Human-Centric Intelligent Systems 期刊推介&文章推荐
Human-Centric Intelligent Systems (eISSN 2667-1336) 是一本国际化的，经过严格同行评审的开放获取期刊，致力于传播 “以人中心的智能系统” 中所有相关理论和实际应用的最新研究成果，并提供以人中心的计算与分析领域的前沿理论和算法见解。HCIS由西南交通大学计算机与人工智能学院李天瑞教授与澳大利亚悉尼科技大学计算机科学学院徐贯东教授担任主编，由东京大学计算机科学学院Masaru
Kitsuregaw教授与伊利诺伊大学芝加哥分校计算机科学学院Philip S. Yu
教授担任顾问委员。本刊将执行严格的单盲同行评审，采取开放获取（Open
Access）模式出版发行，不收取任何费用。所有出版的文章作者保留版权，读者永久免费下载、阅读。
本刊征稿主题包括但不限于
社群检测
社会影响分析
用户建模、个性化和推荐
行为建模
分类、排序、总结和推荐
人工智能伦理：可解释性、公平、责任
文章列表
1. Understanding MOOC Reviews: Text Mining using Structural Topic Model
作者：Xieling Chen, Gary Cheng, Haoran Xie, Guanliang Chen, Di Zou
DOI：https://doi.org/10.2991/hcis.k.211118.001
关键词：MOOC课程评论；编程课程；学员不满意度；结构主题模型；文本挖掘
摘要：了解大规模在线开放课程（MOOC）学员投诉的原因对于提高课程服务质量和学员满意度至关重要。本研究采用结构主题模型分析美国课程中央网站（Class Central）中21692门编程相关的MOOC课程的评论数据以识别学员（不）满意度的影响因素。本文发现，相比于正面评论文本，有四个话题更常见于负面评论文本中。本研究还探讨了引起学员不满意度的因素在不同评分等级的MOOC中的分布差异。研究结果表明，对于高评分MOOC课程而言，学员的投诉内容主要包括问题解决速度、实操练习和编程教材；而对于低评分MOOC课程而言，学员投诉内容主要涉及作业批改评分和课程质量。本研究有助于更好地理解MOOC学员的满意度，进而促进高质量MOOC课程设计。本研究虽然仅使用编程相关的MOOC课程作为案例分析，但其所用的分析方法相对独立，适用于分析不同学科的MOOC评论本文。
2. Application of Logistic Regression Based on Maximum Likelihood Estimation to Predict Seismic Soil Liquefaction Occurrence
作者：Idriss Jairi, Yu Fang, Nima Pirhadi
DOI：https://doi.org/10.2991/hcis.k.211207.001
关键词：液化概率；逻辑回归；分类；最大似然估计；静力触探试验
摘要：土壤地震液化被视为地震带来的重大自然灾害，通常发生在松散或中等饱和砂土中，是防震减灾的巨大挑战。现场静力触探试验（CPT）是一种广泛应用的评价指标，用于世界各地不同场地的土壤液化特性评估。为了解决液化评估模型及其参数不确定性的问题，本研究结合逻辑回归和综合CPT结果，建立了液化概率（PL）预测模型。基于扩展CPT数据集的两大重要特征，提出了评估液化发生的概率函数。模型参数可通过最大似然估计（MLE）的最大化似然函数计算得到。此外，本研究通过使用加权因子在似然函数中应用抽样偏差，针对不同的PL值绘制五个曲线分类器，并使用两个评价指标进行排序。根据评价指标，选择最佳曲线，并与已知的确定性模型进行比较，验证了该概率模型的有效性。本研究还强调召回率在液化发生评估中的重要性。实验结果表明，本文中提出的方法优于现有的概率模型。
3. Pretrained Natural Language Processing Model for Intent Recognition (BERT-IR)
作者：Vasima Khan1, Tariq Azfar Meenai
DOI：https://doi.org/10.2991/hcis.k.211109.001
关键词：意图识别；意图检测；自然语言处理；BERT；深度学习；深度神经网络
摘要：意图识别（IR）被视为自然语言处理（NLP）中的关键领域，其在各种应用中均具有重要作用。其一是搜索引擎 - 解释用户搜索文本的上下文语境。这不仅缩短了响应时间，还有助于搜索引擎产出相应的输出结果。另一应用是社交媒体分析 — 分析不同社交媒体平台上的用户资料已成为当今网络世界的推荐系统、数字营销等多方面应用的必要条件。目前，研究人员通过使用各种技术来实现意图识别，但需注意的是，在意图识别中获得高精度至关重要。本研究中，BERT-IR模型（自然语言处理预训练模型—BERT与一些附加组件）被用于意图识别任务。现如今，在广泛使用的数据集上，BERT-IR模型的准确率已达到97.67%。这一数字表明该模型的高性能与高效率。出于比较目的，本研究还在同一数据集上应用了机器学习技术，即朴素贝叶斯、逻辑回归、决策树、随机森林和梯度提升，以及用于意图识别的深度学习技术，如递归神经网络、长-短期记忆网络与双向长-短期记忆网络，并对其准确性进行评估。研究结果表明，BERT-IR模型的精准度远优于其他模型。
4. Efficient Prediction of Water Quality Index (WQI) Using Machine Learning Algorithms
作者：Md.Mehedi Hassan， Md. Mahedi Hassan， Laboni Akter， Md. Mushfiqur Rahman， Sadika Zaman，Khan Md. Hasib， Nusrat Jahan， Raisun Nasa Smrity， Jerin Farhana， M. Raihan， Swarnali Mollick.
DOI：https://doi.org/10.2991/hcis.k.211203.001
关键词：河水；水质预测；水质指数（WQI）；NN
摘要：水质对于人类健康和环境均具有直接影响。水的用途广泛，包括饮用、农业用水和工业用水。水质指数（WQI）被视为水资源管理的关键指标。本研究的目的是使用机器学习技术，如RF、NN、MLR、SVM和BTM，对印度各地的水质数据集进行分类。水质受溶解氧（DO）、总大肠菌群（TC）、生物需氧量（BOD）、硝酸盐、pH值和电导率（EC）等因素的影响。本文从以下五个阶段分析上述特征的影响：使用最小-最大归一化的数据预处理和RF的缺失数据管理、特征相关性、机器学习分类算法以及模型的特征重要性。本研究中的最高准确度Kappa值、较低准确度和较高准确度分别为99.83、99.17、99.07和99.99。研究结果表明，硝酸盐、PH值、电导率、DO、TC和BOD等因素有助于水质的有序分类，其变量重要值分别为74.78、36.805、81.494、105.770、105.166和130.173。
5. DiaVis: Exploration and Analysis of Diabetes through Visual Interactive System
作者：Mosiur Rahman, Md Rafiqul Islam, Sharmin Akter, Shanjita Akter, Linta Islam, Guandong Xu
DOI：https://doi.org/10.2991/hcis.k.211025.001
关键词：糖尿病；视觉分析；视觉交互系统；定量分析；机器学习
摘要：
背景：糖尿病是一种具有高血糖特征的慢性疾病，目前已成为全球公共卫生问题。探索和分析糖尿病数据应得到实时关注，因为其可能引发多种重大疾病，包括中风、肾衰竭、心脏病发作等。现有研究表明，收缩压（SBP）、舒张压（DBP）、体重、身高、年龄等糖尿病数据可以为分析糖尿病患者的病情提供有效信息。然而，很少有研究聚焦于糖尿病（DM）数据的可视化分析，以优化医疗保健管理者（HA）的管理策略，如（i）决策制定，（ii）相关因素的识别与分组，以及（iii）有效分析大量数据。此类研究仍待探索。
目的：本研究旨在设计交互式可视化系统（Vis），以探索孟加拉国糖尿病（DM）现状及其相关影响因素。
方法：本研究首先采用案例研究法来了解糖尿病相关数据。其次，探究了以用户为中心的技术在解决这些挑战的可能性；于此同时，设计了名为 “DiaVis” 的交互式可视化系统（Vis），并以图表、图形和处理过的文本，以及各种用户交互的可能性的形式去处理和呈现原始数据。此外，本研究中的得出的关键结论有助于我们探索医疗界的相关问题。
结果：本研究采用20人参与的用户研究方法去评估DiaVis系统。通过在具有多个协调视图的仪表板中对数据的迭代探索和修改，DiaVis系统优化了可视化分析流程。
结论：这项研究表明，医疗界应制定相应的政策措施，以降低糖尿病的风险。
6. Deep Visual Analytics (DVA): Applications, Challenges and Future Directions
作者：Md Rafiqul Islam, Shanjita Akter, Md Rakybuzzaman Ratan, Abu Raihan M. Kamal, Guandong Xu
DOI：https://dx.doi.org/10.2991/hcis.k.210704.003
摘要：近年来，可视化分析(VA)在解决各类复杂问题方面得到了广泛关注。然而，设计和运用大规模数据的交互式可视化分析系统极具挑战性。虽然现有研究已经运用了各种数据分析技术，去分析和可视化有洞察力的信息，但深度可视化分析(DVA)作为一项有前景的技术，可以提供输入证据，解释系统结果。本研究提出了几种可视化数据分析的深度学习(DL)技术，综述了国内外针对以下几方面的研究现状 (i)大数据分析，(ii)认知与感知科学，(iii)客户行为分析，(iv)自然语言处理，(v)推荐系统，(vi)医疗保健分析，(vii)金融科技生态系统，(viii)旅游管理。本文提出了新兴DVA研究在可视化领域的开放式研究挑战。同时，探索了现有文献中有助于探索未来研究的关键主题。综上所述，本研究旨在帮助深入学习与可视化分析的读者和研究人员理解用于数据分析的交互式DVA的关键要点。
7. An Empirical Study of Learning Based Happiness Prediction Approaches
作者：Miao Kong, Lin Li, Renwei Wu, Xiaohui Tao
DOI：https://doi.org/10.2991/hcis.k.210622.001
摘要：当今社会，研究者们越来越关注幸福感。从大数据角度来研究幸福感是一项非常有趣的工作。在心理学领域，大数据的应用越来越广泛，其从一种全新的数据驱动的视角进行心理学分析。目前机器学习研究方面的进展，尤其是深度学习，为传统心理学研究提供了新的研究方法。本文通过实验对比分析了一系列基于机器学习的幸福感预测方法及其融合预测质量。利用“中国综合社会调查”（CGSS）项目提供的数据，本文给出了各种幸福感预测方法的实验结果并探究了影响幸福感的因素。从特征工程、预测建模和预测评价等三个阶段，本文讨论了影响幸福感的相关因素并研究了不同结果融合模型对幸福感预测的效果。实验结果表明对幸福度影响比较大的因素包括社会态度（公平性）、家庭变量（家庭资本）和个体变量（心理健康、社会经济状态以及社会地位）。此外，通过这五种特征建立的幸福感预测模型中，boosting在模型融合中效果最好。
8. Interactive Attention-Based Convolutional GRU for Aspect Level Sentiment Analysis
作者：Lisha Chen, Tianrui Li, Huaishao Luo, Chengfeng Yin
DOI：https://doi.org/10.2991/hcis.k.210704.002
摘要：方面级情感分析旨在识别给定语句中特定方面术语的情感极性。大部分基于深度学习的方法将循环神经网络（RNN）及其变体与注意力机制相融合，以建模上下文词汇对情感极性的影响。在近期的研究方法中，卷积神经网络（CNN）和门控机制也被引入以获得复杂的语义特征。然而，现有的方法并未意识到充分结合RNN的序列建模能力和CNN的高维度特征提取能力的重要性。针对这一问题，本文提出了一种全新的解决方案，即，基于交互式注意力机制的卷积双向门控循环单元（IAC-GRU）。IAC-GRU不仅将Bi-GRU提取到的序列特征融合到了CNN中以准确预测情感极性，还分别建模了上下文词汇和方面术语并学习两者之间的相互影响。此外，本文还将位置信息和词性标注信息作为先验知识融合到了嵌入层中。在SemEval2014数据集上进行的实验结果表明了本文模型的有效性。
9. Semantic Knowledge Discovery for User Profiling for Location-Based Recommender Systems
作者：Xiaohui Tao, Nischal Sharma, Patrick Delaney, Aimin Hu
DOI：https://doi.org/10.2991/hcis.k.210704.001
摘要：本文介绍了一种基于位置的推荐系统(LBRS)，该系统结合情感分析和主题建模技术去改进用户画像，从而提高兴趣点(POIs)推荐。通过提取其它特征，我们从Foursquare数据集构建了用户配置文件以充实该模型，并根据用户对地点的意见提供建议。与基线模型相比，该组合模型表现良好，总体精度提高至0.67。本文的局限性在于只使用了一个数据集并且用户的配置文件是利用预测情绪构建的。作为一种特征，这些情绪是从主题建模的用户反馈数据中提取出来的，而不是直观意义上的用户情绪。然而，这款组合模型在用户配置文件与情感评分方面奠定了基础，进一步推进了旅游业领域中LBRS的应用发展。
10. Context-Based User Typicality Collaborative Filtering Recommendation
作者：Jinzhen Zhang, Qinghua Zhang, Zhihua Ai, Xintai Li
DOI：https://doi.org/10.2991/hcis.k.210524.001
摘要：本文提出了一种基于上下文的用户典型性协同过滤推荐算法（CBUTCF），该算法将上下文信息与用户典型性相结合，以减轻上下文感知协同过滤的数据稀疏性，并提取、度量和集成上下文信息。首先，将项目进行聚类，并将其分类为不同的项目类型。对于不同的用户，通过知识粒度来定义和衡量不同项目类型的上下文信息的重要度。然后，将上下文信息与用户典型性相结合，以度量基于上下文的用户典型性；随后，确定“邻居”用户。最后，对单个上下文下的未知评分进行预测，并根据上下文信息重要度的加权总和，预测多上下文下的未知评分。实验结果表明，CBUTCF可以有效地提高推荐的准确性，提高推荐覆盖率。
欢迎扫码进入期刊主页
