基于知识状态的个性化学习资源推荐方法

针对现有的个性化学习资源推荐方法存在不能够从学习者的学习缺陷出发推荐学习资源的不足,提出一种基于知识状态的个性化学习资源推荐方法,它首先根据知识点之间的关联关系构建知识图谱,然后根据学习者知识状态进行推导生成待学习知识点向量,最后设计相似性迭代算法从学习资源库中匹配最适合学习者的学习资源.通过实验证明,该方法具有不错的推荐效果和性能.     

可解释个性化推荐学习平台的构建与算法研究

目前在线学习平台的个性化推荐功能过于注重推荐效果的准确性、多样性和新颖性,忽视了学生的用户体验等问题,为此,提出构建可解释个性化推荐在线学习平台。首先,对平台的系统框架进行设计,详细研究了实现算法,并对可解释个性化推荐功能的核心算法及形成可解释性语句的推荐流程进行了重点阐述。然后,利用多种推荐算法混合计算的方式对学生进行课程的个性化推荐,并根据对应特征生成解释语句以表明推荐理由。其结果是能有效提高学生对推荐课程的认可度和学习效率,改善平台的个性化推荐效果和用户体验,从而提高了平台的可信度和透明度。     

基于半自动编码器的学习资源推荐

为提升教学资源库的个性化学习资源推荐效果，以软件技术国家专业教学资源库中的学习数据为基础，结合学习行为特征，构建高等教育个性化学习体系框架.基于半自动编码器的学习资源推荐模型，运用学生和学习资源等辅助信息，缓解学习资源推荐的数据稀疏问题，根据学生学习偏好分析结果为学生推荐合适的学习资源.实验结果表明，该学习资源推荐模型优于传统推荐算法，能有效提升资源推荐准确度.     

社交网络中基于用户投票的推荐机制

为了改善目前社交网络中热点信息推荐与个性化好友推荐的不足,提出基于用户投票的推荐机制.首先,根据众多用户对某条信息的投票情况评估信息的热度与价值,将用户对信息的浏览、评论、转发等操作以及时间因素与用户主动性投票相结合,提出基于用户投票的热点信息推荐算法.然后,根据某个用户对众多信息的投票情况评估用户的兴趣,从用户对网络信息的投票以及浏览情况中提取出用户的兴趣度特征,进而提出基于用户投票的个性化好友推荐算法.最后,针对2个算法进行仿真实验,评估各因素对推荐算法的影响和推荐的有效性.实验结果表明,基于用户投票的推荐机制可以有效地进行热点信息与个性化好友的推荐.     

学习资源网络模型构建及资源推荐策略设计

通过分析基于终身学习机制的个性化推荐系统与基于电子商务的个性化推荐系统的区别,确定基于终身学习机制的个性化推荐系统的关键问题就是如何为学习者获得想要具备的能力推荐满足他们个人需求、个人爱好以及目前已具备的知识结构的最佳学习路径.针对终身学习中正式学习和非正式学习不同的学习情况,构建了学习资源网络模型,在此基础上将基于本体的推荐技术和协同推荐技术相结合,为学习者的不同学习情况运用不同的推荐策略推荐最佳学习路径.最后通过实验对推荐结果进行分析,确定最优方案.     

学习资源精准推荐模型及应用研究

根据属性特征推荐资源,由于存在冷启动和稀疏性问题,限制了在线学习资源推荐的性能.基于知识表示和协同过滤,将学习者的学习水平和学习风格等特征融入推荐过程,进行协同过滤个性化推荐,提出了一种学习资源精准推荐模型,构建了学习者和学习资源知识表示模型;通过实验表明知识表示-协同过滤相结合的推荐算法在个性化推荐和推荐准确度方面优于传统的CF算法.     

基于Agent和推荐技术的网络教学模型研究

通过分析目前网络教学系统的不足,提出一种基于Agent和推荐技术相结合的网络教学模型.该模型通过Agent动态收集用户兴趣爱好,分析学生的学习行为,生成用户的兴趣模型,然后使用协同过滤技术将相关的资源推荐给其他用户.模型充分发挥了教师在教学中的作用,教师和学生之间可以互相推荐学习资源,提高了用户之间信息资源的共享和交互能力,提高了系统的个性化服务水平.     

跨领域推荐技术综述

随着信息技术和互联网的飞速发展,信息过载的问题日趋严重.个性化推荐系统是解决这一问题的热门技术.推荐系统的核心在于推荐算法,在过去的十年里,基于单领域的协同过滤推荐算法应用最为广泛.但用户和项目数量的急剧增长使得传统的协同过滤推荐算法面临冷启动和数据稀疏问题的挑战.跨领域推荐旨在整合来自不同领域的用户偏好特征,针对每个用户自身特点进行智能化感知,精准满足用户个性化需求,从而提高目标领域推荐结果的准确性和多样性,现已成为推荐系统研究领域中的热门话题.本文首先对跨领域推荐技术进行系统地研究和分析,概述跨领域推荐算法的相关概念、技术难点;其次对现有的跨领域推荐技术进行分类,总结出各自的优点及不足;最后对跨领域推荐算法的性能分析方法进行详尽的介绍.     

基于知识结构图的个性化学习内容生成算法

在结构化知识图的基础上,根据不同学生的学习状态,提出了网络学习环境的个性化学习内容生成算法.在课程本体知识结构图的基础上,经过动态评估学习过程而形成基于不同学生的个性化知识结构图,结合其子空间及有向无环图的拓扑排序方法,设计并实现了基于目标知识点的学习路径和个性化学习内容生成算法,以及在线学习环境中个性化学习内容生成机制.经网络学习课程实例验证表明,该算法可以满足学生个性化学习的需求.     

个性化推荐研究热点及学术群探析——基于1990—2017年数据统计及可视化研究

以Web of Science数据库中相关文献为分析对象，对个性化推荐学术热点及发展趋势进行定量分析，发现协同过滤推荐、冷启动和精准推荐等问题是个性化推荐研究的热点。通过文献可视化及作者共被引分析，将该领域学者分为推荐系统理论研究学术群、推荐系统应用学术群、推荐算法研究学术群、推荐系统采纳性研究学术群和其他学术群。