【摘 要】
：
随着网络通信技术、教育数据挖掘分析等技术的快速发展,网络逐渐过渡到web3.0时代,技术的不断更新给教育带来了新的挑战和要求。因材施教、个性化学习的需求剧增。为满足用户个性化课程学习需求,有效的课程推荐方法成为目前的研究热点。现有MOOC平台课程推荐方法,通常由用户历史学习记录,获得其主导学科领域来刻画用户偏好模型,进而完成推荐。该推荐方法在主导学科领域课程推荐中具有良好的推荐效果。但用户常常需要
论文部分内容阅读
随着网络通信技术、教育数据挖掘分析等技术的快速发展,网络逐渐过渡到web3.0时代,技术的不断更新给教育带来了新的挑战和要求。因材施教、个性化学习的需求剧增。为满足用户个性化课程学习需求,有效的课程推荐方法成为目前的研究热点。现有MOOC平台课程推荐方法,通常由用户历史学习记录,获得其主导学科领域来刻画用户偏好模型,进而完成推荐。该推荐方法在主导学科领域课程推荐中具有良好的推荐效果。但用户常常需要学习除主导学科领域外的课程,这种情况下仅凭用户自身的学习偏好,难以准确对用户进行其他学科领域的课程推荐。针对在线学习课程推荐中存在的问题,本文进行了深入研究,充分考虑了不同用户访问同一学科领域,或者同一用户访问不同学科领域的历史学习情况,从中获得用户偏好和学科领域偏好,提出了一种基于混合主题建模的个性化课程推荐方法,主要内容如下:（1）提出基于个人学习偏好和学科领域偏好的离线偏好模型（PS-LDA）,旨在以统一的方式考虑用户个人学习偏好和学科领域偏好两个因素进行偏好建模。具体地,P-LDA通过对用户进行主题建模可以从用户历史学习记录中自动了解用户学习偏好,在一定程度上解决数据稀疏性问题。为了进一步缓解数据稀疏性问题,S-LDA利用学科领域热门课程（即通过对所有访问该学科领域的用户学习记录进行主题建模）生成该学科领域偏好。该推荐方法不仅可以用于用户主导学科领域的课程推荐,在其他学科领域也可以很好地进行推荐。（2）提出基于排序框架的在线推荐策略。利用离线建模好的查询用户的个人学习偏好模型（P-LDA）和访问学科领域偏好模型（S-LDA）,并且考虑模型间有无重叠主题情况,通过在线排序框架计算待推荐课程项目的评分,结合基于阈值的快速排序方法,加快top-k课程项目生成过程,从而完成推荐。（3）在edX与GCSE数据集上的实验表明,与只考虑用户个人学习偏好模型相比,PS-LDA模型能更全面的建模用户学习偏好,特别是在用户访问其他学科领域时具有良好的准确性。
其他文献
随着互联网的兴起,越来越多的学习者选择通过在线教育平台进行学习。不同于传统的课堂教育由教师主导学习者的学习进程与学习活动,在线教育平台提倡因材施教,即根据学习者的知识水平为学习者提供个性化的教学内容与学习路线,然而学习者的知识掌握程度随学习进度不断变化,因此实时追踪学习者知识掌握程度变化尤为重要。知识追踪任务旨在根据学习者历史学习行为实时追踪学习者知识水平变化,并且预测学习者在未来学习表现。知识追
随着互联网的不断发展,越来越多的网民将社交媒体作为获取信息的主要途径,人们在网络空间中快速、自由地发布信息、社交互动、情感交流。微博作为网络信息传播最具代表性的应用之一,越来越多的网民通过微博来发布、获取和传播信息。微博上蕴含着个人观点的实时评论具有潜在的舆论导向,由此形成网络舆情。然而,网络舆情事件往往是突发的、难以预知的。近年来,对于舆情事件的相关研究层出不穷,现有算法无法高效对网民情感及舆情
直觉模糊知识测度在不确定性问题中有着重要作用,由于直觉模糊集的结构特性,知识测度能够有效弥补直觉模糊熵的不足,更加全面地反映不确定性问题研究过程中产生的模糊性与犹豫性。本文以提高知识测度对复杂问题的解决能力为目标,提出改进HammingHausdorff距离,与理想解法（technique for order preference by similarity to ideal solution,T
随着信息传输及数据存储技术的深度发展,时间序列相关的应用领域不断拓宽,金融、医疗、气象、销售等诸多领域时刻产生着各种类型的时间序列数据,数据规模大且无标签。从这些海量数据里挖掘出具有重大潜在价值的信息,在推动信息技术融合应用与信息产业高速增长、促进数字经济健康有序发展等方面具有广泛而深远的意义。聚类作为一种无监督学习方法,比逻辑回归、决策树、支持向量机等监督学习方法更适合对无标签数据的挖掘分析,因
目前很多依赖递归神经网络的对话系统,基本上都是需要大量密集并且标注完成的数据来进行模型的训练。混合编码网络模型（HCN）是一种面向任务通信的对话系统。HCN让开发者可以通过软件和模板操作来传达自己所学领域的知识,与现有的端到端方法相比,HCN可以在一定范围内提高对话系统训练的实用性和训练效率,但也存在一定的局限性,如由于特定领域的小众与独特性,不具有大量的训练样本,传统的混合编码网络模型在小样本数
知识图谱能提供可以被计算机理解的结构化信息,为人工智能的发展打下坚实的基础。虽然目前已构建许多规模较大的知识图谱,但由于互联网数据量过于庞大,以及数据产生速度之快,导致知识图谱所存储的知识信息是远远不完备的。因此,为了提高知识图谱的完整度,知识图谱补全工作势在必行。近年来有研究者提出知识表示学习,它可以更有效地利用到各种补全信息,极大地提高补全工作的效率,且性能表现优异。但是,目前的知识表示模型也
随着互联网时代的到来,人工智能行业成为了国家经济和科技的引领行业,其中通过面部情绪的人工智能识别已经成为当前社会的一个研究热点。根据现阶段的研究发现,用户在相互交流的过程中,绝大多数信息都是借助表情这个媒介进行传达的,用户在进行表述的同时,面部表情也会发生相应的变化,因此,可以利用用户的面部表情变化进而来识别用户的情感变化趋势。情绪可以用肉眼看不见的许多不同形式表示。使用正确的工具,可以检测和识别
随着互联网和人工智能的迅速发展,图像描述任务在人机交互和儿童教育等领域越来越受到重视。图像描述是通过结合计算机视觉中的特征提取与自然语言处理中的序列输出,将图像内容利用计算机生成自然语言描述,从而完成从视觉到语言的形态转换。不同于目标检测、图像识别等图像理解任务,图像描述不仅要识别出图像中包含的物体对象,还需要准确识别出图像中的背景、对象之间的关系等信息。近年来,研究人员对基于深度学习的图像描述方
学习路径推荐是智能导学系统中的重要组成部分。优秀的智能导学系统能够根据不同用户的不同学习需求与学习能力为用户提供个性化的教育资源,帮助用户在学习较少内容的前提下,掌握目标知识技能。强化学习算法善于解决序列决策问题,因此被广泛应用于学习路径推荐场景中。基于强化学习的推荐技术将推荐问题建模为序列决策问题。相较于将推荐问题建模为分类问题和预测问题的传统方法,强化学习不仅考虑到用户的及时反馈,而且能够考虑