教育SaaS平台技术架构：多终端自适应学习系统与智能教学数据引擎

基于规则的SaaS业务流程定制和挖掘

随着互联网技术的发展和应用软件的成熟,一种新型的软件服务形式——软件即服务(SaaS)逐渐兴起;随着加入这个行业的第三方供应商数目的显著增长,加上这些供应商近来在市场上成功获得的一股领头势力,SaaS应用蓄势待发。与此同时,市场上复杂的、随时变化着的业务需求又给SaaS带来了一个挑战。因此,让流程模型具有一定的配置能力在SaaS应用的发展上有着重要的意义。 为了解决这个问题,本文研究了基于规则的SaaS业务流程定制和挖掘,使业务流程模型具有了一定的自我配置和自我演化能力,能够在实际应用中尽可能地为租户提供良好的用户体验。 本文首先采用结构化流程树的形式来表示业务流程的基本模型,然后定义了配置规则,来赋予流程模型自我配置的能力。在特定的业务环境下,相应的配置规则将被激活,并生成一颗修改树,这颗修改树在解决完其可能存在的配置规则冲突后,将作用于基本流程模型上,得到配置后的流程模型。为了为租户提供更贴近他们需求的模型,系统允许租户进行二次微调,从而得到最终待执行的流程实例。 为了加强系统的自我配置能力,系统将定期对用户的微调记录进行挖掘,并将得到的配置规则添加到配置规则集中。但这会引起配置规则集的膨胀等一系列问题,于是本文采用了流程模型演化的方式来淘汰过时的配置规则,优化当前的基本流程模型,从而达到提高执行效率和用户体验的目的。 本文还通过一个报销流程的实例来说明本文讨论的技术的可用性;表明了基本流程模型加上配置规则构成的流程模型簇这个原型具有一定的自适应能力,并且能够自我学习,自我进化,随时保持着高效的执行率,较少的存储空间,较好的用户体验。

AVEVA和Axonify携手打造人工智能微学习解决方案

工程和工业软件供应商AVEVA宣布,与B2B SaaS和微学习领域厂商Axonify建立战略伙伴关系,共同提供基于人工智能(AI)的自适应微学习技术,扩充AVEVA Unified Learning解决方案.此次与Axonify的战略合作属于AVEVA总体战略框架,该框架旨在帮助企业增加业务实力,提高员工绩效并推动行为转变.该培训计划可通过三个重要举措满足企业的能力提升需求,取得显著成果:一体化综合教育学习平台,包含具有丰富扩展现实功能的模拟培训,以及用于教学设计和

分布估计算法在云计算资源调度中的应用研究

随着信息技术的快速发展,以及大数据环境下技术和存储等需求的不断增长,云计算作为一种新的资源利用模式,使得用户可以通过互联网以按需付费的方式方便,快捷地获取服务.由于云计算资源的有限性,以及用户和供应商需求的多样性,如何"最优地"调度云计算资源已成为近年来学术界调度领域的热点问题.目前,相关研究文献的求解方法多以演化计算方法为主,无法考虑到调度时任务之间潜在的相互依赖关系.然而,相较于传统智能计算方法,分布估计算法能够从优势种群中学习概率模型,在构建变量之间的依赖关系上具有无可比拟的优势.考虑到云计算资源调度问题具有很强的实际应用背景,设计出一种有效的调度算法对于提高用户满意度和供应商效益都具有重要的现实意义. 本文主要从软件即服务(Software as a Service,SaaS)层的用户服务质量(Quality of Service,QoS)优化问题出发,研究考虑具体优化目标和约束条件的云计算资源调度问题,并根据所研究问题的性质设计出相应有效的分布估计算法.首先,本文系统地描述了研究问题的相关背景以及研究现状,然后简单介绍了云计算资源调度问题的分类并描述了该类问题的常见求解算法,最后我们分两章对所研究的两种具体问题和所对应的分布估计算法进行详细描述. 本文先研究了最小化独立任务调度的最大完工时间问题,在对问题进行数学建模后,我们选择了一种变量无关的分布估计算法并在此基础上进行改进.我们主要从算法的编码方案,自适应学习率函数,概率模型,初始化种群和抽样策略几个方面进行改进,同时混合一种改进的遗传算法.仿真结果表明,我们改进后的分布估计算法在获得更高质量解的同时也拥有更快的收敛速度. 接着本文设计了一种基于马尔可夫链模型的,变量相关的混合分布估计算法,用来求解在满足用户截止日期限制的前提下最小化用户开销(执行成本)的问题.在算法设计方面,我们创新性地提出虚拟机选择多样性的概念,并采用两种不同的边缘概率计算方法;此外,一种实时启发式信息和概率计算改进策略被混合应用于条件概率计算过程;最后,通过在抽样过程中混合简单禁忌算法,使得种群在进化过程中保持较高的多样性.仿真结果表明,本文所提出的混合分布估计算法不仅在求解质量上优于其它对比算法,在收敛性和满足用户截止日期限制方面同样有着较高的竞争力. 最后,对本文的研究成果进行总结并展望进一步可研究的方向.

E-learning系统中知识资源的按需定制与服务组合方法研究

E-learning在很多领域内都有着广泛的应用,它是一种基于Internet的数字化教育形式。E-learning在一方面是指一种基于网络的学习,在另一方面,它也包括了数字化学习,例如基于多媒体的学习。本文研究的E-learning中的知识学习是一个逐渐推进的过程,新知识的学习依赖于学习者已经掌握的知识。对于E-learning系统,至今已经有了很多研究,其中比较典型的研究方面有自适应的E-learning、个性化的E-learning以及协同学习等等,这些研究都以学习者自身的情况为基础,通常只是通过简单的文本挖掘来对学习内容进行处理,往往忽略了E-learning这一特殊研究领域独具的特点。E-learning虽然便捷、高效,但由于E-learning环境的负载,仍存在很多的缺点和问题:第一,在系统所提供的庞大的资源库中,学习者往往会出现学习中的迷航(Disorientation)问题,无法有效的定制学习方案;第二,E-learning系统涉及课程网站资料等多种数据来源,有效的整合资源是一大挑战;第三,E-learning系统应该根据学习者自身学习基础和兴趣提供满足个性化需求的服务。针对这些问题,本文对E-learning系统中知识资源的按需定制和服务组合方法进行研究,支持知识资源之间依赖关系的自识别。首先,本文根据机器学习和自然语言理解技术设计知识地图自动生成的方法,知识地图是以所有课程依赖关系为边构成的有向图,本文先根据课程的组织方式设计知识点发现算法,然后以课程之间知识点的引用关系来判断课程之间的依赖关系,并可以根据课程资料的更新与课程的增删动态更新知识地图;其次,本文采用工作流模型来设计E-learning系统中多个数据源的服务组合模型,规范了服务之间的建模、选择和执行流程,设计工作流引擎来完成服务的发现与选择问题,具备良好的动态性,方便运行过程的监控与管理。最后,由于传统的协同过滤推荐算法没有有效的利用学习者的学习兴趣以及背景,针对这一缺点,本文提出了一种有效的推荐算法,在协同过滤算法的基础上,引入了认知函数、关联函数,综合考虑了时间效应和用户偏好度,从而有效支持E-learning系统中知识资源的按需定制,满足用户的个性化需求。基于上述的设计,本文实现了一个面向SaaS的共享式E-learning系统,完善了用户使用流程和服务的生命周期管理。系统可以自动识别课程间的依赖关系,满足用户知识发现与个性化定制的需求;系统以工作流引擎来组织各项资源向用户提供服务,方便管理员监控管理。由于学习者在使用该E-learning系统学习时能够清晰快速的定制满足学习者的个性化的需求的知识资源,例如学习目标和学习时间等,因此,学习者的学习效率可以得到提高,其预期的学习目标也会更加便捷的达到。