In-depth Analysis of Chinese Traditional Music Overseas Communication Path Based on Multi-objective Optimization Algorithm
Notice bibliographique
Résumé
This paper combines the multifactorial influence of the actual situation, adds the objectives of user interest preference and traditional music overseas communication budget into the influence maximization model, and constructs the Multi-Objective Influence Maximization Model (MOIM) of Chinese traditional music overseas communication to deal with the problem of objective inconsistency in the process of music communication.After that, the seed node selection algorithm of MOEA/D based on decomposition strategy is proposed to improve the search optimization strategy of seeds in the MOIM model.The cross-variance operator designed in the algorithm optimizes the set of solutions generated by the chromosome in the iterative process and finally obtains the Pareto non-dominated solution.The results show that the distribution of Pareto optimal solutions for each graph in the three datasets of TFM, TCC and TCO is very uniform when T=300, and the distribution of Pareto optimal solutions is more uniform with the increase of the number of iterations.The more influential nodes in the multi-objective optimization model of this paper, the higher the cost.The influence and cost of the seed set need to be considered in the overseas dissemination of music, and the seed set should be selected to maximize the influence within the budget.When the network structure and user behavior conform to different characteristics, the MOEA/D model can also get the corresponding undominated solution.The MOEA/D model integrally optimizes the influence index and cost index, so it provides a more flexible set of decision-making solutions for the overseas dissemination of Chinese traditional music.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».