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.     

基于改进蚁群算法的个性化学习路径推荐

目前已有的学习路径推荐领域多为学习资源推荐,而课程知识图谱应用率较低,与蚁群算法的结合普遍缺乏对学习者知识水平的精确建模.因此,提出将知识图谱技术、深度知识追踪模型以及蚁群算法三者相结合,同时分类蚁群改进传统的蚁群算法:首先,抽象出课程知识点图谱作为路径基础,将深度知识追踪应用于不同水平学习者的分类,并与知识点难度权重相结合;然后,采用蚁群算法进行相应的路径规划,将蚁群按照不同的学习者类别进行划分,在保障相对最短学习路径的同时考虑不同学习群体客观知识水平情况,从而得到个性化的高效率学习路径推荐;最后,在ASSISTment数据集上验证了本方法的有效性.     

复杂网络下基于路径选择的表示学习方法

基于路径和基于知识表示的推理是当前知识图谱领域两大主流推理方法,二者的融合算法可以提高知识推理的准确率,但是依旧存在表示学习的时候效率低下、预测准确率低、模型过拟合等若干问题.本文方法针对这些问题提出了基于路径选择的表示学习方法.对路径特征信息进行进一步的过滤和筛选,保留关键路径,在路径信息和知识表示的结合过程中使用平衡参数对缺失路径信息的三元组进行处理.使用公开数据集对模型进行测试,实验表明模型可以有效提高泛化能力和准确率.     

基于图书分类号的自适应个性化图书推荐系统的研究

介绍了一种适用于高校数字图书馆的个性化图书推荐系统,以图书馆的图书分类号为依据建立用户个性化兴趣库及图书综合推荐库,并通过分类号的匹配形成个性化的图书检索信息及图书推荐结果.同时,可以通过时间标记检验统计记录的有效性,进行不定期更新,达到自适应用户兴趣变化的目的.     

面向教育大数据的知识追踪研究综述

介绍了知识追踪（KT）的相关概念与任务,梳理其发展脉络,综述KT的原理、相关算法和数据集,分析了不同结构的KT模型的优缺点.在此基础上,对KT领域未来发展方向进行了深入探讨,提出了数据表征、认知建模、模型可解释性三个重要的发展方向,并作出了一定的展望.     

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。     

个性化网络学习推荐系统设计

本文针对个性化网络学习的特点,设计了基于WEB挖掘的个性化网络学习推荐系统,本系统包括离线部分和在线部分。离线部分主要采用数据挖掘技术实现,在线部分用于在线推荐资源。同时本文还给出了个性化推荐系统的推荐流程。     

自适应过滤算法在社区E-learning的个性化服务系统中的研究

针对学习型社区中的教育需求,在传统算法上加以改进,提出了一种基于向量空间模型的教育资源自适应过滤算法．通过训练算法,提取特征向量和伪反馈建立初始模板,设置初始阈值．然后通过过滤算法根据用户的反馈信息自适应地调整模板和阈值．该算法在执行过程中,不需要大量的初始文本,同时在过滤的过程中可不断地进行自主学习来提高过滤精度．该算法已在个性化知识服务系统中进行验证,结果表明是有效的．     

面向推理的知识图谱表示学习方法综述

知识图谱以其错综复杂、信息密集和语义关联的特征,推动了知识应用以及神经网络学科的发展。知识表示学习方法的发展以及日益增长的认知智能需求,使得知识表示与推理成为当前知识图谱和自然语言处理领域的研究热点。得益于良好的知识表示学习方法,基于表示学习的大规模知识推理已在相关数据集上得到验证。文章主要展开如下工作:(1)对已有表示学习与推理方法进行梳理,将知识图谱推理方法划分为:距离模型方法、双线性模型的语义相似度方法、神经网络学习方法和图神经网络学习方法;(2)对未来知识图谱表示学习与推理方法进行展望。知识图谱的表示学习与推理方法的发展,对推动整个知识社区和强人工智能发展具有重要意义。     

数据驱动模式下的英语网络互动学习平台的构建

数据驱动学习模式（DDL）的提出,挑战了以教师和教材为中心的传统外语教学理念,引起众多研究者的关注．随着计算机技术以及语料库技术在外语教学中的应用与普及,DDL方法的重要性也日渐凸现;同时目前各高校校园网也在不断发展和完善,这些都为架构校园英语学习互动网站提供了理论和硬件上的支持．     

学习策略研究述评

国内外关于学习策略问题的研究主要是从功能、内容等方面做静态的、外部的体系描述，缺乏动态的、内部的澡层研究。学习策略的实证研究，西方学者侧重于信息加工过程，主要探索学生在信息加工过程中有哪些有效的学习策略；我国学者侧重研究各种学习变量与学习策略的关系。学习策略教程的研究应是我国学习策略研究的努力方向，应重点研发具有中国特色的、适合我国本土的学习策略教程。     

个性化推荐算法的研究及发展综述

在"大数据时代"的背景下,推荐系统能通过分析提取出用户的历史偏好数据,并结合用户之间的偏好关系以及项目与项目的相似程度,推测出目标用户可能喜欢的物品并将其推荐给用户.在当下电子商务时代,推荐系统已成为一种更为活跃、更现代化的信息过滤方式.笔者对推荐系统的研究现状以及主要研究方向进行了系统研究,分析对比了在当下较为流行的各类推荐算法及各自的局限和问题,包括数据的冷启动问题、稀疏性问题、扩展性问题以及推荐性能不高等.最后,总结了目前的推荐系统存在的尚未解决的问题并提出了相应的解决方案.     

基于Web挖掘的个性化远程学习模型

传统的远程学习系统的主要不足是不能根据受教育对象个性特征的差异为用户提供个性化的远程学习环境。在此介绍的个性化远程智能学习模型，利用Web数据挖掘技术，通过对学习行为的跟踪，采集用户数据并对其进行分析，根据推理机制为用户提供个性化远程学习环境，充分满足用户个性需求。     

一种面向个性化网络学习的协同学习任务生成方法

提出了一种面向个性化网络学习的协同学习任务自动生成方法.该方法以学习目标与学习小组中学习者的个性特征为输入,通过基于学习者认知水平的协作成员分组和基于耦合度的协同学习模式分配,生成符合学习者群体个性特征的协同学习任务,从而有效地解决了网络学习中个性化学习与协同学习相结合的问题.该方法已在实时教学系统中进行了测试,结果表明,相对无指导的协同学习,根据此方法所生成的学习任务的协同学习可有效提高学习效率.     

一种基于个体趋势分析和评价算法的个性化学习模式

针对传统E-learning系统的不足,本文提出了一个新的基于推拉模式的交互式个性化学习评价环境.在拉模式中,通过信息采集和分析算法来发现学习过程中的弱点.在推模式中,选择合适的算法来建立个性化的学习评价模型.最后通过决策树理论提供给用户合理的建议.实验结果表明了本文所提出的评价算法的有效性和准确性.     

基于Web内容挖掘的个性化学习系统

基于Web的个性化学习是在远程学习和个性化服务相结合的基础之上发展起来的.利用Web挖掘的方法,针对用户的兴趣变化,搭建了个性化学习系统.并且通过模拟实验,验证该系统的有效性.     

个性化和协作式网络学习环境的研究与应用

介绍了基于网络的学习环境的含义,重点介绍了基于网络的个性化和协作式学习环境的设计和实现。     

基于自适应噪声校正的鲁棒域适应学习

域适应（Domain Adaptation,DA）学习旨在利用标签丰富的源域来帮助标签稀缺的目标域学习。DA方法通常假设源域数据已正确标记,然而现实中通常很难收集到大量带有干净标签的源实例,带有噪声源标签的噪声DA学习可能会降低目标学习性能。为此,本文提出基于自适应标签噪声校正的鲁棒DA学习方法（Robust DA Method through Adaptive Noise Correction,RoDAC）。RoDAC包含两个学习阶段,即自适应噪声标签检测（Adaptive Noise Label Detection,ANLD）和自适应噪声标签校正（Adaptive Noise Label Correction,ANLC）。在ANLD中,使用自适应噪声检测器识别带有噪声标签的源实例,并进一步在ANLC中自适应地校正噪声标签,将其重新投入域适应学习中。与基准数据集进行比较,结果表明RoDAC方法在源域标签存在噪声的域适应场景中取得了显著的性能提升。该学习策略可集成至许多现有的DA方法中,以提升其在噪声标签场景下的学习性能。