HDFS模式下基于用户兴趣的教学信息化资源管理方法
发布时间：2021-04-13 22:07
针对云计算环境下信息化教学资源的云存储和个性化推荐问题,提出一种基于分布式文件系统（HDFS）和用户兴趣的教学信息化资源管理方法。该方法采用Hadoop平台的HDFS技术来解决网络教学资源的云端存储问题,并对相应的HDFS云存储架构进行分析。其中,教学资源推荐功能模块采用LDA用户兴趣主题挖掘模型,并引入学生评分矩阵产生学生-课程属性偏好相似度,提升推荐的质量和准确度。在Hadoop 2.2.0平台上的实例仿真结果验证了提出方法的可行性。此外,相比于基于标准关联规则的推荐方法,提出的挖掘推荐方法表现出更高的准确性。
【文章来源】：现代电子技术. 2019,42(11)北大核心
【文章页数】：3 页
【部分图文】：
HDFS原理Fig.1HDFSprinciple
nciple1.2适用于教学资源的HDFS云存储架构本文的目标是将复杂的信息化教学资源通过云存储技术进行整合，形成一个共享的教育云存储服务。因此，需要设计一个适用于教学信息化资源管理的HDFS云存储架构，其中存储层通过HDFS完成数据的分布式存储，包括各种形式的教学资源（数据源自各个教育机构），例如，动画、PPT、文本文档等。在本文设计的云存储架构中，教学资源推荐功能模块运用LDA主题挖掘模型对海量的网络教学资源进行处理，然后将符合学生兴趣的教学资源进行推荐展示，如图2所示。图2HDFS云存储架构Fig.2HDFScloudstoragearchitecture2基于LDA用户兴趣模型的教学资源推荐方法2.1LDA主题挖掘模型LDA主题挖掘模型作为一种非监督的机器学习方法[4]，主要由三层的贝叶斯模型构成。LDA主题模型生成过程如图3所示。图3LDA用户兴趣模型Fig.3LDAuserinterestmodel在图3中，方框M表示项目集合，方框N表示项目中主题z和关键词w的集合，α为Dirichlet分布的先验参数，β为被估计的矩阵参数，θ为某项目中所有主题的概率分布。一个Dirichlet随机变量θ（k维）的概率密度分布可通过式（1）计算得到[6]：P(θ|α)=Γ()∑i=1kαi∏i=1kΓ(αi)θα1-11…θαk-1k（1）式中Γ()表示一个伽玛函数。设z表示具有N个元素的主题向量，则联合分布可通过式（2）计算得到：P(θ,z,w|α,β)=P(θ|α)∏n=1NP(z|nθ)P(w|nzn,β)（2）P(w|α,β)=∫P
?ǜ髦中问降慕萄ё试矗ㄊ?菰醋愿鞲鼋逃??构），例如，动画、PPT、文本文档等。在本文设计的云存储架构中，教学资源推荐功能模块运用LDA主题挖掘模型对海量的网络教学资源进行处理，然后将符合学生兴趣的教学资源进行推荐展示，如图2所示。图2HDFS云存储架构Fig.2HDFScloudstoragearchitecture2基于LDA用户兴趣模型的教学资源推荐方法2.1LDA主题挖掘模型LDA主题挖掘模型作为一种非监督的机器学习方法[4]，主要由三层的贝叶斯模型构成。LDA主题模型生成过程如图3所示。图3LDA用户兴趣模型Fig.3LDAuserinterestmodel在图3中，方框M表示项目集合，方框N表示项目中主题z和关键词w的集合，α为Dirichlet分布的先验参数，β为被估计的矩阵参数，θ为某项目中所有主题的概率分布。一个Dirichlet随机变量θ（k维）的概率密度分布可通过式（1）计算得到[6]：P(θ|α)=Γ()∑i=1kαi∏i=1kΓ(αi)θα1-11…θαk-1k（1）式中Γ()表示一个伽玛函数。设z表示具有N个元素的主题向量，则联合分布可通过式（2）计算得到：P(θ,z,w|α,β)=P(θ|α)∏n=1NP(z|nθ)P(w|nzn,β)（2）P(w|α,β)=∫P(θ|α)()∏n=1N∑znP(z|nθ)P(w|nzn,β)dθ（3）式中P(z|nθ)是满足条件zin=1的θ值。2.2用户兴趣的偏好相似度矩阵为了收集学生的兴趣爱好信息，需要构建学生
【参考文献】：
期刊论文
[1]基于mRMR和LDA主题模型的文本分类研究[J]. 史庆伟,从世源. 计算机工程与应用. 2016(05)
本文编号：3136091
【文章来源】：现代电子技术. 2019,42(11)北大核心
【文章页数】：3 页
【部分图文】：
HDFS原理Fig.1HDFSprinciple
nciple1.2适用于教学资源的HDFS云存储架构本文的目标是将复杂的信息化教学资源通过云存储技术进行整合，形成一个共享的教育云存储服务。因此，需要设计一个适用于教学信息化资源管理的HDFS云存储架构，其中存储层通过HDFS完成数据的分布式存储，包括各种形式的教学资源（数据源自各个教育机构），例如，动画、PPT、文本文档等。在本文设计的云存储架构中，教学资源推荐功能模块运用LDA主题挖掘模型对海量的网络教学资源进行处理，然后将符合学生兴趣的教学资源进行推荐展示，如图2所示。图2HDFS云存储架构Fig.2HDFScloudstoragearchitecture2基于LDA用户兴趣模型的教学资源推荐方法2.1LDA主题挖掘模型LDA主题挖掘模型作为一种非监督的机器学习方法[4]，主要由三层的贝叶斯模型构成。LDA主题模型生成过程如图3所示。图3LDA用户兴趣模型Fig.3LDAuserinterestmodel在图3中，方框M表示项目集合，方框N表示项目中主题z和关键词w的集合，α为Dirichlet分布的先验参数，β为被估计的矩阵参数，θ为某项目中所有主题的概率分布。一个Dirichlet随机变量θ（k维）的概率密度分布可通过式（1）计算得到[6]：P(θ|α)=Γ()∑i=1kαi∏i=1kΓ(αi)θα1-11…θαk-1k（1）式中Γ()表示一个伽玛函数。设z表示具有N个元素的主题向量，则联合分布可通过式（2）计算得到：P(θ,z,w|α,β)=P(θ|α)∏n=1NP(z|nθ)P(w|nzn,β)（2）P(w|α,β)=∫P
?ǜ髦中问降慕萄ё试矗ㄊ?菰醋愿鞲鼋逃??构），例如，动画、PPT、文本文档等。在本文设计的云存储架构中，教学资源推荐功能模块运用LDA主题挖掘模型对海量的网络教学资源进行处理，然后将符合学生兴趣的教学资源进行推荐展示，如图2所示。图2HDFS云存储架构Fig.2HDFScloudstoragearchitecture2基于LDA用户兴趣模型的教学资源推荐方法2.1LDA主题挖掘模型LDA主题挖掘模型作为一种非监督的机器学习方法[4]，主要由三层的贝叶斯模型构成。LDA主题模型生成过程如图3所示。图3LDA用户兴趣模型Fig.3LDAuserinterestmodel在图3中，方框M表示项目集合，方框N表示项目中主题z和关键词w的集合，α为Dirichlet分布的先验参数，β为被估计的矩阵参数，θ为某项目中所有主题的概率分布。一个Dirichlet随机变量θ（k维）的概率密度分布可通过式（1）计算得到[6]：P(θ|α)=Γ()∑i=1kαi∏i=1kΓ(αi)θα1-11…θαk-1k（1）式中Γ()表示一个伽玛函数。设z表示具有N个元素的主题向量，则联合分布可通过式（2）计算得到：P(θ,z,w|α,β)=P(θ|α)∏n=1NP(z|nθ)P(w|nzn,β)（2）P(w|α,β)=∫P(θ|α)()∏n=1N∑znP(z|nθ)P(w|nzn,β)dθ（3）式中P(z|nθ)是满足条件zin=1的θ值。2.2用户兴趣的偏好相似度矩阵为了收集学生的兴趣爱好信息，需要构建学生
【参考文献】：
期刊论文
[1]基于mRMR和LDA主题模型的文本分类研究[J]. 史庆伟,从世源. 计算机工程与应用. 2016(05)
本文编号：3136091
本文链接：https://www.wllwen.com/jiaoyulunwen/jgkg/3136091.html
