检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

在线学习资源推荐综述

计算机应用 2023年第6期43卷 1655-1663页

作者：董永峰王雅琮董瑶邓亚晗河北工业大学人工智能与数据科学学院天津300401 河北省大数据计算重点实验室(河北工业大学) 天津300401 河北省数据驱动工业智能工程研究中心(河北工业大学) 天津300401

近年来越来越多的学校广泛使用网络在线授课,然而互联网中海量的学习资源令学习者难以抉择。因此,研究在线学习资源推荐并为学习者进行个性化推荐非常重要,这可以帮助学习者快速获取其所需的优质学习资源。针对在线学习资源推荐的研究现... 详细信息

近年来越来越多的学校广泛使用网络在线授课,然而互联网中海量的学习资源令学习者难以抉择。因此,研究在线学习资源推荐并为学习者进行个性化推荐非常重要,这可以帮助学习者快速获取其所需的优质学习资源。针对在线学习资源推荐的研究现状,从以下5个方面进行分析总结。首先,总结了目前国内外在线教育平台在学习资源推荐方面的工作;其次,分析和探讨了以知识点习题、学习路径、学习视频和学习课程为学习资源推荐目标的4种算法;接着,分别从学习者和学习资源的角度出发,以具体的算法为例,详述了常用的基于学习者画像、基于学习者行为和基于学习资源本体的3种学习资源推荐算法;此外,总结了公开的在线学习资源数据集;最后,分析了学习资源推荐系统目前存在的问题和未来的发展方向。

关键词：在线学习在线教育平台个性化推荐学习资源推荐智慧教育

融入学习者模型在线学习资源协同过滤推荐方法

在线全文

学校读者我要写书评

暂无评论

智能系统学报 2021年第6期16卷 1117-1125页

作者：刘芳田枫李欣林琳东北石油大学计算机与信息技术学院黑龙江大庆163318 讷河市第一中学黑龙江讷河161300

在线教育存在"信息迷航"问题,而传统的信息推荐方法往往忽视教育的主体—学习者的特征。本文依据教育教学理论,根据在线教育平台中的学习者相关数据,研究构建了适用于在线学习资源个性化推荐的学习者模型。以协同过滤推荐方法为切入点,... 详细信息

在线教育存在"信息迷航"问题,而传统的信息推荐方法往往忽视教育的主体—学习者的特征。本文依据教育教学理论,根据在线教育平台中的学习者相关数据,研究构建了适用于在线学习资源个性化推荐的学习者模型。以协同过滤推荐方法为切入点,融合学习者模型中的静态特征和动态特征对协同过滤方法进行改进,建立融入学习者模型的在线学习资源协同过滤推荐方法。以2020年3~7月时间段的东北石油大学"C程序设计"课程学生的真实学习数据和行为数据为数据集,对本文提出的方法进行验证和对比,最后证明本文提出的方法在性能上均优于对比方法。

关键词：学习者模型在线学习资源协同过滤个性化学习学习资源推荐学习风格特征认知水平特征兴趣偏好特征

在线全文

学校读者我要写书评

暂无评论

基于知识图谱与协同过滤的学习资源推荐研究

基于知识图谱与协同过滤的学习资源推荐研究

作者：赵楠楠西北师范大学

学位级别：硕士

学习资源推荐的准确性是实现精准教学和个性化学习的关键。但是,由于互联网中不断产生的海量数据会导致“信息过载”、“知识迷途”等问题的出现,学习者很难在众多网络学习平台上精确定位自己需要的学习资源,更难以实现个性化学习。协... 详细信息

学习资源推荐的准确性是实现精准教学和个性化学习的关键。但是,由于互联网中不断产生的海量数据会导致“信息过载”、“知识迷途”等问题的出现,学习者很难在众多网络学习平台上精确定位自己需要的学习资源,更难以实现个性化学习。协同过滤算法是一种比较经典且常用的推荐算法,但存在冷启动问题。而知识图谱中包含了丰富的语义内容,可以将来源不同的多种类型的信息结合起来,形成一个复杂的关系网络,让学习者从“关系”的角度分析问题。通过使用知识图谱,可以为推荐系统提供更多的参考信息,从而更好地满足用户的需求。此外,知识图谱还能够缓解传统算法中的冷启动和数据稀疏问题。因此,本文提出将知识图谱和协同过滤算法结合起来进行学习资源推荐,以提升学习资源推荐的准确度。本文的主要研究工作如下:1.搭建ALBERT-Bi LSTM-CRF命名实体识别模型。考虑到ALBERT模型所占内存更小且可以更准确地识别出实体名称,本文采用ALBER模型代替BERT模型。ALBERT模型可以从文本中提取到语义信息,从而增强文本的语义表达能力。本文采用ALBERT模型提取动态词矢量,并通过Bi LSTM网络实现深度特征的学习;在CRF层,通过分析不同类别的标签间的相关性,来提升识别的精确度,从而实现对文本信息的实体识别。最后,通过多组对比实验验证本文模型的有效性。2.构建学习资源领域知识图谱。首先,通过Python中的Scrapy框架获取相关数据,通过知识抽取和知识整合等对数据进行预处理操作,获取各个领域的信息,并将其转换为三元组形式;然后,将这些信息存储在Neo4j图数据库中,从而构建学习资源图谱,并通过图的形式清晰地展现出每一个实体和它们之间的联系。3.提出融合知识图谱与协同过滤的学习资源推荐模型。该模型既利用课程内部的关联性,又利用用户的行为等信息,将知识图谱融入到协同过滤推荐算法中,改善推荐效果。最后,通过与其他模型进行实验比较,对模型的有效性进行验证。实验证明,与传统的协同过滤方式相比,本文提出的算法在召回率、准确度以及F值上均有所提升。

关键词：知识图谱协同过滤命名实体识别学习资源推荐

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于混合神经网络的学习资源推荐研究

基于混合神经网络的学习资源推荐研究

作者：张倩西北师范大学

学位级别：硕士

随着“互联网+教育”的迅速发展,各类教育平台纷纷涌现,学习者可以突破时空限制,随时随地进行学习。但是,近几年伴随着互联网上学习资源数量的爆炸式增长,反而导致学习者无法从海量的数据中快速找到合适的学习资源,降低了学习效率。因此... 详细信息

随着“互联网+教育”的迅速发展,各类教育平台纷纷涌现,学习者可以突破时空限制,随时随地进行学习。但是,近几年伴随着互联网上学习资源数量的爆炸式增长,反而导致学习者无法从海量的数据中快速找到合适的学习资源,降低了学习效率。因此,学习资源推荐算法的应用将为学习者的在线学习提供较大便利。本文在现有研究成果基础之上,针对单一推荐算法存在的局限性,通过混合神经网络模型在视频课程资源推荐和文本图书资源推荐两个方面进行深入的研究,主要工作如下:(1)对于目前视频推荐算法仅考虑用户的历史行为数据,忽略用户内容偏好信息以及非活跃用户对协同过滤可能产生的消极影响,从而导致推荐算法出现内容过度模糊、数据稀疏等问题,提出基于自适应图卷积与加权内容相似度计算相结合的混合推荐模型。首先,使用通道注意力机制,通过权重突出有用信息,抑制无用信息;其次,对层组合模块添加自注意力机制,进一步提取关键信息和非活跃用户的高阶信息,并在用户-课程交互图上传播这两种信息来学习用户和课程嵌入,将每一层的嵌入结合起来作为最终嵌入;最后,结合加权内容相似度计算,挖掘用户的内容偏好,对其结果进行融合计算进行推荐。(2)对于目前文本推荐算法仅考虑历史交互项之间的顺序相关性,未考虑用户偏好的时间动态变化和多样性等问题,提出融合门控神经网络结合自注意力路由算法的混合学习资源推荐模型。首先,使用循环神经网络根据用户历史行为计算用户嵌入,使用门控神经网络提取用户以及相似用户的偏好向量;其次,引入学习者差异因子,通过邻居提取器提取相似用户,从多个交互数据中,选择每个邻居用户的相对未来序列,为学习者构造偏好相同的邻居;再次,引入自注意力路由算法,针对每一集合的历史行为数据,将其软聚类为多个向量以表示用户的多样化兴趣;最后,通过基于时间感知的注意力机制,将获取的未来偏好序列和学习者历史行为相关联,生成动态用户偏好表示向量,针对学习者对不同项目的偏好,进行多样化推荐。实验证明使用门控神经网络和自注意力路由算法,能够有效地提升模型的性能表现。(3)采用本文提出的推荐模型设计并实现了一个学习资源推荐系统,该系统能够较好地让用户体验学习资源推荐算法的魅力。首先,分析用户需求,设计系统体系结构,确定系统的功能;其次,对各功能模块进行展示,以界面化形式进行学习资源推荐;最后,对系统进行测试。该系统运行稳定,操作简便,界面美观大方。

关键词：学习资源推荐图卷积神经网络神经网络注意力机制序列推荐门控神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度强化学习的学习资源推荐算法研究

基于深度强化学习的学习资源推荐算法研究

作者：王雨辰山东师范大学

学位级别：硕士

当今社会随着互联网的不断发展,学习资源的数量呈指数型上升,种类也多种多样,例如数字图书馆的学习资源、网络课程学习资源等等。在如此多的学习资源面前,用户想要找到最适合自己的学习资源也变得越来越困难,所以如何准确的向用户推荐... 详细信息

当今社会随着互联网的不断发展,学习资源的数量呈指数型上升,种类也多种多样,例如数字图书馆的学习资源、网络课程学习资源等等。在如此多的学习资源面前,用户想要找到最适合自己的学习资源也变得越来越困难,所以如何准确的向用户推荐最适合他的学习资源是一个非常必要的问题。推荐系统是根据用户的需求、兴趣将用户感兴趣的信息（如产品、图书、课程等）推荐给用户的系统。传统的推荐方法在推荐的过程中有很多局限:推荐过程是静态的,忽略了用户偏好的动态变化;大多数推荐系统目标是最大化即时收益得到最终推荐结果,忽略了长期收益的可能;传统的推荐系统倾向于推荐大众化的物品,对没有人交互过的物品或者小众化物品的探索能力不足。深度强化学习能对推荐系统模型进一步优化,深度强化学习的思路和人类学习的思路相近,是通过在某个状态下尝试一个动作,在之后的结果中得到这个动作的回报价值来评价这个动作的好与坏,这个回报价值称为奖励值。将深度强化学习运用到序列推荐中,可以有效地最大化长期收益、对结果进行较好的探索、在线更新用户偏好的动态变化。将深度强化学习引入推荐系统解决了传统推荐系统的诸多问题。本文在现有的深度强化学习方法的基础上,重点研究如何将深度强化学习引入到推荐系统中,通过引入深度强化学习实现对推荐系统的结果进行更好的优化。本文首先提出了一个基于聚类的分层强化学习模型,用于数字图书馆的个性化图书推荐。随后在基于聚类的强化学习模型中引入Q学习,提出了通过Q学习的方式加强推荐系统的模型。本文的主要贡献如下:（1）提出了基于聚类的强化学习模型,并将模型用于数字图书馆的个性化图书推荐。该模型使用了聚类与分层强化学习,聚类可以数字图书馆中的图书进行分类,解决数字图书馆中图书数据稀疏的问题。分层强化学习可以找到借书序列中的噪声数据并删除,使模型能更准确的预测用户的偏好,从而推荐相应的图书。（2）提出了基于Q学习的分层强化学习模型,并将模型用于优化基于聚类的分层强化学习模型。该模型将Q学习与基于聚类的分层强化学习模型结合,在分层强化学习模块中加入Q学习,将分层强化学习中低级任务的奖励值与Q学习中的Q值进行计算,得到更准确的序列中的噪声数据。

关键词：强化学习推荐系统聚类学习资源推荐

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于知识图谱的学习资源个性化推荐算法研究

基于知识图谱的学习资源个性化推荐算法研究

作者：林夕辽宁大学

学位级别：硕士

在线学习平台的高速发展带来了数量庞大的线上学习资源,同时海量的学习资源亦带来了信息迷航的问题,使得学生难以快速准确的找到符合自身学习能力的资源。近年来,智慧教育领域的研究热点之一便是如何为学生推荐高质量个性化的学习资源,... 详细信息

在线学习平台的高速发展带来了数量庞大的线上学习资源,同时海量的学习资源亦带来了信息迷航的问题,使得学生难以快速准确的找到符合自身学习能力的资源。近年来,智慧教育领域的研究热点之一便是如何为学生推荐高质量个性化的学习资源,从而助力智慧教育实现因材施教的个性化教学理念。然而,当前在学习资源推荐领域中主要面临着两方面的难题:一方面是由于学生的学习行为需要付出较长的时间,造成了学习资源推荐领域相较于其他传统推荐领域需要面对更为严重的数据稀疏问题;另一方面,学生的学习意图多样且兴趣多变,如何捕获学生的动态偏好成为了学习资源推荐领域的另一大难题。为了解决上述两个问题,本文通过对推荐领域内的经典模型进行研究和改进,提出了本文的学习资源推荐模型。本文的主要工作如下:(1)针对数据稀疏性的问题,提出了基于图卷积的学习资源推荐算法。算法首先构建学生-学习资源二部图,通过轻量级的图卷积,捕获学生的学习偏好以及相似的学习资源。随后通过实体对齐将学生-学习资源二部图中的学习资源桥接至教育知识图谱中的相同学习资源实体,并结合带有注意力机制的图卷积探索不同类型学习资源的关联性,进一步加强学习资源的项目表示,最后在公开的数据集MOOCCube上验证了算法的有效性。(2)针对学生复杂的学习意图以及动态变化的学习兴趣难以捕获的问题,提出了融合长短期动态偏好的改进学习资源推荐算法。算法首先以短期偏好、长期偏好和受上下文影响的动态学生表示作为输入,随后分别编码为长期动态偏好表示和短期动态偏好表示,接下来聚合上述经过轻量级图卷积捕获的学生偏好表达作为最终的学生兴趣嵌入表示,最后结合上述经过项目增强表示的学习资源嵌入表达进行学生推荐预测,同样在MOOCCube数据集上验证了算法的有效性。

关键词：学习资源推荐知识图谱图卷积注意力机制长短期动态偏好

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图神经网络的学习资源推荐算法研究

基于图神经网络的学习资源推荐算法研究

作者：茹菲菲西北师范大学

学位级别：硕士

学习资源推荐一直是教育领域的关注热点,为学习者推荐合适的学习资源,有利于提高学习者的学习效率,然而随着学习资源数量的不断增加,学习者在面对“总体资源无限”而自己“个体需求有限”的矛盾时,很容易导致“信息过载”和“学习迷失... 详细信息

学习资源推荐一直是教育领域的关注热点,为学习者推荐合适的学习资源,有利于提高学习者的学习效率,然而随着学习资源数量的不断增加,学习者在面对“总体资源无限”而自己“个体需求有限”的矛盾时,很容易导致“信息过载”和“学习迷失”的困境。针对于此,在现有的学习资源推荐、图神经网络推荐、协同过滤算法等领域的研究成果基础上,本文主要通过图神经网络技术在文本学习资源推荐和视频学习资源推荐两个方面进行深入的研究,本文的主要工作如下:（1）对于文本学习资源推荐算法存在忽略语义联系、学习者动态偏好和学习资源近期性等问题,提出了基于图神经网络的文本学习资源推荐算法（TXT-GNN）。由于文本类的学习资源众多,选取具有代表性的学术论文进行推荐。首先,利用卷积神经网络进行文本信息提取;然后,构建学习者-学术论文的异构图,利用学术论文序列化信息的特点,使用图神经网络获取学习者和学习资源的高阶信息,通过两个聚合函数处理序列邻居,获取学习者的潜在因子和学习资源的潜在因子,作为学习者的长期兴趣;最后,利用长短期记忆人工神经网络结合注意力机制获取学习者的短时兴趣,将长期兴趣和短时兴趣同时考虑为学习者进行学习资源推荐。将TXT-GNN模型应用到真实的数据集:Cite ULike学术论文数据集,在数据集Cite ULike-a和数据集Cite ULike-t上与其他基准实验相比,Recall@20最高提升了21.89%,MRR@20最高提升7.27%,不仅提升了准确率,而且缓解了数据的稀疏性问题。（2）针对目前的视频学习资源推荐算法存在忽略视频本身的特性、数据稀疏性等问题,提出了基于图神经网络的视频学习资源推荐算法（VGNN）。首先,对于有学习者评分的视频,利用协同过滤算法计算视频之间的皮尔逊相关系数来判断视频的相似度;其次,对于没有评分的视频,构建学习者-视频观看的异构图,利用图卷积网络不同类型的向量传播方法分别建模学习者长期和短时兴趣;最后利用多层感知机输出学习者和视频之间的链接概率。在学习平台上采集数据进行实验,VGNN与其他算法相比,推荐准确率指标都有所提升,AUC相对提高最多,提升5.8%,对于视频学习资源的推荐,提升值是较好的。（3）结合文本和视频学习资源推荐算法设计并实现了原型系统。首先,介绍系统需要完成的功能,对总体系统架构进行设计;其次,以界面化的形式呈现学习资源推荐;最后对系统进行测评。

关键词：图神经网络学习资源推荐学习者兴趣建模 TXT-GNN VGNN

基于学习者时空特征的移动学习资源推荐模型研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

现代教育技术 2020年第10期30卷 13-19页

作者：李浩余雪杜旭张明焱胡敏华中师范大学国家数字化学习工程技术研究中心湖北武汉430079 湖北中医药大学信息工程学院湖北武汉430065

移动学习情境具有学习时间碎片化、学习环境动态性的特点,导致应用传统的协同过滤资源推荐方法时,存在用户相似度计算效率较低等问题。针对此问题,文章基于移动学习环境下学习者的时间熵和空间熵等时空特征,对学习者进行分群,并提出移... 详细信息

移动学习情境具有学习时间碎片化、学习环境动态性的特点,导致应用传统的协同过滤资源推荐方法时,存在用户相似度计算效率较低等问题。针对此问题,文章基于移动学习环境下学习者的时间熵和空间熵等时空特征,对学习者进行分群,并提出移动学习环境下用户相似度算法,在此基础上构建了基于学习者时空特征的移动学习资源推荐模型,并在具体课程中进行了模型有效性的验证。验证结果表明,此模型有效地解决了因用户数据量过大而导致的用户相似度计算过慢问题,并使移动学习环境下的学习资源推荐更加精准。

关键词：时空特征移动学习学习资源推荐用户相似度

在线全文

学校读者我要写书评

暂无评论

差分隐私保护的学习资源学习热度推荐

现代教育技术 2019年第5期29卷 99-105页

作者：刘梦君贾玉娟姜庆湖北大学教育学院湖北武汉430062 湖北大学智慧学习研究中心湖北武汉430062

如何降低学习隐私的泄露风险,是在线学习面临的一个亟待解决的问题。文章首先揭露了基于学习资源学习热度的推荐系统的形成与隐私泄露风险问题;针对此问题,文章基于差分隐私保护理论,提出了差分隐私保护的学习资源学习热度推荐方案,即... 详细信息

如何降低学习隐私的泄露风险,是在线学习面临的一个亟待解决的问题。文章首先揭露了基于学习资源学习热度的推荐系统的形成与隐私泄露风险问题;针对此问题,文章基于差分隐私保护理论,提出了差分隐私保护的学习资源学习热度推荐方案,即对学习资源推荐值进行差分隐私保护处理后再发布结果;最后,文章通过问卷统计分析和实验对比分析,验证了差分隐私保护的学习资源学习热度推荐效果。差分隐私保护的学习资源学习热度推荐的运用,既能保护学习者的学习隐私,又能保留较高的数据可用性,有利于促进在线学习的安全、健康发展。

关键词：学习资源推荐学习热度学习隐私差分隐私保护