论文部分内容阅读
随着人工智能技术的应用和网络学习系统建设,互联网学习资源越来越丰富,学习者从大量学习资源中挑选符合自己的学习资源越来越困难。对于智能化学习系统来讲,为学习者提供个性化推荐服务一直是智能化学习系统的核心功能。但是目前电商、新闻推荐领域广泛采用的协同过滤推荐算法,其推荐的个性化学习资源内在逻辑性不强,不符合根据先验知识进行知识整体建构的学习规律,所以不完全适用于学习资源推荐的应用场景。近年来国内外学者把学习资源推荐定义为多目标组合优化问题,采用离散粒子群等进化算法解决学习资源推荐这一多目标组合问题。但是算法需要过多的提前测试预估模型参数,这不符合在线智能化学习的趋势。针对目前学习资源推荐领域的存在的不足,本文做了以下工作:首先,建立了全新的学习者画像和学习资源画像模型,基于画像模型提出了学习资源推荐模型,该推荐模型针对单个学习者进行建模,对学习资源以知识点进行划分,每次对单个学习者以知识点为单位进行推荐。其次,对于推荐模型中参数过多需要提前测试且难以准确估计的问题,采用基于用户的协同过滤算法进行预估,找出与当前学习者最相似的学习者,由于相似学习者对知识掌握的程度基本一致,所以利用相似学习者的学习数据,估计学习者的对新知识点的掌握程度、兴趣度、热衷度等参数。再次,提出了改进的差分进化算法,改进基本差分进化算法推荐精准度不够高,易陷入局部最优的问题。最后,提出了全新的混合推荐算法,将协同过滤算法和差分进化算法进行融合,用以解决学习资源推荐这一复杂问题。为了对模型和算法进行有效的验证,本文设计了详细的实验对算法进行验证,首先将协同过滤算法和其它演化算法进行相同融合。其次,在不同的学习资源数量条件下,对算法的收敛性、收敛精度、执行时间进行对比分析。最后根据不同算法的运行情况,详细对比分析了造成算法运行情况差异的原因。通过收敛性实验,验证了算法的可行性,通过不同算法之间的对比分析,证明了本算法的稳定性、精准性。