深度学习视角下的个性化学习资源推荐方法

发布时间：2022-07-04 22:13

　　随着"互联网+"教育的快速发展,在线学习资源数据规模急剧扩张,学习者从海量的学习资源中选择合适资源的难度随之增大。如何帮助学习者获取合适的学习资源开展个性化学习,已成为智能学习领域重要的研究课题。实现个性化学习资源推荐的关键在于对在线学习平台数据应用价值的探索与挖掘,全面考虑学习者与学习资源之间的关联性。随着人工智能的不断发展,简单的机器学习已经难以满足个性化学习资源推荐服务,基于深度神经网络设计的个性化学习资源推荐方法,通过基于MIFS的特征选择模型和学习者-学习资源二部图关联模型,在有效衡量学习者对学习资源的不同关注程度,以及深度挖掘学习者的个性化偏好基础上,为学习者推荐合适的学习资源。该方法在不同学习时间和学习者的实验条件下,取得了较好的推荐效果,并且在分类与回归性能评价指标上优于传统机器学习算法,说明其能够较好地提供教育大数据环境下的个性化学习资源推荐服务,提升学习者的在线学习体验。 

【文章页数】：10 页

【文章目录】：
一、个性化学习资源推荐方法及技术
    1. 基于推荐算法的个性化学习资源推荐
    2. 基于机器学习的个性化学习资源推荐
二、问题描述与方法框架
    1. 问题描述
    2. 个性化学习资源推荐方法框架
三、模型设计
    1. 基于互信息特征选择模型 (MIFS)
    2. 学习者-资源的二部图关联模型
    3. 深度神经网络模型
四、实验研究
    1. 实验方案
    2. 评价指标
    3. 实验结果与讨论
五、推荐系统的初步实现与评价
六、总结


【参考文献】：
期刊论文
[1]基于二部图的学习资源混合推荐方法研究[J]. 刘忠宝,李花,宋文爱,孔祥艳,李宏艳,张静.  电化教育研究. 2018(08)
[2]面向大规模在线学习的社会化推荐模型与方法[J]. 包昊罡,李艳燕,郑娅峰.  现代远程教育研究. 2018(03)
[3]人工智能视域下机器学习的教育应用与创新探索[J]. 余明华,冯翔,祝智庭.  远程教育杂志. 2017(03)
[4]动态思维导图引导的知识资源共建共享模型[J]. 韩营,赵蔚,姜强,孟凡媛.  现代远程教育研究. 2017(01)
[5]一种基于特征提取的教育视频资源推送方法[J]. 文孟飞,胡超,于文涛,刘伟荣.  现代远程教育研究. 2016(03)
[6]利用社交关系的实值条件受限玻尔兹曼机协同过滤推荐算法[J]. 何洁月,马贝.  计算机学报. 2016(01)
[7]本体驱动的e-Learning知识资源个性化推荐研究[J]. 赵蔚,姜强,王朋娇,王丽萍.  中国电化教育. 2015(05)
[8]特征选择方法综述[J]. 姚旭,王晓丹,张玉玺,权文.  控制与决策. 2012(02)



本文编号：3656022