深度學習技術在黨校工作的應用

導語：深度學習技術在黨校工作的應用一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：為解決黨校系統缺乏對黨務工作數據進行深層分析的功能從而制約了黨校教學事業發展的問題，文章對深度學習技術在黨校教學和管理工作領域的應用進行了深入探索。文章對黨務工作現狀進行了分析，對深度學習的概念與相關技術進行了介紹，從需求、數據、技術三個維度對深度學習技術在黨校工作中的應用基礎進行了說明，文章列舉了深度學習技術在黨校工作領域的三個應用場景，最后還對應用過程進行了詳細闡述。深度學習技術的應用對于提升黨校數據利用率、拓展相關功能、合理配置師資資源等方面具有積極的意義。

關鍵詞：深度學習；數據挖掘；黨校；模型構建；模型訓練

1背景

黨校是我國教育培訓黨員干部的主渠道和研究宣傳馬克思主義的主陣地。黨校的職責是，通過一系列有計劃地培訓，來提高廣大黨員干部用馬克思主義的立場、觀點和方法來處理實際問題的能力[1]。黨校系統的信息化建設，是我國干部教育事業發展的必然要求，也是新時代黨員教育事業應對科技快速發展形勢的必然選擇[2]。近些年來，我國黨校系統的信息化建設取得了跨越式發展，工作效率和教學能力都有了顯著提高，但在基于黨校需求方面的數據分析研究領域基本處于空白。目前，各黨政機關使用的應用系統均缺乏對黨務工作數據進行深層分析的功能，各黨校的日常教學工作也是如此，制約了黨校教學事業發展。當前，黨校工作模式正由傳統經驗模式向以教學與科研有機融合為核心的模式轉變，因此引入深度學習技術對于提升黨校數據利用率、創新黨校辦學機制、優化黨校師資資源、加強黨校內涵建設、提高黨校教學實效等方面具有積極的意義。

2深度學習介紹

深度學習（DeepLearning）這一概念是Hinton等人在2006年提出的，屬于人工智能研究領域中的一個新的分支。深度學習可以通過各種深度神經網絡模型來對現實世界中的不同問題進行建模，依托大數據對模型進行訓練，從而進行數據間的相關性發現，以此來實現現實問題的預測分析和推理分析[3]。經過多年的發展，以深度學習為代表的人工智能技術，已經在很大程度顛覆了傳統學科的研究方法。依托強大的感知能力、擬合能力和推理能力，深度學習能適用于很多的應用場景，例如：自然語言處理、計算機視覺、生物醫療、推薦系統等。鑒于深度學習在學術界和工業界的巨大影響力，2013年，深度學習技術被研究人員評為世界十大技術突破之首。深度學習從概念提出至今，15年的時間里經歷了發展期、爆發期，中間新提出或衍生出了很多新的算法原理，這些算法在多項任務中都表現出色，典型的深度學習模型有：卷積神經網絡(CNN)、循環神經網絡(RNN)、深度神經網絡(DNN)、自編碼器(AE)等[4],其中CNN、RNN、DNN屬于監督學習，AE屬于無監督學習。目前，深度學習技術應用正逐漸滲透到我們生活的不同領域，我們日常使用的很多技術都融入了深度學習的相關技術，比如：圖像識別、醫療數據分析、文字翻譯、網絡購物、廣告推送等，且都取得了非常好的應用效果。特別是2016年3月，Deep⁃Mind公司開發的AlphaGo與圍棋世界冠軍、職業九段棋手李世石進行圍棋人機大戰，以4比1的總比分獲勝。

3應用基礎

3.1需求基礎。黨校系統經過多年的發展，雖然形成了相對完善的教學制度和管理理念，但工作模式相對固化、傳統思維掣肘，不利于黨校事業的進一步發展。為貫徹落實關于黨校工作的重要指示精神，提高黨校的智能化管理水平，黨校系統也需積極地探索大數據，迎接人工智能時代。雖然目前以深度學習為代表的人工智能技術在黨校工作中的應用基本屬于空白，但深度學習技術在黨校領域應用潛力巨大，具有很強的可行性和實用性。在黨校的教學培訓、理論研究、日常管理等環節中，均可以利用深度學習技術進行黨校數據的二次開發，提高管理服務水平。3.2數據基礎。數據是數字時代的新“石油”，是深度學習三大核心要素之一，由于黨校的正規化、信息化建設比較早，因此各黨校在日常的教學、管理等過程中產生了大量的信息數據，包括結構化的數據和非結構的數據。結構化的數據指的是黨校信息系統在使用過程中產生的系統數據，例如黨校電子文案系統、黨校人員管理系統、黨校財務管理系統等；非結構化數據指的是課程教案、公文資料、任職通知、工作記錄、年終總結、人事檔案等紙質資料。這些數據非常珍貴，為深度學習在黨校系統內的應用提供了非常好的數據基礎。3.3技術基礎。這些年，深度學習發展很快，新模型層出不窮，深度神經網絡、卷積神經網絡、深度信念網絡、生成對抗網絡、循環神經網絡等模型在不同領域都取得了非常好的應用效果。其中，在圖像分類方面，基于CNN的技術已經超過了人類的準確率[6]；在語音識別方面，基于DNN的技術達到了95%的準確率[7]；在機器翻譯方面，基于DNN的技術已經和人類的平均翻譯水平大致相當[8]。此外，面向深度學習的可用開源框架近些年也迎來了爆發式增長，例如：Tensorflow[9]、Caffe、MXNet、Theano、Torch和PyTorc等，這些為深度學習技術在黨校數據挖掘中的應用提供了非常好的技術基礎。

4應用分析

4.1在個性化教學中的應用。個性化教學是近些年為了提高黨校教學質量而提出的新方案，具體是針對不同類型的學員特點，在授課方式（講授式教學、互動式教學、研討式教學、體驗式教學等）、授課內容（理論、案例、實操等）、授課時長等方面制定個性化的教學活動，具有針對性強、教學效果好的優點。在實施過程中，利用深度學習技術可以分析得出不同特征學員的特點和需求，以此來制定針對性的教學方案。例如，黃宏濤[10]基于BP神經網絡提出了一種認知診斷方法，探討該方法在個性化教學中的應用，結果表明：在小樣本診斷中該方法能夠為個性化補救教學提供依據；牛亞男[11]基于神經網絡技術設計并實現了一個教學資源個性化推薦系統，應用效果良好。4.2探索教學質量因素方面的應用。采用深度學習技術，可以從歷史的教學數據和教學結果之間的因素，分析教學管理中授課信息之間的隱藏關系，探索不同授課方式、不同授課對象等對教學質量的影響，為科學評估教學質量和教學管理提供決策支持。例如，溫新[12]提出了一種基于改進遺傳算法和BP神經網絡的教學質量評價模型；于權[13]基于神經網絡技術，結合軍校教學工作的實際特點和部隊教育發展對教學質量的要求開發了一種有效的軍校教學質量評價系統。4.3在合理配置師資資源中的應用。黨校教學資源有限，通過構建基于深度學習的教學資源優化模型，來合理地配置教師、教具、場地、財力、信息等資源，從而達到黨校教學資源的最大化利用、最優化配置。例如，徐曉明[14]在分析任務需求的基礎上，提出了一種基于SVM的仿真資源調度模型，取得了整體最優的調度結果；夏鋒等[15]提出了一種基于神經網絡的教學資源推薦方法，取得了較好的應用效果。

5應用過程

5.1數據準備和數據預處理。黨校存儲的豐富數據是深度學習在該領域應用的基礎。數據從黨校各個部門采集，包括結構化的電子數據和非結構化的紙質數據。不過為了滿足深度學習數據分析處理的基本要求，需要提前對源數據進行數據預處理。對于以紙質文檔形式留存的數據，比如：教學檔案、滿意度調查表、任職通知、工作記錄、年終總結、人事檔案等，需要進行數字化處理；對于系統內的數據庫數據，主要包括以下操作：基于數據集成的數據抽取，基于數據審查的數據清洗，基于數據篩選的數據規約，基于數據序列化、歸一化的數據轉換，基于文本內容的關鍵詞提取等等。5.2模型構建及數據訓練。針對不同的應用場景，構建不同的深度學習模型，例如：在探索個性化教學中的應用時，考慮到授課時間長的因素，可以選用長短時間記憶網絡。模型構建涉及：深度學習模型的選擇和搭建以及參數的選擇和調優等過程，相關參數包括輸入序列、層數、層節點數、激活函數和損失函數等等。訓練模型的過程中可以采用10折交叉驗證（10-foldCrossValidation）與留一法（Leave-One-Out）、分層采樣（Stratification）來測試模型的準確性。5.3功能實現及系統開發。模型在達到一定的精度之后即實現了相關功能，此時需要考慮基于該模型的軟件系統的開發，系統在開發過程中需要與黨校工作人員廣泛交流，結合他們的工作經驗，以期達到實用、科學的目的，最終實現拓展黨校服務內涵，提高教學管理水平的目標。

6結束語

現階段，黨校在數據分析研究方面基礎薄弱，目前黨校部門使用的系統均缺乏對數據進行深層分析以及對黨校知識進行自動獲取的功能，制約了黨校工作的進一步發展。而深度學習技術的使用，為我們開展黨校教學和管理工作大數據分析提供了技術基礎，因此，引入深度學習技術對于黨校系統具有非常重要的意義。雖然目前深度學習技術在黨校教學領域的研究尚處于研究階段，但隨著相關工作的開展，深度學習技術在黨校領域的發展趨勢必將越來越深入、越來越廣泛。

作者:史轉轉 周靖博 寇冰 單位:1.中共武漢市硚口區委黨校 2.戰略支援部隊興城特勤療養中心