基于IPv6的MOOC課程評論情感分析系統(tǒng)研究

1、基于IPv6的MOOC課程評論情感分析系統(tǒng)研究* 本文系福建省中青年教師教育科研基金項目“基于多群體在線評論情感分析的推薦方法研究”（項目編號：JZ180197）和“開放數(shù)據(jù)環(huán)境下信息聚合研究”（項目編號：JAT191919）的研究成果之一。張詩雨1 王玲艷1 劉田21(福州大學(xué)圖書館 福州 350116)2(福建農(nóng)林大學(xué)圖書館 福州 350002)摘要：【目的】通過深度學(xué)習(xí)算法建立情感分類模型，提高分類模型的準(zhǔn)確率，并基于IPv6建立慕課評論情感分析系統(tǒng)?！痉椒ā恳灾袊秸n網(wǎng)部分課程評論文本作為實驗數(shù)據(jù)，通過連續(xù)詞袋模型（CBOW）獲得詞向量，在此基礎(chǔ)上，分別利用支持向量機模型（SVM）和多

2、層感知機模型（MLP）對慕課評論進行情感分類?！窘Y(jié)果】本文通過比較兩種模型的識別準(zhǔn)確率，得出MLP具有更好的情感分類性能的結(jié)論。此外，本文還提出了IPv6環(huán)境下的慕課評論情感分析系統(tǒng)架構(gòu)，為IPv6與慕課領(lǐng)域的融合提供參考價值?！揪窒蕖坑捎谀秸n用戶的評論動力不足，評論文本具有片面性?！窘Y(jié)論】相較于支持向量機模型，多層感知機模型的慕課課程評論分類效果更優(yōu)。關(guān)鍵詞：深度學(xué)習(xí) 多層感知機模型（MLP） 文本情感分析 慕課 Ipv6分類號：G35MOOC Courses Sentiment Analysis System Based on IPv6Zhang Shiyu1 Wang lingyan 1

3、 Liu tian2 1(Fuzhou University Library, Fuzhou 350116, China)2(Fujian Agriculture and Forestry University Library, Fuzhou 350002, China)Abstract：Objective This paper proposes a model based on deep learning algorithm, aiming to improve classification accuracy, and a MOOC courses sentiment analysis sy

4、stem based on IPv6.Methods First, we selected MOOC courses comments as experiment data. Then, we compared the support vector machine model (SVM) and the multi-layer perceptron model (MLP) based on the word vectors by continuous bag-of-words model (CBOW). Results In this paper, we compare the recogni

5、tion accuracy of the two models, and draw a conclusion that MLP has better emotional classification performance. In addition, this paper also proposes the framework of the evaluation mechanism of the MOOC commentary in the IPv6 environment, which provides reference for the integration of IPv6 and MO

6、OC. Limitations The reviews are one-sided for lack of motivation of comments. Conclusions Compared with the support vector machine model, the multi-layer perceptron model has better classification of MOOC reviews.Keywords: Deep Learning Multi-Layer Perception（MLP） Text Sentiment Analysis MOOC IPv61

7、引言自2012年大規(guī)模在線開放課程( Massive Open Online Courses，MOOC，簡稱“慕課”)在全球蔓延，各國學(xué)者都對慕課進行了廣泛的探索，其研究熱點尤以教學(xué)改革、教學(xué)模式、翻轉(zhuǎn)課堂等為代表。隨著慕課浪潮的翻涌，慕課評論作為其衍生物，也積蓄了大量的信息資源。這些信息資源中包含的慕課使用者的意見和情感可以為慕課建設(shè)帶來重大參考價值。因此，對這些情感和意見的分析與挖掘就成為慕課發(fā)展過程中必不可少的一環(huán)。情感分析（sentiment analysis），是通過自然語言處理、文字分析等方法挖掘出主體對特定事件的情感或評價，可以廣泛應(yīng)用于知識問答、文本主題分類等場景?，F(xiàn)如今，最常

8、用的情感分析方法主要有基于情感詞典的方法以及基于機器學(xué)習(xí)的方法?；谇楦性~典的分類方法僅能作為基礎(chǔ)的情感分類模型，因此存在一定的局限性，如：Kim1等利用情感詞典擴展種子情感詞，并得出情感詞典對種子情感詞分析影響較大的結(jié)論。而傳統(tǒng)的機器學(xué)習(xí)方法在情感分析的準(zhǔn)確度方面仍差強人意。Liu23等通過融合協(xié)同訓(xùn)練（Co-Training）算法與支持向量機對推文進行情感分析，卻依舊難以忽略文本中無感情色彩的情感詞。隨著深度學(xué)習(xí)的興起，越來越多學(xué)者將深度學(xué)習(xí)運用到情感分析領(lǐng)域。本文選取多層感知機模型對慕課評論進行情感分類，并將其與支持向量機模型進行對比，選出分類能力更優(yōu)的模型，用于慕課評論情感分析系統(tǒng)中。

9、近年來，隨著互聯(lián)網(wǎng)協(xié)議第6版（Internet Protocol Version 6，IPv6）部署在我國的迅速推進，其相關(guān)研究也逐漸成為焦點。未來，IPv6必然會實現(xiàn)全覆蓋。因此，本文還提出了基于IPv6建立慕課評論情感分析系統(tǒng)架構(gòu)，以應(yīng)對這種趨勢。2 研究現(xiàn)狀2.1 SVM在文本分類領(lǐng)域的研究現(xiàn)狀目前，應(yīng)用于文本分類的主流模型是支持向量機（Support Vector Machine，SVM）模型，如：郭超磊4等利用模擬退火算法（Simulate Anneal，SA）良好的尋優(yōu)能力，提出了具有良好分類性能、泛化能力更強的SA-SVM中文文本分類模型；鄭騰5等提出了一種基于LDA主題擴展的多

10、類SVM短文本分類方法，并驗證了該方法的可行性；施瑞朗6用不同的機器學(xué)習(xí)算法對社交平臺數(shù)據(jù)進行分類，得出SVM模型在短文本分類上具有較好表現(xiàn)的結(jié)論。2.2 MLP應(yīng)用領(lǐng)域研究現(xiàn)狀隨著深度學(xué)習(xí)逐漸進入人們的視野，關(guān)于多層感知機（Multi-layer perception，MLP）的研究主要集中在控制工程、算法研究、臨床醫(yī)學(xué)、金融、電子等領(lǐng)域，如：王輝7等提出了基于多層感知機模型的域名生成算法(Domain Generation Algorithm，DGA)準(zhǔn)確識別技術(shù)，通過訓(xùn)練MLP多層感知器模型判斷待檢測域名是否為DGA域名，提升了DGA檢測的準(zhǔn)確率；路明玉8通過MLP網(wǎng)絡(luò)設(shè)計了手寫體數(shù)字識

11、別系統(tǒng)，并驗證了其合理性；張璞9等提出一種基于PU學(xué)習(xí)的建議語句分類方法，在實驗過程中通過訓(xùn)練多層感知機模型對樣例進行分類；晏福10等將混沌理論引入灰狼優(yōu)化算法，并將其應(yīng)用于多層感知器的訓(xùn)練；劉迷迷11等依據(jù)MLP算法建立糖尿病并發(fā)癥預(yù)測模型，并與統(tǒng)計模型邏輯回歸進行對比分析，得出MLP模型具有更高的準(zhǔn)確率，更適合預(yù)測糖尿病并發(fā)癥的結(jié)論；范振宇12通過結(jié)合Bagging算法和MLP，構(gòu)建出量化選股模型，并得到了合理的實證結(jié)果。劉澍13等提出了一種基于遺傳算法與MLP的調(diào)制識別方法，并通過仿真實驗結(jié)果證明了此方法的可行性和有效性。相關(guān)研究都表明MLP具有較好的識別分類能力，但目前在自然語言處理領(lǐng)

12、域卻很少見其應(yīng)用。因此，本文將MLP神經(jīng)網(wǎng)絡(luò)應(yīng)用于慕課評論文本的情感分析中，并以SVM模型為對照，以分類結(jié)果的準(zhǔn)確率證明該方法的合理性。2.3 IPv6應(yīng)用現(xiàn)狀目前關(guān)于IPv6應(yīng)用的研究主要圍繞技術(shù)研究以及通信、工業(yè)等方面的應(yīng)用，而在教育以及文本處理方面的應(yīng)用是少之又少。王天琦14等提出TTS文語轉(zhuǎn)換技術(shù)可以在IPv6下流暢地傳輸數(shù)據(jù)；趙衍15等設(shè)計并實現(xiàn)了基于IPv6的多語種教學(xué)資源管理平臺；張競艷16等研究并實現(xiàn)了將在IPv4協(xié)議下傳輸?shù)牧髅襟w數(shù)據(jù)適用于IPv6協(xié)議傳輸網(wǎng)絡(luò)的改進，并基于此設(shè)計實現(xiàn)了基于IPv6流媒體的知識元E-Learning系統(tǒng)。因此，基于IPv6環(huán)境構(gòu)建慕課評論情感分

13、析系統(tǒng)尤為必要。3 基于機器學(xué)習(xí)的慕課評論情感分析模型3.1 詞向量詞向量模型（Word to Vector,Word2Vec）是一個用于處理文本的神經(jīng)網(wǎng)絡(luò)，根據(jù)在輸入層輸入的語料中相鄰的其他詞來識別詞與詞之間的相似性，并以向量的形式在輸出層輸出。目前，Word2Vec主要有CBOW模型(Continuous Bag-Of-Words Model)和Skip-gram模型(Continuous Skip-gram Model)兩種實現(xiàn)文本向量化的方式。CBOW利用上下文計算當(dāng)前詞出現(xiàn)的概率，其模型圖如圖3-1所示.圖3- SEQ 圖 * ARABIC 1 CBOW模型圖其學(xué)習(xí)目標(biāo)是最大化對數(shù)似

14、然函數(shù)：=wClogPwContent(w)其中，PwContent(w)=j-2lwPdjwxw,j-1ww為語料庫C中的任意詞；每個任意詞w在Huffman樹中都存在一條到根節(jié)點的路徑pw（且路徑唯一），pw路徑上存在lw-1個分支；djw為0或1，即某個單詞在某條分支上的Huffman編碼；xw為輸入詞向量的求和平均；j-1w為非葉子節(jié)點向量。而Skip-gram模型與CBOW模型是互為鏡像的，如圖3-2所示。Skip-gram模型依據(jù)輸入的特定詞輸出相對應(yīng)的上下詞向量。圖3- SEQ 圖 * ARABIC 2 Skip-gram模型圖3.2 主成分分析隨著數(shù)據(jù)集維度的增加，算法學(xué)習(xí)需要

15、的樣本數(shù)量呈指數(shù)級增加，數(shù)據(jù)的稀疏性也越來越高。因此，有必要在減少特征數(shù)量的同時又保留大部分有效信息，構(gòu)造出能夠代表原數(shù)據(jù)集的新特征矩陣。而主成分分析法（Principal Component Analysis，PCA）是目前最主流的線性降維方法。主成分分析法通過某種線性投影，將高維的數(shù)據(jù)映射到低維的空間中表示，換言之，就是用更少的特征來代替原來的特征，并期望在所投影的維度上數(shù)據(jù)的方差最大，盡量使新特征間互不相關(guān)，從而用較少的數(shù)據(jù)維度保留較多的原數(shù)據(jù)特性。，樣本方差PCA使用的信息量衡量指標(biāo)，又稱可解釋性方差，數(shù)值越大，特征所帶的信息量越多。計算公式如下：Var=1n-1i=1n(xi-x)2

16、其中，Var為樣本方差特征的方差；n為樣本量；xi為一個特征中的某個樣本值；x為樣本均值。3.3 文本情感分類模型（1）支持向量機模型（SVM）支持向量機模型是一種建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上的有監(jiān)督機器學(xué)習(xí)方法，通過文本特征提取、文本特征表示和歸一化處理實現(xiàn)文本分類。在特征表示的過程中，利用詞頻-逆文檔頻率(TF-IDF，term frequency-inverse document frequency)來計算詞的權(quán)值：wik=tfik*log(Nnk+0.01)t=ktfik*log(Nnk+0.01)2其中，tfik為特征詞tk在文檔di中出現(xiàn)的頻率，N為訓(xùn)練文檔總數(shù)，nk為訓(xùn)練集中出現(xiàn)tk

17、的文檔數(shù)。由TF-IDF公式可知，一個詞在文檔中出現(xiàn)的頻率越高，則區(qū)分度越大、權(quán)重越大。（2）多層感知機模型（MLP）多層感知機是一種常見的人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）算法，它由一個輸入層，一個輸出層和若干個隱藏層組成。隱藏層數(shù)越多，計算能力越強，但發(fā)生過擬合的幾率也越大。MLP可被看作是一個由多個節(jié)點層組成且每一層都全連接到下一層的有向圖，除輸入節(jié)點以外的每個節(jié)點都是一個帶有非線性激活函數(shù)的神經(jīng)元。三層MLP公式為：fx=G(b2+w2(sigmoid(b1+w1x)其中，b2為輸出層的激活閾值；w1為輸入層到第一個隱含層的權(quán)重；w2為隱含層到輸

18、出層的權(quán)重；b1為隱含層的激活閾值；G為softmax回歸方程；sigmoid激活函數(shù):sigmoida=1/(1+e-a)4 實驗設(shè)計4.1 實驗環(huán)境本實驗使用Windows10系統(tǒng)環(huán)境和PyCharm 開發(fā)環(huán)境，以Python3.7 作為匯編語言。4.2 數(shù)據(jù)采集與預(yù)處理（1）數(shù)據(jù)采集本實驗的研究對象是中國大學(xué)MOOC平臺的課程評價信息。通過分析其網(wǎng)頁源代碼發(fā)現(xiàn)，其課程評論文本都是通過Ajax實現(xiàn)異步加載，并以文本形式保存的。因此，本實驗通過編寫python網(wǎng)絡(luò)爬蟲腳本，使用Selenium自動化測序工具調(diào)用WebDriver模擬登陸中國大學(xué)MOOC平臺，抓取目標(biāo)類別的課程評論數(shù)據(jù)，并將其

19、保存至本地數(shù)據(jù)庫。數(shù)據(jù)采集流程如圖4-1所示。圖4-1 數(shù)據(jù)采集流程圖部分數(shù)據(jù)實例如圖4-2所示：圖4-2 部分數(shù)據(jù)實例圖（2）數(shù)據(jù)預(yù)處理考慮到爬取的數(shù)據(jù)中包含大量HTML標(biāo)簽以及一些表情符號和無意義的數(shù)字、英文字符以及標(biāo)點符號等，因此，在訓(xùn)練模型之前要對這些“臟數(shù)據(jù)”進行清洗。其中，少量非文本內(nèi)容可以通過利用Python的正則表達式（re）刪除，而復(fù)雜的則通過BeautifulSoup庫來刪除。4.3分詞及去停用詞（1）分詞工具的選擇目前用于中文分詞的分詞工具有很多種，如：jieba分詞、SnowNLP、Ansj、HanLP等。本實驗基于python3.7環(huán)境采用jieba分詞對評論文本數(shù)據(jù)

20、進行分詞。其原理是基于前綴詞典生成trie樹，實現(xiàn)高效的詞圖掃描并生成有向無環(huán)圖，從而得到最大概率路徑；根據(jù)動態(tài)規(guī)劃查找最大概率路徑的方法，找出基于此頻道最大切分組合；利用隱馬爾科夫模型標(biāo)記詞匯并通過Viterbi算法獲得最佳隱藏狀態(tài)序列。（2）停用詞表的設(shè)計在自然語言數(shù)據(jù)（或文本）中，對于檢索沒有區(qū)分意義和實際應(yīng)用價值的詞語被稱為停用詞。停用詞主要包括英文 HYPERLINK /item/%E5%AD%97%E7%AC%A6 t _blank 字符、數(shù)字、數(shù)學(xué)字符、標(biāo)點符號及使用頻率特高的單漢字等。由于停用詞的存在會增加文本間的相似度、降低特征詞的密度、影響聚類效果，去除停用詞就顯得尤為必要

21、。然而，作為其不可或缺部分的停用詞表并非自動化生成，需要人工輸入。因此，本實驗通過整合和篩選 “哈工大停用詞詞庫”、“百度停用詞表”等停用詞表，構(gòu)建出一個容量為1598的停用詞表，并存儲到stopwords.txt中。4.4 Word2Vec數(shù)據(jù)詞向量化CBOW預(yù)測行為的次數(shù)與整個語料的詞數(shù)幾乎相等，復(fù)雜度大概是O(V)，而Skip-gram在每個詞作為中心詞時，都要用周圍詞預(yù)測一次，因此，時間復(fù)雜度為O(kV)，其中，k為窗口大小。為了提高模型的訓(xùn)練效率，本實驗選擇CBOW方法，并通過將Python中g(shù)ensim庫Word2Vec的sg參數(shù)設(shè)置為0來實現(xiàn)。4.5 PCA降維對原始數(shù)據(jù)進行標(biāo)準(zhǔn)

22、化處理后，計算相關(guān)系數(shù)矩陣及其特征值和相應(yīng)的特征變量，在此基礎(chǔ)上，計算主成分的貢獻率和累計貢獻率并將其可視化，繪制出主成分圖像。其中，橫軸代表主成分數(shù)量，縱軸代表累計貢獻率（累計方差貢獻率）。由主成分圖4-3可知，前5個成分占比之和在總成分中有絕對優(yōu)勢，因此，選擇前5個特征進行降維。圖4- SEQ 圖 * ARABIC 3 主成分圖4.6 模型的創(chuàng)建、訓(xùn)練及測試通過導(dǎo)入sklearn庫，建立支持向量機模型；通過導(dǎo)入MLP相關(guān)工具包（Tensorflow、Keras）建立多層感知機模型。為對比兩種模型的準(zhǔn)確率，控制單一變量，兩種模型共用同一套訓(xùn)練集和測試集，隨機抽取10%的數(shù)據(jù)作為測試集，其余數(shù)

23、據(jù)作為訓(xùn)練集。4.7 實驗結(jié)果及分析(1) 準(zhǔn)確率通過測試結(jié)果發(fā)現(xiàn)，MLP比SVM模型準(zhǔn)確率高。表4- SEQ 表 * ARABIC 1ModelTest AccuracySVM0.85MLP0.857883817(2) ROC曲線可視化評估接收者操作特征曲線（Receiver Operating Characteristic Curve，ROC）可以反映模型在選取不同閾值時的敏感性和精確性。該曲線的橫坐標(biāo)為假陽性率（False Positive Rate, FPR），縱坐標(biāo)為真陽性率（True Positive Rate, TPR）。TPR=TPPFPR=FPN其中，P為真實正樣本個數(shù)，N為

24、真實負樣本個數(shù)，TP為P個正樣本中被分類器預(yù)測為正樣本的個數(shù)，F(xiàn)P為N個負樣本中被分類器預(yù)測為正樣本的個數(shù)。ROC曲線下的面積為AUC（Area under Curve）值，AUC值越大，當(dāng)前分類算法越有可能將正樣本排在負樣本前面，分類效果更好。圖 SEQ 圖 * ARABIC 4-4 SVM模型ROC曲線圖4- SEQ 圖 * ARABIC 5 MLP模型ROC曲線通過觀察SVM和MLP模型的ROC曲線可以發(fā)現(xiàn),MLP的AUC值明顯大于SVM的AUC值，因此，MLP模型的情感分類效果比SVM模型好。5 基于IPv6的慕課評論情感分析系統(tǒng)5.1 IPv6概述隨著互聯(lián)網(wǎng)在各領(lǐng)域的空前發(fā)展，人們對

25、于信息資源的需求量也與日俱增。傳統(tǒng)的Ipv4通訊協(xié)議已不能滿足日漸龐大的地址空間需求。國際互聯(lián)網(wǎng)工程任務(wù)組為了緩解地址危機，設(shè)計了地址長度為128位的IPv6，作為現(xiàn)有IPv4的補充替代。IPv6不僅解決了地址容量的問題，其包含的IPSec協(xié)議還可以保護IP通信，提供加密和鑒別等服務(wù)。此外，其移動IP技術(shù)還提高了路由選址效率和數(shù)據(jù)吞吐量，在大大提高慕課評論情感分析的實時性的同時，也極大滿足了移動端的需求。IPv4與IPv6比較如表5-1所示。表5-1 IPv4與IPv6比較5.2 基于IPv6的慕課評論情感分析系統(tǒng)架構(gòu)本文構(gòu)建的基于IPv6環(huán)境下的慕課評論情感分析系統(tǒng)由五部分組成，如圖所示。圖

26、5-1 系統(tǒng)架構(gòu)圖（1）數(shù)據(jù)層數(shù)據(jù)層存儲與課程評論相關(guān)的數(shù)據(jù)存儲層，包括但不限于課程名稱、課程評論等數(shù)據(jù)。（2）網(wǎng)絡(luò)層提供調(diào)用數(shù)據(jù)層的訪問接口，并支持IPv6協(xié)議。網(wǎng)絡(luò)層根據(jù)請求需求將相應(yīng)的數(shù)據(jù)引入服務(wù)層（3）服務(wù)層服務(wù)層根據(jù)評論預(yù)料，采用深度學(xué)習(xí)算法訓(xùn)練情感分類MLP模型。（4）結(jié)果層依據(jù)服務(wù)層的模型對待分類文本進行分類。（5）展示層課程評論情感分類結(jié)果在展現(xiàn)層展示，供相關(guān)人員分析。6 結(jié)語本文首先通過分詞、詞向量化、降維等預(yù)處理慕課評論數(shù)據(jù)。然后利用機器學(xué)習(xí)算法，通過構(gòu)建和比較分析SVM和MLP情感分類模型，得出了MLP模型具有更好的情感分類效果的結(jié)論。最后基于IPv6環(huán)境提出了慕課評論情

27、感分析系統(tǒng)框架，以期為慕課與IPv6的融合發(fā)展提供借鑒意義。然而，本文仍存在一些不足之處：（1）慕課評論數(shù)據(jù)存在局限性一方面，本實驗為了驗證情感分類模型的準(zhǔn)確性，采用人工標(biāo)注評論極性的方法，存在一定的主觀性；另一方面，通過對比慕課使用人數(shù)以及評論數(shù)發(fā)現(xiàn)，慕課使用者評論動力不足，這在一定程度上導(dǎo)致了評論維度較少、評價比較片面，無法全面地評估慕課效果。（2）情感分析系統(tǒng)功能單一本系統(tǒng)目前僅設(shè)計了面向課程的情感分析，沒有涉及面向老師的評價情感分類。此外，在接下來的研究中還可加入對課程大類的可視化分析以及對單一課程的可視化分析兩大類，以豐富系統(tǒng)功能，提供更全面的信息。參考文獻：KIM S M ，HOV

28、Y E. Identifying and analyzing judgment opinionsC.Proceedings of the Joint Human Language Technology/North AmericanChapter of the ACL Conference，2006：200-207.LIU S，LI F，LI F，et al. Adaptive co-training SVM for sentimentclassification on tweetsC. Proc of ACM International Conferenceon Information & K

29、nowledge Management，2013：2079-2088.LIU P，MENG H.SeemGo：conditional random fields labeling andmaximum entropy classification for aspect based sentiment analysisC. Proc of International Workshop on Semantic Evaluation，2014：527-531.郭超磊,陳軍華.基于SA-SVM的中文文本分類研究J.計算機應(yīng)用與軟件,2019,36(03):277-281.鄭騰,吳雨川.LDA特征擴展的

30、多類SVM短文本分類方法研究J.武漢紡織大學(xué)學(xué)報,2019,32(02):72-76.施瑞朗.基于社交平臺數(shù)據(jù)的文本分類算法研究J.電子科技,2018,31(10):69-70+75.王輝,周忠錦,王世晉,史卓穎.基于MLP深度學(xué)習(xí)算法的DGA準(zhǔn)確識別技術(shù)研究J.信息安全研究,2019,5(06):495-499.路明玉.通過MLP網(wǎng)絡(luò)結(jié)構(gòu)進行手寫數(shù)字識別的系統(tǒng)設(shè)計J.科技資訊,2019,17(14):17-18.張璞,劉暢,李逍.基于PU學(xué)習(xí)的建議語句分類方法J.計算機應(yīng)用,2019,39(03):639-643.晏福,徐建中,李奉書.混沌灰狼優(yōu)化算法訓(xùn)練多層感知器J.電子與信息學(xué)報,201

31、9,41(04):872-879.劉迷迷,蔡永銘.基于多層感知神經(jīng)網(wǎng)絡(luò)的糖尿病并發(fā)癥預(yù)測研究J.軟件,2018,39(10):30-35.范振宇. 基于Bagging算法優(yōu)化MLP神經(jīng)網(wǎng)絡(luò)量化選股D.上海師范大學(xué),2018.劉澍,王宏遠.基于混合遺傳算法優(yōu)化的MLP神經(jīng)網(wǎng)絡(luò)的調(diào)制方式識別J.武漢大學(xué)學(xué)報(理學(xué)版),2008(01):104-108.王天琦,王學(xué)明,王恒.IPv6下的TTS文本語音轉(zhuǎn)換J.信息技術(shù)與信息化,2019(01):57-59.趙衍,張文正,張志悅,吳勝男.基于IPv6的多語種教學(xué)資源管理平臺設(shè)計與實現(xiàn)J.通信學(xué)報,2018,39(S1):13-21.張競艷. 基于IPv

32、6流媒體的知識元E-Learning系統(tǒng)的設(shè)計與實現(xiàn)D.河北科技大學(xué),2013.鮑志彥.圖書館學(xué)科信息可視化服務(wù)模式研究J.圖書館理論與實踐,2016(11):83-86.蔡夢嬌. 國外航天情報信息系統(tǒng)的研究與實現(xiàn)D.西安電子科技大學(xué),2017.曾婷,楊帆,王恒.國土規(guī)劃數(shù)字檔案資源的數(shù)據(jù)挖掘與可視化J.蘭臺世界,2019(S1):191-192.鄧偉珍.圖書情報領(lǐng)域信息可視化分析方法研究進展綜述J.科技傳播,2018,10(18):170-171.杜鷥.基于知識可視化的數(shù)字圖書館知識服務(wù)模式研究J.圖書館學(xué)刊,2017,39(08):61-65.付紅.物聯(lián)網(wǎng)環(huán)境下可視化技術(shù)在高校檔案信息管理

33、系統(tǒng)的應(yīng)用J.信息記錄材料,2019(06):12-14.谷惠敏.可視化技術(shù)在高校檔案管理系統(tǒng)的應(yīng)用J.電子技術(shù)與軟件工程,2019(04):160-161.黃萬偉,杜春鋒,張建偉,段通.支持IPv6試驗和部署的新型數(shù)據(jù)平面結(jié)構(gòu)研究J.鄭州大學(xué)學(xué)報(工學(xué)版),2019,40(02):12-17.張沛,陳文龍,唐曉嵐.IPv6融合樹結(jié)構(gòu)存儲及快速查找J.小型微型計算機系統(tǒng),2018,39(12):2640-2645.李會平.試論IPv6趨勢下的檔案信息化應(yīng)用與任務(wù)J.辦公自動化,2019,24(03):45-47+26.劉健.博物館數(shù)據(jù)可視化的探索與實踐以上海博物館數(shù)字化建設(shè)為例J.博物院,20

34、19(02):91-97.劉燕,傅智杰,李姣,侯麗.醫(yī)學(xué)百科知識圖譜構(gòu)建J.中華醫(yī)學(xué)圖書情報雜志,2018,27(06):28-34.呂建科. 基于潛變量的PCA降維方法在文本分類問題中的應(yīng)用D.浙江大學(xué),2018.馬曉亭.面向智慧決策的圖書館可視化分析系統(tǒng)研究J.圖書館理論與實踐,2019(01):74-78.馬妍. 商品評論情感分析系統(tǒng)的設(shè)計與實現(xiàn)D.北京交通大學(xué),2015.秦倩,張文德.基于IPv6的移動圖書館APP的構(gòu)建與實現(xiàn)J.情報探索,2018(02):65-71.瞿康源,張娜,何娟,劉超,劉盈,張秋月.基于IPv6的社區(qū)智慧醫(yī)療服務(wù)體系構(gòu)建J.電腦知識與技術(shù),2019,15(06):286-288.孫雨生,李萬蓉.國內(nèi)數(shù)字圖書館信息可視化研究進展:架構(gòu)體系與關(guān)鍵技術(shù)J.圖書館學(xué)研究,2019(04):2-9.涂文博,袁貞明,俞凱