因剖析 |
第二节 新时代大学生日常思想政治教育新要求 |
一、新时代大学生日常思想政治教育面临的新课题 |
二、新时代大学生日常思想政治教育指导思想与原则 |
三、新时代大学生日常思想政治教育教育内容体系 |
四、新时代大学生日常思想政治教育的主体转型 |
第三节 基于大数据创新大学生日常思想政治教育技术优势 |
一、大数据关键技术之大学生日常思想政治教育应用 |
二、教育主体与教育客体的数据交互 |
三、教育管理平台载体的数据智能 |
四、教育管理实践数据的跨域应用 |
第四节 基于大数据创新大学生日常思想政治教育可能性分析 |
一、基于数据技术的效率提升 |
二、基于证据的日常教育管理 |
三、基于数据评价的工作改进 |
第三章 基于大数据促进大学生日常思想政治教育发展转向 |
第一节 大学生日常思想政治教育大数据应用呈现 |
一、精准画像:大数据精确反映学生行为状态 |
二、规律探寻:大数据有效呈现学生活动规律 |
三、超前感知:大数据准确研判学生活动趋向 |
第二节 基于大数据之由线性思维向系统思维转变 |
一、线性思维 |
二、系统思维 |
三、线性思维向系统思维转变的全面性与准确性 |
第三节 基于大数据之由普适教育向个性化培育转变 |
一、普适教育 |
二、个性化培育 |
三、普适教育向个性化培育转变的适应性与有效性 |
第四节 基于大数据之由认知培育向实践养成转变 |
一、认知培育 |
二、实践养成 |
三、认知培育向实践养成转变的实效性与长效性 |
第五节 基于大数据之由需求侧适应向供给侧发力转变 |
一、需求侧适应 |
二、供给侧发力 |
三、需求侧适应向供给侧发力转变的精准性与有效性 |
第四章 基于大数据创新大学生日常思想政治教育的实施路径 |
第一节 基于大数据创新大学生日常思想政治教育的原则 |
一、以人为本原则 |
二、守正创新原则 |
三、趋利避害原则 |
四、循序渐进原则 |
五、理论与实践相结合原则 |
第二节 大学生日常思想政治教育大数据资源库建设与运行 |
一、大学生日常思想政治教育大数据采集 |
二、大学生日常思想政治教育大数据预处理与存储 |
三、大学生日常思想政治教育大数据挖掘与建模分析 |
四、大学生日常思想政治教育大数据可视化与应用 |
五、大学生日常思想政治教育大数据解释与反馈 |
第三节 利用大数据推进大学生日常思想政治教育实践应用 |
一、数据画像 |
二、精准资助 |
三、异常告警 |
第五章 基于大数据创新大学生日常思想政治教育的条件保障 |
第一节 个体主观条件 |
一、培育大数据意识与大数据思维 |
二、掌握大数据知识与大数据技能 |
三、提升大数据伦理与管理理性 |
四、把握大数据应用的价值导向 |
第二节 技术条件保障 |
一、开发和搭建高校思想政治教育大数据技术平台 |
二、培育大学生思想政治教育大数据核心技术团队 |
第三节 组织与制度保障 |
一、加强组织领导 |
二、推进教育政策实施与制度建设 |
三、加强体制机制建设 |
第四节 文化环境保障 |
一、优化校园网络环境 |
二、培育校园数据文化 |
三、优化校园人文环境 |
结语:数据智能与教育智慧结合 |
参考文献 |
致谢 |
攻读博士学位期间主要研究成果 |
(4)面向医院管理的数据驱动决策研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景 |
1.2 研究目的与意义 |
1.2.1 研究目的 |
1.2.2 研究意义 |
1.3 国内外研究现状 |
1.3.1 数据驱动决策的研究现状 |
1.3.2 数据驱动医疗健康领域决策的研究现状 |
1.3.3 数据驱动医院管理决策的研究现状 |
1.3.4 数据驱动决策的影响因素研究现状 |
1.3.5 研究现状述评 |
1.4 研究框架与研究内容 |
1.4.1 研究框架 |
1.4.2 主要研究内容 |
1.4.3 拟解决的关键问题 |
1.5 研究方法和技术路线 |
1.5.1 研究方法 |
1.5.2 技术路线 |
第2章 相关基础理论和方法 |
2.1 医院管理相关概念 |
2.1.1 医院管理 |
2.1.2 医院管理评价 |
2.1.3 医院管理者 |
2.2 决策支持相关理论 |
2.2.1 西蒙决策理论 |
2.2.2 数据驱动决策相关理论 |
2.3 信息链理论 |
2.3.1 信息链与信息技术 |
2.3.2 “信息”上溯到“数据”带来的变化 |
2.3.3 信息链视域下的数据驱动医院管理决策 |
2.4 BASM模型 |
2.4.1 BASM模型的产生 |
2.4.2 BASM模型的研究现状 |
2.4.3 基于BASM模型的数据驱动医院管理决策研究 |
2.5 相关研究方法 |
2.5.1 扎根理论 |
2.5.2 结构方程模型 |
2.5.3 决策树算法--CHAID |
2.6 相关应用场景 |
2.6.1 医疗服务绩效 |
2.6.2 DRG在医疗服务绩效管理中的应用 |
2.7 本章小结 |
第3章 面向医院管理的数据驱动决策过程模型构建 |
3.1 面向医院管理决策的数据驱动过程模型 |
3.1.1 数据驱动决策模式运行机制 |
3.1.2 BASM的过程模型 |
3.1.3 基于BASM过程模型的数据驱动医院管理决策过程模型构建 |
3.2 面向医院管理的数据驱动决策过程模型要素分析 |
3.2.1 驱动要素 |
3.2.2 需求要素 |
3.2.3 支持要素 |
3.2.4 要素间关系 |
3.3 数据驱动的医院管理决策中数据处理过程 |
3.3.1 医疗数据存在的问题 |
3.3.2 面向医院管理决策的数据处理原则 |
3.3.3 面向医院管理决策的数据处理过程 |
3.4 面向医院管理的数据驱动决策过程模型运行机制 |
3.4.1 面向医院管理决策的信息链转化过程 |
3.4.2 数据驱动的医院管理决策制定过程 |
3.5 本章小结 |
第4章 基于扎根理论的数据驱动医院管理决策的影响因素分析 |
4.1 研究问题与研究程序 |
4.1.1 研究问题 |
4.1.2 研究方法 |
4.1.3 研究程序 |
4.2 研究设计 |
4.2.1 研究对象选取 |
4.2.2 资料收集 |
4.2.3 信效度检验 |
4.3 编码分析 |
4.3.1 开放式编码 |
4.3.2 主轴编码 |
4.3.3 选择性编码 |
4.3.4 理论饱和度检验 |
4.4 数据驱动医院管理决策影响因素理论模型与阐释 |
4.4.1 影响因素理论模型构建 |
4.4.2 影响因素分析 |
4.4.3 影响因素关系分析 |
4.5 本章小结 |
第5章 数据驱动医院管理决策的影响因素模型构建 |
5.1 数据驱动医院管理决策影响因素变量选择与界定 |
5.1.1 医疗数据质量维度 |
5.1.2 信息技术维度 |
5.1.3 医院组织管理维度 |
5.1.4 管理者信息素养维度 |
5.1.5 数据驱动医院管理决策维度 |
5.2 相关研究假设 |
5.2.1 医疗数据质量 |
5.2.2 信息技术 |
5.2.3 医院组织管理 |
5.2.4 管理者信息素养 |
5.3 调查问卷的编制与问卷修正 |
5.4 数据获取与统计分析 |
5.4.1 研究对象 |
5.4.2 样本量的选择 |
5.4.3 信度分析 |
5.4.4 样本分布 |
5.4.5 样本数据相关性 |
5.5 效度分析 |
5.5.1 探索性因子分析 |
5.5.2 验证性因子分析 |
5.6 基于结构方程的影响因素模型构建与检验修正 |
5.6.1 影响因素模型构建 |
5.6.2 模型基本适配评估 |
5.6.3 假设检验的结果 |
5.7 结构方程模型检验结果分析 |
5.7.1 影响因素强度分析 |
5.7.2 医疗数据质量对信息技术影响的验证结果分析 |
5.7.3 信息技术对数据驱动医院管理决策影响的验证结果分析 |
5.7.4 医院组织管理对医疗数据质量影响的验证结果分析 |
5.7.5 医院组织管理对管理者信息素养影响的验证结果分析 |
5.7.6 医院组织管理对数据驱动医院管理决策影响的验证结果分析 |
5.7.7 管理者信息素养对医疗数据质量影响的验证结果分析 |
5.7.8 管理者信息素养对信息技术影响的验证结果分析 |
5.7.9 管理者信息素养对数据驱动医院管理决策影响的验证结果分析 |
5.8 本章小结 |
第6章 面向医院管理的数据驱动决策模型研究 |
6.1 数据驱动医院管理决策模型构建 |
6.2 面向医院管理的数据驱动决策模型的驱动机制 |
6.2.1 面向医院管理的数据驱动决策模型的驱动目标 |
6.2.2 面向医院管理的数据驱动决策模型的驱动特征 |
6.2.3 面向医院管理的数据驱动决策模型的驱动过程 |
6.3 数据驱动医院管理决策模型影响因素的作用机制 |
6.3.1 医疗数据质量在数据驱动决策模型中的影响机制 |
6.3.2 信息技术在数据驱动决策模型中的影响机制 |
6.3.3 医院组织管理在数据驱动决策模型中的影响机制 |
6.3.4 管理人员素养在数据驱动决策模型中的影响机制 |
6.4 数据驱动医院管理决策模型对医院管理的提升策略 |
6.4.1 提升医疗数据质量 |
6.4.2 发挥信息技术使能作用 |
6.4.3 发挥医院组织管理支持作用 |
6.4.4 提高管理人员信息素养 |
6.5 本章小结 |
第7章 面向医院管理的数据驱动决策的实证研究 |
7.1 资料来源与研究对象 |
7.2 原发性肺癌患者的DRGS分组 |
7.2.1 数据基础 |
7.2.2 数据纳入 |
7.2.3 术语映射 |
7.2.4 DRGs分组结果对比 |
7.3 基于DRGS细分组的医疗服务绩效评估 |
7.3.1 基于决策树的原发性肺癌患者DRGs细分组模型 |
7.3.2 基于DRGs细分组的医疗服务绩效评估指标 |
7.3.3 医生医疗服务绩效指标统计结果 |
7.3.4 科室医疗服务绩效指标统计结果 |
7.4 讨论 |
7.4.1 数据驱动医院管理决策过程 |
7.4.2 数据驱动医院管理决策影响因素 |
7.5 本章小结 |
第8章 结论与创新 |
8.1 结论 |
8.2 研究创新点 |
8.3 研究局限 |
参考文献 |
附录1 病案组DRGS分组情况 |
附录2 医生组DRGS分组情况 |
附录3 访谈提纲 |
附录4 调查问卷 |
作者简介及在学期间所取得的科研成果 |
后记与致谢 |
(5)基于知识图谱的科研综述生成研究(论文提纲范文)
摘要 |
abstract |
主要符号对照表 |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 研究问题的提出 |
1.3 研究内容与技术路线 |
1.4 创新点 |
1.5 论文组织结构 |
第二章 相关研究与发展现状 |
2.1 相关概念界定 |
2.1.1 科研综述 |
2.1.2 科研知识图谱 |
2.2 科研综述相关研究进展 |
2.2.1 面向文档数据的文本自动综述方法 |
2.2.2 基于文献数据的图表综述生成方法 |
2.2.3 科研综述相关工具对比与分析 |
2.2.4 科研综述与知识图谱结合的可行性分析 |
2.3 知识图谱研究进展 |
2.3.1 知识图谱数据模型 |
2.3.2 知识图谱构建技术流程 |
2.3.3 知识图谱存储与管理 |
2.3.4 知识图谱在学术界的应用案例 |
2.4 文献资源语义关联描述模型 |
2.5 本章小结 |
第三章 科研知识图谱构建与管理 |
3.1 科研知识图谱模式层构建 |
3.1.1 科研本体实体对象选取与定义 |
3.1.2 科研本体多维度数据模型描述 |
3.1.3 基于Protégé的本体构建与管理 |
3.2 结构化语料获取解析与加工 |
3.2.1 基于PID和消歧算法的实体消歧 |
3.2.2 多因子复合加权文献重要度计算 |
3.2.3 基于语义匹配的文献资源主题标引 |
3.2.4 基于深度学习的论文摘要语步分类 |
3.3 科研知识图谱数据层构建 |
3.3.1 基于本体模型的实体与关系抽取 |
3.3.2 多格式图谱数据的转换与加载 |
3.3.3 多查询端远程图谱数据迁移 |
3.3.4 图谱数据的动态更新 |
3.3.5 性能评估与对比试验分析 |
3.4 科研知识图谱的存储与管理 |
3.4.1 知识图谱属性映射规则 |
3.4.2 科研知识图谱存储过程 |
3.5 本章小结 |
第四章 知识图谱驱动的科研综述实现机制 |
4.1 科研综述设计思路与技术需求 |
4.1.1 多层次科研综述模型设计 |
4.1.2 科研综述应用服务场景 |
4.1.3 基于图算法的接口支撑策略 |
4.2 知识计算在科研综述中的支撑应用 |
4.2.1 面向查询的语义解析与实例匹配 |
4.2.2 基于子图结构的实体及关系聚类 |
4.3 结合知识图谱和POI的综述文档生成 |
4.3.1 科研综述文档模板调研与设计 |
4.3.2 知识图谱与POI的匹配与协同 |
4.4 本章小结 |
第五章 基于知识图谱的科研综述生成验证 |
5.1 科研综述生成体系架构设计 |
5.2 专题科研知识图谱构建 |
5.2.1 多来源专题及文献语料的遴选与加工 |
5.2.2 机器学习专题科研知识图谱的构建 |
5.2.3 机器学习专题科研知识图谱管理与查询 |
5.3 科研综述生成实现 |
5.3.1 专题知识及文献聚类 |
5.3.2 重要文献发展脉络 |
5.3.3 热点主题演化分析 |
5.3.4 综述文档预览与下载 |
5.4 与现有综述方法的对比分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 研究结论 |
6.2 研究展望 |
参考文献 |
附录 A |
致谢 |
作者简历 |
(6)基于微服务架构与知识图谱技术构建无人机知识库系统(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 研究意义与价值 |
1.2 国内外研究现状 |
1.2.1 专家系统及知识库研究现状 |
1.2.2 知识图谱技术研究现状 |
1.2.3 Web文本挖掘技术研究现状 |
1.2.4 无人机技术发展及应用现状 |
1.3 研究目标与研究内容 |
1.3.1 研究目标 |
1.3.2 研究内容 |
1.4 论文研究技术路线 |
1.5 论文组织结构安排 |
第二章 理论基础及关键技术 |
2.1 相关理论基础 |
2.2.1 知识库 |
2.2.2 知识发现 |
2.2.3 知识图谱 |
2.2 知识获取技术 |
2.2.1 数据获取技术 |
2.2.2 数据去重技术 |
2.2.3 数据提取技术 |
2.2.4 数据存储技术 |
2.3 知识抽取技术 |
2.3.1 实体抽取技术 |
2.3.2 关系抽取技术 |
2.3.3 事件抽取技术 |
2.3.4 实体链接与消岐 |
2.4 知识表示技术 |
2.5 自动文摘技术 |
2.5.1 自动文摘生成原理 |
2.5.2 TextRank算法 |
2.6 本章小结 |
第三章 知识库系统的设计与构建 |
3.1 系统非功能需求 |
3.2 系统性能设计 |
3.2.1 系统可靠性设计 |
3.2.2 系统安全性设计 |
3.3 系统架构设计 |
3.3.1 整体架构设计 |
3.3.2 技术架构设计 |
3.3.3 分布式微服务架构 |
3.3.4 Scrapy爬虫框架 |
3.3.5 基于Swagger框架管理API |
3.4 技术路线与实施方案 |
3.4.1 知识库的构建方式 |
3.4.2 系统的技术路线 |
3.4.3 系统的实施方案 |
3.4.4 开发环境与开发语言 |
3.5 本章小结 |
第四章 知识图谱的实现与应用 |
4.1 知识获取 |
4.1.1 定制化设置关键字 |
4.1.2 定制化爬取专业网站 |
4.2 数据提取 |
4.2.1 半自动化提取数据 |
4.2.2 自动文摘的提取 |
4.3 知识抽取 |
4.3.1 实体抽取(命名实体识别) |
4.3.2 实体关系抽取 |
4.3.3 元事件抽取 |
4.3.4 实体发现与链接 |
4.4 知识表示 |
4.5 文本数据可视化 |
4.5.1 数据可视化 |
4.5.2 关键字云图 |
4.6 本章小结 |
第五章 系统的功能与实现 |
5.1 系统整体功能结构 |
5.2 系统前端功能实现 |
5.2.1 查询信息模块 |
5.2.2 台风实况模块 |
5.2.3 数据可视化模块 |
5.2.4 热门推送模块 |
5.2.5 关键期刊模块 |
5.3 系统后台功能实现 |
5.3.1 用户管理模块 |
5.3.2 菜单管理模块 |
5.3.3 采集设置模块 |
5.3.4 任务管理模块 |
5.3.5 专家知识模块 |
5.3.6 外部系统模块 |
5.3.7 期刊大全模块 |
5.4 本章小结 |
第六章 结论与展望 |
6.1 总结 |
6.2 创新点 |
6.3 不足与展望 |
参考文献 |
致谢 |
在学期间主要研究成果 |
附录 |
附录1 Swagger在微服务架构上的部署与集成 |
附录2 Echarts组件实现折线图/柱状图形式的数据可视化 |
附录3 BiLSTM+CRF模型构建过程 |
附录4 利用TF-IDF进行实体链接关键代码 |
(7)面向决策支持的分类属性数据深度无监督挖掘研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 引言 |
1.1 研究背景 |
1.2 研究意义 |
1.3 研究内容 |
1.4 创新点 |
1.5 文章结构 |
2 理论基础和文献综述 |
2.1 数据挖掘与决策支持 |
2.1.1 决策支持中的数据特征 |
2.1.2 决策支持中的数据挖掘方法 |
2.2 分类属性数据的无监督挖掘 |
2.2.1 决策空间表征中的分类属性数据特征学习 |
2.2.2 决策分析过程中的分类属性数据聚类分析 |
2.2.3 决策结果评价中的分类属性数据聚类结果有效性评价 |
2.3 深度学习相关理论基础 |
2.3.1 深度无监督特征学习 |
2.3.2 深度聚类 |
2.3.3 网络嵌入 |
2.4 本章小结 |
3 面向决策空间表征的分类属性数据深度特征学习 |
3.1 分类属性数据特征学习在决策支持中的实际需求 |
3.2 分类属性数据深度特征学习的概念准备 |
3.2.1 分类属性数据深度特征学习的问题定义 |
3.2.2 分类属性数据深度特征学习的两个基本定义 |
3.2.3 分类属性数据深度特征学习的基本思想 |
3.3 基于分类属性数据的加权异构网络构建方法 |
3.3.1 基于分类属性间关系的网络构建 |
3.3.2 基于分类属性内关系的网络构建 |
3.4 基于网络嵌入的分类属性数据深度特征学习方法 |
3.4.1 分类属性取值的深度特征学习 |
3.4.2 分类属性数据的深度特征学习 |
3.4.3 特征分析 |
3.5 实验分析 |
3.5.1 实验数据集及设计 |
3.5.2 深度特征学习结果准确性分析 |
3.5.3 深度特征对后续聚类效果的提升程度分析 |
3.5.4 参数敏感性分析 |
3.6 本章小结 |
4 面向决策分析过程的分类属性数据深度聚类 |
4.1 分类属性数据聚类分析在决策支持中的实际需求 |
4.2 分类属性数据深度聚类的概念准备 |
4.2.1 分类属性数据深度聚类的问题定义 |
4.2.2 分类属性数据深度聚类的基本思想 |
4.3 基于网络嵌入的分类属性数据深度聚类方法 |
4.3.1 分类属性数据加权异构网络中的对齐编码 |
4.3.2 分类属性数据聚类损失及类中心初始化 |
4.3.3 分类属性数据深度聚类过程 |
4.3.4 特征分析 |
4.4 实验分析 |
4.4.1 实验数据集及设计 |
4.4.2 引入聚类损失对聚类效果的提升程度分析 |
4.4.3 深度聚类结果准确性分析 |
4.4.4 参数敏感性分析 |
4.5 本章小结 |
5 面向决策结果评价的分类属性数据聚类结果有效性评价 |
5.1 分类属性数据聚类结果评价在决策支持中的实际需求 |
5.2 分类属性数据聚类内部有效性评价的概念准备 |
5.2.1 分类属性数据聚类内部有效性评价的问题定义 |
5.2.2 分类属性数据聚类内部有效性评价的相关讨论 |
5.2.3 分类属性数据聚类内部有效性评价的基本思想 |
5.3 分类属性数据聚类内部有效性评价指标 |
5.3.1 分类属性数据的距离度量 |
5.3.2 分类属性数据的聚类内部有效性评价指标构建 |
5.3.3 特征分析 |
5.4 实验分析 |
5.4.1 实验数据集及设计 |
5.4.2 聚类评价结果准确性分析 |
5.4.3 在深度聚类结果评价任务中的适用性分析 |
5.4.4 参数敏感性分析 |
5.5 本章小结 |
6 支持人才招聘决策的分类属性数据深度无监督挖掘应用 |
6.1 人才招聘中的分类属性数据无监督挖掘需求 |
6.2 人才招聘数据准备 |
6.2.1 人才招聘决策支持的数据来源 |
6.2.2 人才数据属性描述及预处理 |
6.2.3 人才数据基本特征分析 |
6.3 人才数据深度特征学习 |
6.3.1 人才数据深度特征学习过程 |
6.3.2 人才数据深度特征学习结果分析 |
6.4 人才数据深度聚类及有效性评价 |
6.4.1 人才数据深度聚类过程 |
6.4.2 人才数据深度聚类结果的有效性评价 |
6.5 基于人才数据聚类结果的人才招聘决策支持 |
6.5.1 不同类型人才的特征 |
6.5.2 支持人才招聘的决策建议 |
6.6 本章小结 |
7 结论与展望 |
7.1 研究结论 |
7.2 研究展望 |
参考文献 |
作者简历及在学研究成果 |
学位论文数据集 |
(8)面向科技咨询的知识图谱构建与管理平台的设计与实现(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 选题背景和意义 |
1.1.1 选题背景 |
1.1.2 研究意义 |
1.2 国内外研究现状及分析 |
1.2.1 领域知识图谱构建技术研究现状 |
1.2.2 领域知识图谱构建平台研究现状 |
1.2.3 国内外研究现状小结 |
1.3 主要研究内容及创新点 |
1.4 硕士在读期间主要工作 |
1.5 论文组织结构 |
第二章 相关理论与技术研究 |
2.1 统一信息模型相关研究 |
2.1.1 共享信息与数据模型理论 |
2.1.2 元数据定义理论 |
2.1.3 数据中台理论 |
2.2 领域知识图谱构建相关技术 |
2.2.1 领域数据资源获取方法 |
2.2.2 概念图谱构建技术 |
2.2.3 知识抽取技术 |
2.2.4 知识融合技术 |
2.2.5 知识图谱可视化技术 |
2.2.6 图存储技术 |
2.3 本章小结 |
第三章 科技咨询大数据统一信息模型的设计实现 |
3.1 研究挑战 |
3.2 科技咨询大数据统一信息模型的设计方法 |
3.2.1 全域数据层次化定义 |
3.2.2 全域数据关联化组织 |
3.2.3 统一信息模型的图谱化 |
3.3 本章小结 |
第四章 领域知识图谱本体和数据的构建方法研究 |
4.1 研究挑战 |
4.2 领域知识图谱本体和数据的构建方法 |
4.2.1 大数据平台、AI开放平台、领域知识图谱构建工具的松耦合支撑模式 |
4.2.2 自顶向下为主、自底向上为辅的领域知识图谱本体和数据构建流程 |
4.2.3 多层级标签体系的领域知识图谱模式约束方法 |
4.2.4 自底向上数据驱动的知识获取方法 |
4.3 本章小结 |
第五章 面向科技咨询的知识图谱构建与管理平台的设计与实现 |
5.1 面向科技咨询的知识图谱构建与管理平台需求分析 |
5.1.1 平台业务需求 |
5.1.2 平台功能需求 |
5.2 面向科技咨询的知识图谱构建与管理平台总体设计 |
5.2.1 平台整体架构设计 |
5.2.2 平台功能及流程设计 |
5.3 数据库设计 |
5.4 核心功能模块设计与开发实现 |
5.4.1 数据资源管理子系统 |
5.4.2 图谱本体建模子系统 |
5.4.3 知识图谱构建子系统 |
5.4.4 知识图谱应用子系统 |
5.5 本章小结 |
第六章 面向科技咨询的知识图谱构建与管理平台的部署与测试 |
6.1 平台环境部署 |
6.2 平台核心功能测试 |
6.2.1 爬虫配置功能测试 |
6.2.2 图谱本体建模功能测试 |
6.2.3 知识图谱构建功能测试 |
6.2.4 知识图谱应用功能测试 |
6.3 本章小结 |
第七章 总结与展望 |
7.1 工作总结 |
7.2 研究展望 |
参考文献 |
致谢 |
攻读学位期间取得的研究成果 |
(9)作战体系的结构建模与应用研究(论文提纲范文)
1 引言 |
2 作战体系结构建模技术 |
2.1 结构化分析建模技术 |
2.2 面向对象建模技术 |
2.3 基于Agent的建模技术 |
2.4 网络化建模技术 |
2.5 基于Petri网的建模技术 |
2.6 作战体系结构建模技术总结及应用 |
2.6.1 物理信息建模 |
2.6.2 逻辑信息建模 |
3 作战体系建模工具 |
3.1 Sys ML工具 |
3.2 IDEF工具 |
4 作战体系建模框架 |
4.1 美国国防部体系结构框架 |
4.2 统一体系结构框架(UAF) |
4.3 军事电子信息系统体系结构设计指南 |
5 结束语 |
(10)面向智库需求的智慧数据服务模式及服务能力评价研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景与目的意义 |
1.1.1 研究背景 |
1.1.2 研究目的 |
1.1.3 研究意义 |
1.2 国内外相关研究综述 |
1.2.1 图情机构智慧化资源管理与服务转型 |
1.2.2 图情机构智慧数据服务模式与服务体系 |
1.2.3 智慧数据服务能力及其评价 |
1.2.4 评述与分析 |
1.3 研究内容 |
1.4 研究方法和技术路线 |
1.4.1 研究方法 |
1.4.2 技术路线 |
1.5 创新点 |
第2章 相关概念与理论基础 |
2.1 相关概念 |
2.1.1 智库 |
2.1.2 智慧服务 |
2.1.3 智慧数据服务 |
2.1.4 面向智库需求的智慧数据服务 |
2.2 理论基础 |
2.2.1 数据管理理论 |
2.2.2 扎根理论 |
2.2.3 用户场景理论 |
2.2.4 灰色系统理论 |
第3章 我国智库的智慧数据服务需求分析 |
3.1 基于问卷调查的智库数据资源管理分析 |
3.1.1 调查问卷设计 |
3.1.2 调查对象与数据收集 |
3.1.3 结果分析 |
3.2 基于扎根理论的智库服务需求分析 |
3.2.1 研究对象与数据收集 |
3.2.2 范畴编码与检验 |
3.2.3 模型构建及分析 |
3.3 本章小结 |
第4章 面向智库需求的智慧数据服务要素与特征 |
4.1 面向智库需求的智慧数据服务过程 |
4.1.1 智库活动过程分析 |
4.1.2 面向智库需求的智慧数据服务过程分析 |
4.2 面向智库需求的智慧数据服务要素 |
4.2.1 图情机构主体 |
4.2.2 智慧数据 |
4.2.3 智慧化技术工具与方法 |
4.2.4 智慧数据服务平台 |
4.2.5 智慧数据服务环境 |
4.2.6 智慧数据服务要素之间关系 |
4.3 面向智库需求的智慧数据服务特征 |
4.3.1 数据多源性 |
4.3.2 技术智能性 |
4.3.3 服务场景化 |
4.4 案例分析 |
4.4.1 南京师范大学图书馆发展现状 |
4.4.2 南师大图书馆智慧数据服务分析 |
4.5 本章小结 |
第5章 面向智库需求的智慧数据服务模式 |
5.1 面向智库需求的智慧数据服务模式概念和类型 |
5.1.1 面向智库需求的智慧数据服务模式的概念 |
5.1.2 面向智库需求的智慧数据服务模式的类型 |
5.2 面向智库需求的个性化推荐智慧数据服务模式 |
5.2.1 智库活动过程分析 |
5.2.2 智库需求感知 |
5.2.3 资源融合及服务集成 |
5.2.4 智能化推荐 |
5.2.5 案例分析 |
5.3 面向智库需求的嵌入式智慧数据服务模式 |
5.3.1 智库活动层 |
5.3.2 嵌入层 |
5.3.3 融合层 |
5.3.4 服务层 |
5.3.5 案例分析 |
5.4 本章小结 |
第6章 面向智库需求的智慧数据服务模式实现 |
6.1 智库特征识别与需求确定 |
6.1.1 智库特征识别 |
6.1.2 智库需求确定 |
6.2 基于Data Commons的智慧数据服务平台构建 |
6.2.1 Data Commons平台的概念和特点 |
6.2.2 Data Commons平台的目标与功能 |
6.2.3 Data Commons平台的架构设计 |
6.3 多源数据融合 |
6.3.1 多源数据融合架构 |
6.3.2 多源数据融合方法 |
6.4 智能化技术融合与协同治理 |
6.4.1 智能化技术融合与协同治理模式 |
6.4.2 基于协同治理的智能化技术融合过程 |
6.5 基于专家系统的智能情报分析 |
6.5.1 专家数据管理模块 |
6.5.2 专家在线咨询模块 |
6.5.3 专家智能推荐流程 |
6.6 基于向量空间模型的场景化服务推荐模型 |
6.6.1 场景化服务 |
6.6.2 场景化服务接受效用 |
6.6.3 场景化服务推荐模型 |
6.6.4 场景化服务推荐实验 |
6.7 本章小结 |
第7章 面向智库需求的智慧数据服务能力评价体系 |
7.1 智慧数据服务能力评价体系问题的提出 |
7.2 智慧数据服务能力评价体系的构建依据 |
7.3 智慧数据服务能力评价指标的选取与修正 |
7.4 智慧数据服务能力评价指标的阐释 |
7.5 智慧数据服务能力评价指标的优化与赋权 |
7.5.1 样本选择及问卷描述 |
7.5.2 评价指标的重要性和易获得性计算 |
7.5.3 评价指标优化 |
7.5.4 评价指标赋权 |
7.6 实证研究 |
7.6.1 研究方法 |
7.6.2 数据分析 |
7.6.3 结果分析 |
7.7 本章小结 |
第8章 面向智库需求的智慧数据服务保障策略 |
8.1 政府政策保障方面 |
8.2 图书情报机构服务主体保障方面 |
8.2.1 强化服务意识并挖掘智库需求 |
8.2.2 优化图情机构的智慧数据服务架构 |
8.2.3 建立并完善智慧数据服务能力评价体系 |
8.3 多源数据保障方面 |
8.3.1 加强智慧数据体系建设 |
8.3.2 建立一体化多源数据联动与反馈机制 |
8.4 智能化技术方法与工具保障方面 |
8.4.1 加强现代化数据技术的融合和应用 |
8.4.2 完善智慧数据服务平台功能和服务 |
8.5 智慧数据服务人才保障方面 |
8.5.1 完善我国图情机构学科馆员制度 |
8.5.2 提升智慧数据服务人员的创新服务能力 |
8.6 本章小结 |
第9章 研究结论与展望 |
9.1 研究结论 |
9.2 研究局限与展望 |
9.2.1 研究局限 |
9.2.2 研究展望 |
参考文献 |
附录 |
研究成果 |
致谢 |
四、结构化分析方法与面向对象分析方法(论文参考文献)
- [1]结构化与面向对象分析设计方法研究[J]. 刘智,董世都,张金荣,张宜浩. 现代信息科技, 2021(15)
- [2]城市公共安全的基层社会大数据治理分析方法[D]. 刘昭阁. 哈尔滨工业大学, 2021
- [3]基于大数据的大学生日常思想政治教育创新研究[D]. 邓晶艳. 贵州师范大学, 2021(09)
- [4]面向医院管理的数据驱动决策研究[D]. 李茵. 吉林大学, 2021(01)
- [5]基于知识图谱的科研综述生成研究[D]. 李娇. 中国农业科学院, 2021(01)
- [6]基于微服务架构与知识图谱技术构建无人机知识库系统[D]. 陈秋瑾. 厦门理工学院, 2021(08)
- [7]面向决策支持的分类属性数据深度无监督挖掘研究[D]. 高晓楠. 北京科技大学, 2021(08)
- [8]面向科技咨询的知识图谱构建与管理平台的设计与实现[D]. 马超童. 北京邮电大学, 2021(01)
- [9]作战体系的结构建模与应用研究[J]. 吕昭,邓锦洲,梁东晨. 战术导弹技术, 2021(03)
- [10]面向智库需求的智慧数据服务模式及服务能力评价研究[D]. 吴雅威. 吉林大学, 2021(01)