摘要：针对慕课(MOOC)评论中存在少数类特征偏移的问题,提出一种基于特征偏移补偿的深度智能化教学评价方法.该方法首先使用Glove预训练模型获取MOOC评论的分布式词向量;然后采用浅层卷积神经网络,通过多个卷积核学习教学评价的语义,引入不同类别评论的数量设计影响因子,归一化该影响因子并应用到交叉熵损失函数中;最后基于Coursera平台的本科学生教学评论数据集,通过与其他损失函数在F_(1),gmean, balance, gmeasure等评价指标上进行性能对比实验.实验结果表明,基于归一法的特征偏移补偿损失函数在gmeasure指标上比基类损失函数得到了最多15.40%的性能提升,并且采用该损失函数的分类模型也表现出较强的稳定性.

摘要：论文介绍了一种高效目标管理的数据结构,阐述了这种高效数据结构的实现原理。文中将这种高效管理下的目标操作与常规目标管理下的目标操作进行性能比对,分析得出,这种高效的目标管理在综合性能方面优于常规目标管理。