基于近邻规则和粒子群优化的半监督自标记方法

自标记方法能用少量有标记样本和大量无标记样本来训练给定分类模型。误标记是自标记方法中的主要挑战。尽管学者们用数据剪辑技术去识别和移除在自标记方法迭代过程中被误预测的样本，但是许多数据剪辑技术严重依赖于特定假设。为了克服误标记问题和相关解决方案中的缺陷，文章提出一种基于近邻规则和粒子群优化的自标记方法 SLM-NNPSO。首先，SLM-NNPSO用有标记集去训练一个给定的分类模型。其次，SLM-NNPSO用近邻规则来发现具有高置信度的无标记样本，并用被训练的分类模型来预测他们。再次，SLM-NNPSO用粒子优化来识别和移除被误预测的样本，并把被正确预测的样本加入有标记集中。上述过程不断迭代，直到SLM-NNPSO没有发现具有高置信度的无标记样本。最后，SLM-NNPSO输出在迭代过程中被训练的分类模型。经仿真实验证明，就训练k近邻分类器的平均分类正确率而言，在来自销售市场、医学检测、图像识别等领域的12个真实数据集上，SLM-NNPSO优于5个流行的自标记方法。     

文科类大学生课程思政实践与探索——以“人文物理”课程为例

高校的课程思政工作事关培养什么样的人、怎样培养人、为谁培养人这个根本问题，在课堂教学中强化政治方向和思想引领，凸显课程的价值引导功能显得尤为重要。结合文科类大学生人文素养类课程的教学经验，在上海理工大学进行强化课程思政要素和环节的“人文物理”课程教学改革。通过挖掘课程思政元素、课堂教学内容讨论、思政教育的宣传引导、课程考核方式改革等系列措施，有力地促进文科类大学生的课程思政实践与探索，构建具有特色的综合素养类课程的思政育人新途径。