本页列出历年研究生培养名录以及相关研究内容（为保护隐私，隐去学生名字）。
除此之外，学生培养还包括本科生创新创业项目、本科毕业设计、大学生课业竞赛等。
欢迎感兴趣的学生加入我们！
郑同学（2010级硕士研究生）
毕业去向：厦门航空有限公司
毕业论文：基于多维特征空间的职位推荐系统研究
本文以网络招聘推荐系统中的职位推荐系统为研究对象，主要工作包括以下几个方面:
(1)职位推荐系统的特性分析。通过对职位推荐系统的研究现状以及现有系统的分析比较，总结出不同于通用推荐系统的特性，也是职位推荐系统实现时 所面临的挑战。
(2)求职用户的多维特征空间分析。本文分析数据库中求职用户的各项信 息，从多个维度获取用户特征来描述求职用户的偏好，创建多维特征空间，作为职位推荐系统的数据基础。
(3)职位推荐算法的设计与实现。在传统的推荐算法的基础上，本文针对 网络招聘领域的特点，依据求职用户的多维特征空间，设计了与网络招聘切合度较高的推荐算法，为求职用户提供个性化的职位推荐。这些推荐算法还在实际的 网络招聘平台上加以实现，并已上线投入使用。
(4)职位推荐系统的评测与改进。在实现职位推荐系统后，本文采用线上评测和线下评测两种方法对系统进行评测，从而了解用户的使用情况及满意程度，以此衡量系统的性能。通过对系统性能、用户使用情况的分析，本文对推荐算法的应用进行改进。依据用户特征描述求职用户的求职紧迫程度，并以此对用户进行分类，为不同类型的用户选择更加合适的推荐算法，并且通过实验证明用户类型与推荐算法匹配的合理性。
张同学（2010级硕士研究生）
毕业去向：河北移动通信有限责任公司
毕业论文：基于混合特征的新闻推荐系统设计与研究
传统的新闻推荐技术在系统扩展性、及时性及大数据量数据的处理上存在很多问题。本 课题组在厦门市信息技术服务中心提供的厦门市政府官方网站平台上设计了新闻推荐系统， 为用户提供个性化新闻推荐。在我们的推荐系统中，针对传统新闻推荐技术的弊端，做了大 量改进，采用基于混合特征的新闻推荐方法，综合的分析用户基本信息特征、用户行为特征、 新闻信息特征，实现了三大模块的推荐，极大提高了推荐精度，增强了用户的阅读体验。
本论文首先对新闻推荐系统做了系统分析，并提出了系统设计框架，接下来详细阐述了个性化新闻推荐系统的模块设计和及其相应算法，最后，通过在厦门市政府官方网站的个性化信息门户的实验，展示了我们的新闻推荐系统实际设计情况。
姜同学（2012级硕士研究生）
毕业去向：招商银行
毕业论文：一种面向垂直门户推荐系统的设计与研究
文章根据垂直门户的特点与需求，在传统新闻推荐系统基础上，研究并开发了一种面向垂直门户的新闻推荐系统。文章介绍该系统各模块及系统工作流程。系统采用混合推荐算法，将AJS算法、AWC-BC算法与AK-means算法，根据用户个性与阅读偏好，进行列表融合。系统根据用户对推荐列表的反馈，动态调整推荐列表，从而使推荐列表更 加个性化。最后文章对混合推荐方法进行了解释，使混合推荐方法在理论上更合理。本文采用四种实验数据，利用离线实验证明算法改进、混合推荐方法的优越性。采用线上实验验证所提混合推荐算法在垂直门户领域应用的可行性。
陈同学（2013级硕士研究生）
毕业去向：厦门航空有限公司
毕业论文：大规模协作创新服务平台的设计与实现
本文以双向推荐系统和面向求职招聘领域的双向推荐系统应用为研究对象，主要工作包括以下几个方面:(1)双向推荐系统的定义与特性分析。定义双向推荐系统，从用户场景、算法适用性两个方面对比分析传统推荐系统和双向推荐系统，在此基础上提出双向推荐系统的问题定义以及通用的用户建模方法。(2)双向推荐的通用算法设计。将双向推荐视为左推荐和右推荐两个子推荐系统，借鉴混合推荐系统中的混合方法融合左推荐和右推荐。本文介绍了三种不同的混合方法:并行式、流水线、整体式，并逐一讨论其对双向推荐的适用性， 从而得到双向推荐系统的通用推荐策略。
(3)面向求职招聘领域的双向推荐算法设计。从用户建模方法的角度出发，对求职招聘推荐系统的多维特征空间进行分析，特别地，本文提出了一种基于用户行为统计的动态偏好模型。在用户模型的基础上，分别对左推荐和右推荐采用协同过滤算法和基于内容的推荐算法，结合上述基于混合方法的双向推荐算法产生推荐结果，并进行线下实验与评测。
(4)求职招聘双向推荐系统的设计与实现。设计并实现了一个实际的求职招聘双向推荐系统，上线运行，并进行线上评测，获取反馈以改进模型与算法。
纪同学（2014级硕士研究生）
毕业去向：中国民用航空中南地区管理局
毕业论文：校园新闻推荐的协同过滤算法对比研究和实现
本文基于新闻具有生命周期较短、访问记录稀疏、文本表示复杂的特点，构造了一个基于主题建模和分层隐变量模型的新闻推荐系统。此系统使用的推荐模型融合了基于内容的推荐算法和基于协同过滤的推荐算法，以混合的推荐算法为用户进行新闻推荐。此模型的构造主要包括了三个模块:新闻主题建模、新闻聚类、分层隐变量模型。此模型基于LDA算法对新闻进行主题建模，获取新闻的主题词分布和主题概率矩阵，基于新闻的主题概率矩阵， 使用自组织神经网络对新闻进行聚类，自组织神经网络具有较好的可视化效果，可以有效确定新闻聚类的类别数。另外，此模型通过获取用户对新闻推荐系统的访问日志，构建用户对新闻的伪评分矩阵，将用户对新闻稀疏的评分矩阵分解成两个低维矩阵，然后使用用户的隐式特征、新闻主题特征和两个低维矩阵逼近原始评分矩阵。
王同学（2016级硕士研究生）
毕业去向：厦门大学
毕业论文：基于深度学习的财经新闻情感分类方法研究
首先，本文创新地设计了一种基于XGBoost的新闻网页正文抽取方法，在10个知名财经新闻门户网站的内容抽取准确率达到97.63%，大大减少开网络爬虫的开发成本。在此基础之上，本文构建了一个财经新闻情感分类数据集。针对研究用财经新闻情感数据不足的问题，提出了通过互联网爬虫的方法采集雪球网上某知名金融信息提供商发布的《上市公司正负面新闻》作为种子数据集，鉴于采集到的种子集数量有限，采取搜索引擎在线搜索的方法，对种子集中的新闻进行扩充，最终构建了一个包含17149条财经新闻的情感分类数据集，并公开发布在全球最大的开源社区Github上。
其次，将深度学习和注意力机制引入到财经新闻情感极性分类中。本文充分考虑了卷积神经网络、循环神经网络和注意力机制的先进性与不足之处，结合财经新闻文本的特点，提出了基于注意力机制的双通道LSTM-CNN情感分类模型。利用该模型在上述构建的财经新闻情感分类数据集中进行训练和预测，通过与CNN模型、RNN模型和基于注意力机制的双向LSTM模型进行对比，实验结果显示，本文提出的方法可以取得96.4%的分类准确率，充分验证了该模型的有效性。此外，本文还提取注意力层的权重向量，根据权值的大小赋予每个词不同深浅的颜色，从而对新闻文本进行可视化展示。
杞同学（2016级硕士研究生）
毕业去向：小米科技有限责任公司
毕业论文：金融领域的知识图谱构建与问答技术研究
本文的主要贡献在于:设计并实现了一种基于半结构化百科内容构建知识图谱的方法;设计并实现了一系列基于知识图谱的文本表示预训练任务;设计并实现了一个基于知识图谱的多任务联合意图解析模型;设计并构建了以知识图谱为基础的问答系统框架。实验结果表明，本文在知识图谱构建、文本表示、实体抽取、问题分类等任务中，取得了令人满意的结果。
郑同学（2016级硕士研究生）
毕业去向：招商银行
毕业论文：基于主题模型与分类算法的预测方法研究
本文研究包括两个方面：其一，如何从海量新闻文本数据中挖掘出潜在的有价值的信息；其二，如何借助数据分析技术与机器学习算法，为市场预测的方法研究提供新的探索方向。
（1）本文提出了基于新兴主题探测的体系构建方法。该方法利用分层狄利克雷过程（HDP）对新闻文本进行主题建模，并针对新闻文本的特性引入了新兴主题的特征指标，包括主题的新颖度指标以及主题与文档的关联度指标。进一步将主题建模得到的主题概率分布结合到特征指标以及探测点与探测值的计算中，最终构建出适用于海量新闻文本的新兴主题探测体系。通过在互联网新闻数据集上进行实证研究，证明该方法能够有效获取新闻文本中的新兴主题并帮助人们分析这些主题的发展趋势，有助于解决目前存在的主题模型可解释性较差以及主题趋势难以预测的问题。
（2）本文设计了一种将市场数据与新闻文本数据进行融合的分类预测模型，市场数据包括历史交易数据与技术指标，新闻文本数据则对应新兴主题探测得到的主题特征。该模型以上述三类特征数据作为输入，选取了朴素贝叶斯、支持向量机与XGBoost三种分类算法，并以下一个交易日的股价涨跌作为二分类标签对分类器进行训练。另外，本文提出了包含基本分析法、技术分析法与主题分析法的分析框架，并利用该框架对不同来源的数据进行研究。该框架的优点在于：一方面，有助于对比不同分类算法的预测结果；另一方面，可以进一步分析不同领域的新闻数据集在各支股票的市场价格波动预测上的表现能力的差异。
郑同学（2017级硕士研究生）
毕业去向：华为技术有限公司
毕业论文：基于并行神经网络的跨域推荐算法研究
本文研究了如何有效利用多个领域 的评论文本和项目内容数据进行跨域推荐的问题，提出一种基于并行神经网络的跨域推荐模型，缓解了数据稀疏的问题，提高了推荐的准确性。本文的主要工作概括为以下三点:
(1)提出一种基于门限循环单元和因子分解机的单域推荐模型。该模型采用门限循环单元从评论文本中提取出用户的特征，从项目内容数据中提取出项目的特征，并通过因子分解机建模用户特征和项目特征之间的交互关系，进而预测评分，为用户提供推荐。
(2)提出一种基于并行神经网络的跨域推荐模型(Parallel Neural Network based Cross-domain Recommendation，PNN-CDR)。该模型利用深度学习技术将多个领域中的用户评分、评论文本和项目内容数据进行了合理地融合，可以从多 个领域的数据中学习用户和项目的特征。PNN-CDR包含多个并行的神经网络， 其中一个用户神经网络对用户特征进行建模，其余的多个项目神经网络对多个领域中的项目特征进行建模，通过多领域共享用户神经网络的方法实现跨域知识迁移，提高推荐准确性。
(3)设计实验证明本文提出的 PNN-CDR 模型在评分预测准确性和结构设计合理性等方面的优越性。实验结果表明，PNN-CDR 模型在均方误差和平均绝对误差这两个评价指标上均优于各对比方法，尤其是在目标领域数据稀疏的情况下。此外，本文设置实验对模型中各个模块的有效性进行了探究，验证了PNN- CDR模型中所采用的文本嵌入层和评分预测层的有效性。
胡同学（2017级硕士研究生）
毕业去向：科大讯飞股份有限公司
毕业论文：基于案情知识图谱的类案语义检索研究
本文的主要工作如下:
(1)构建了一个大规模司法案件的案情知识图谱。本文基于专家知识定义了判决书的细分段落类型与知识图谱数据模式;采用制定的规则及策略对判决书进行结构化解析;基于标注数据和预训练语言模型进行实体关系抽取模型的学习，以实现非结构化文本的知识抽取;设计了个案案情知识图谱自动构建流程，并实现了数十万份判决书的案情图谱自动构建。
(2)提出了一种融合知识表示学习的关系抽取模型。本文在关系抽取任务中引入了知识表示学习，分别融合了基于平移距离的模型与基于语义相似度的模型，结果均表明利用知识进行指导与约束可显著提升关系抽取的效果，并同时获得了结合上下文的案情知识嵌入表示。
(3)设计了一种基于联合学习的实体关系抽取模型。基于现有关系抽取工作，本文设计了一种实体识别与关系抽取联合学习模型，相比基于管道的方法，关系抽取的效果得到了有效改善，底层共享编码的机制将提高知识抽取的效率。
(4)设计与实现了基于案情知识图谱的类案检索原型系统。本文对类案检索系统的整体架构进行了设计，基于前后端分离的架构并利用案情知识开发了类案语义检索系统，并对案情图谱进行了可视化展示。案例应用示例表明该系统可为用户提供良好的检索效果与体验。
徐同学（2018级硕士研究生）
毕业去向：浙江省选调
毕业设计题目：基于上市公司信息知识图谱的智能问答技术研究
本文主要研究内容概括如下：
（1）设计并构建了一个上市公司信息知识图谱。
（2）研究并实现了基于上市公司知识图谱的多轮问答系统和基于 FAQ 的单轮问答系统。
（3）设计并实现了一个以上市公司信息知识图谱为基础，结合新意科技、i厦门和鹏华基金 FAQ 数据的智能问答系统。
熊同学（2018级硕士研究生）
研究方向：建信金融科技有限责任公司成都事业群
毕业设计题目：基于用户即时兴趣与固有兴趣的推荐模型研究
本文的主要工作包括：
（1）提出了一种基于用户即时兴趣和固有兴趣的推荐模型 III-DNN（III 即Instant and Inherent Interests）。
（2）在 III-DNN 模型的基础上，进一步提出了一种融入辅助神经网络的推荐模型 III-DNN-Anc（Anc 即 Ancillary Neural Networks）。
（3）设计实验对比分析了本文提出的两种模型的有效性。
（4）设计与实现了一个职位推荐系统。
武同学（2019级硕士研究生）
毕业去向：中央选调生
毕业设计题目：基于上市公司信息知识图谱的智能问答技术研究
本文主要研究内容概括如下：
（1）设计并构建了一个上市公司信息知识图谱。
（2）研究并实现了基于上市公司知识图谱的多轮问答系统和基于 FAQ 的单轮问答系统。
（3）设计并实现了一个以上市公司信息知识图谱为基础，结合新意科技、i厦门和鹏华基金 FAQ 数据的智能问答系统。
李同学（2019级硕士研究生）
毕业去向：中证指数有限公司
毕业设计题目：基于上市公司信息知识图谱的智能问答技术研究
本文主要研究内容概括如下：
（1）设计并构建了一个上市公司信息知识图谱。
（2）研究并实现了基于上市公司知识图谱的多轮问答系统和基于 FAQ 的单轮问答系统。
（3）设计并实现了一个以上市公司信息知识图谱为基础，结合新意科技、i厦门和鹏华基金 FAQ 数据的智能问答系统。
尤同学（2019级硕士研究生）
毕业去向：天翼云科技有限公司
毕业设计题目：基于上市公司信息知识图谱的智能问答技术研究
本文主要研究内容概括如下：
（1）设计并构建了一个上市公司信息知识图谱。
（2）研究并实现了基于上市公司知识图谱的多轮问答系统和基于 FAQ 的单轮问答系统。
（3）设计并实现了一个以上市公司信息知识图谱为基础，结合新意科技、i厦门和鹏华基金 FAQ 数据的智能问答系统。
陈同学（2020级硕士研究生）
毕业去向：兴业银行福州总行
毕业设计题目：基于深度学习的卫星轨道预报方法研究
本文主要研究内容概括如下：
（1）提出了一种基于注意力机制长短期记忆网络（Long Short Term Memory, LSTM）的卫星短期轨道预报修正方法。
（2）提出了一种基于长期和短期时间序列网络（Long- and Short-term Time series network, LSTNet）的卫星中长期轨道预报方法。
（3）设计并实现了一个卫星轨道信息查询与预报系统。
洪同学（2020级硕士研究生）
毕业去向：厦门大学攻读博士学位
毕业设计题目：基于上市公司信息知识图谱的智能问答技术研究
本文主要研究内容概括如下：
（1）设计并构建了一个上市公司信息知识图谱。
（2）提出基于改进型混合神经网络的空间碎片预报框架。
（3）设计并实现空间碎片中长期轨道演化分析系统。
张同学（2020级硕士研究生）
毕业去向：中国人民银行福州中心支行
毕业设计题目：融合同态加密和差分隐私的隐私保护推荐技术
本文主要研究内容概括如下：
（1）设计并构建了一个上市公司信息知识图谱。
（2）研究并实现了基于上市公司知识图谱的多轮问答系统和基于 FAQ 的单轮问答系统。
（3）设计并实现了一个以上市公司信息知识图谱为基础，结合新意科技、i厦门和鹏华基金 FAQ 数据的智能问答系统。
夏同学（2020级硕士研究生）
毕业去向：交通银行股份有限公司湖北省分行
毕业设计题目：基于会话机制的多臂赌博机推荐算法研究及应用
本文主要研究内容概括如下：
（1）提出一种基于最近邻的会话多臂赌博机推荐算法；
（2）提出一种基于隐含狄利克雷分布主题模型的会话多臂赌博机推荐算法。
（3）设计并实现了一个数据科学个性化推荐系统。
陆同学（2020级硕士研究生）
毕业去向：天翼云科技有限公司
毕业设计题目：基于上市公司信息知识图谱的智能问答技术研究
本文主要研究内容概括如下：
（1）设计并构建了一个上市公司信息知识图谱。
（2）研究并实现了基于上市公司知识图谱的多轮问答系统和基于 FAQ 的单轮问答系统。
（3）设计并实现了一个以上市公司信息知识图谱为基础，结合新意科技、i厦门和鹏华基金 FAQ 数据的智能问答系统。
朱同学（2021级博士研究生）
研究方向：水下数字图像处理
陈同学（2021级硕士研究生）
研究方向：建筑数字孪生
李同学（2021级硕士研究生）
研究方向：图神经网络与推荐系统
蒋同学（2021级硕士研究生）
研究方向：面向产业分析引擎的大模型研究
李同学（2021级硕士研究生）
研究方向：智能问答与推荐系统
2022
高同学（2022级博士研究生）
研究方向：斜爆轰推进技术研究
汪同学（2022级硕士研究生）
研究方向：基于机器学习的时间序列预测
黄同学（2022级硕士研究生）
研究方向：孪生校园数据治理
李同学（2022级硕士研究生）
研究方向：智能问答与知识图谱
林同学（2022级硕士研究生）
研究方向：智能问答与知识图谱
2023
洪同学（2023级博士研究生）
研究方向：数字孪生驱动的海洋牧场
王同学（2023级硕士研究生）
研究方向：数字孪生驱动的智慧渔业养殖信息平台研究
王同学（2023级硕士研究生）
研究方向：生物信息
林同学（2021级硕士研究生）
研究方向：基于数值仿真的航空发动机结构优化研究
许同学（2021级硕士研究生）
研究方向：孪生校园数据分析
李同学（2021级硕士研究生）
研究方向：多模态智能决策关键技术
To be continued …欢迎更多同学加入本实验室... hwx [在] xmu.edu.cn