农民现代远程教育个性化学习关键技术研究

发布时间：2017-08-01 13:30

  本文关键词：农民现代远程教育个性化学习关键技术研究

  更多相关文章： 远程教育 个性化学习 用户兴趣模型 推荐算法 领域本体

【摘要】：开展农民现代远程教育是提升农村信息化水平、消除数字鸿沟、构建农民终身教育体系的一项重要战略部署。目前,随着计算机和通信技术的快速发展,网络学习资源增长迅速,农民在远程教育学习过程中,面临着 信息迷航‖以及 资源过载‖问题,主要原因是现有的远程教育系统不能有效的理解教学资源的语义信息,不同结构的教学资源未能够有效的组织成有效的知识。另外,系统无法为不同学习需求和背景的用户提供符合其偏好特征的学习资源。如何从大量的学习资源中快速、有效地获取个性化学习信息已经成为学习者迫切的需要。本文主要探讨研究了农民现代远程教育个性化学习关键技术,研究采用理论建模、数学分析、实验仿真验证和实际部署等方法。论文在个性化学习关键技术理论研究和实践探索方面,主要取得了以下几方面成果:(1)提出了农民远程教育个性化学习系统框架。以远程教育教学资源、农民学习行为和教学资源属性信息为依据,以计算机和信息技术手段为支撑,提出了氋效的农民远程教育个性化学习系统架构。(2)开发构建了农民远程教育视频教学资源领域本体。研究并优化领域本体构建方法,开发构建的视频教学资源领域本体为用户兴趣模型提供可靠的语义知识支持。(3)研究构建了基于用户属性信息和教学资源领域本体的个性化用户兴趣模型,有效缓解了用户学习行为变化预测不准、算法空间复杂度高以及影响用户学习行为分析不准确全面等问题。(4)提出了基于用户属性信息及其兴趣主题联合相似度的协同过滤推荐算法,缓解了个性化系统中存在的稀疏性以及新用户问题。开展了基于序列分析的个性化推荐算法研究工作,通过实验找出最小支持度阈值设置范围在0.003%至0.004%之间,能兼顾算法的准确率和覆盖率。(5)研发了农民远程教育个性化学习系统原型,在实践中验证了领域本体、用户兴趣模型和个性化推荐算法等关键技术和方法研究理论的有效性。研究创新之处主要体现在:在研究构建的远程教育视频教学资源领域本体基础上,提出了基于用户属性信息和教学资源领域本体的个性化用户兴趣模型,解决了用户兴趣模型缺少层次概念语义问题,模型具有较好的扩展性和自我调节能力。在教学资源领域本体和用户兴趣模型研究基础上,提出了基于用户属性信息和兴趣主题联合相似度的协同过滤推荐算法,有效缓解了评分矩阵的稀疏性、个性化推荐算法的时间复杂度高等问题。
【关键词】：远程教育 个性化学习 用户兴趣模型 推荐算法 领域本体
【学位授予单位】：中国农业科学院
【学位级别】：博士
【学位授予年份】：2016
【分类号】：G434;G725
【目录】：

• 摘要6-7
• Abstract7-17
• 英文缩略表17-18
• 第一章 绪论18-31
• 1.1 问题的提出18-19
• 1.2 研究背景、目的和意义19-21
• 1.2.1 研究背景19
• 1.2.2 研究目的19-20
• 1.2.3 研究意义20-21
• 1.3 研究现状21-27
• 1.3.1 农民现代远程教育研究现状21-23
• 1.3.2 个性化服务技术研究现状23-27
• 1.4 研究的主要内容和方法27-29
• 1.4.1 研究的主要内容27-28
• 1.4.2 研究方法和技术路线28-29
• 1.5 论文组织结构29-31
• 第二章 个性化学习理论和方法31-38
• 2.1 领域本体构建技术31-32
• 2.2 用户兴趣模型构建技术32-33
• 2.3 个性化推荐技术33-34
• 2.4 计算机相关技术34-37
• 2.4.1 软件工程技术34-35
• 2.4.2 数据库技术35-36
• 2.4.3 J2EE架构36-37
• 2.5 本章小结37-38
• 第三章 远程教育个性化学习系统框架研究38-44
• 3.1 个性化学习服务38-41
• 3.1.1 个性化学习概述38
• 3.1.2 个性化学习特征38-39
• 3.1.3 个性化学习技术39-41
• 3.2 个性化学习总体框架41-43
• 3.2.1 个性化学习层次结构41-42
• 3.2.2 个性化学习的主要功能介绍42-43
• 3.3 本章小结43-44
• 第四章 农民远程教育视频教学资源领域本体研究与构建44-56
• 4.1 本体概述44-45
• 4.1.1 本体的基本概念44-45
• 4.1.2 本体分类45
• 4.2 本体的构建45-48
• 4.2.1 本体描述语言45-47
• 4.2.2 本体构建的一般方法47
• 4.2.3 本体实现工具47-48
• 4.3 农民远程教育视频教学资源领域本体构建48-55
• 4.3.1 领域本体的构建过程48
• 4.3.2 远程教育视频教学资源的基本情况48-49
• 4.3.3 远程教育教学资源领域本体构建49-55
• 4.4 本章小结55-56
• 第五章 个性化用户兴趣模型研究与构建56-70
• 5.1 用户个性化兴趣模型表示方法56-59
• 5.1.1 关键词列表方法56
• 5.1.2 案例表示方法56-57
• 5.1.3 向量空间模型表示方法57-58
• 5.1.4 基于神经网络的用户模型表示方法58
• 5.1.5 基于本体的用户兴趣模型表示方法58-59
• 5.2 用户兴趣建模技术59-60
• 5.2.1 用户定制建模59
• 5.2.2 示例建模59
• 5.2.3 自动建模59-60
• 5.3 用户模型的学习方法60-62
• 5.3.1 朴素贝叶斯方法60
• 5.3.2 Rocchio算法60-61
• 5.3.3 基于遗忘函数的用户模型学习方法61-62
• 5.4 农民远程教育用户兴趣模型的构建62-65
• 5.4.1 基于本体用户兴趣模型的优势62
• 5.4.2 农民远程教育用户兴趣模型构建62-65
• 5.5 用户兴趣模型概念兴趣度计算65-69
• 5.5.1 模型更新66
• 5.5.2 教学资源兴趣度在用户模型层数树中的更新方式66-67
• 5.5.3 用户兴趣模型的更新方式67-69
• 5.6 本章小结69-70
• 第六章 农民远程教育个性化学习推荐技术研究70-93
• 6.1 推荐系统相关理论与技术70-73
• 6.1.1 信息搜索技术70
• 6.1.2 关联规则推荐70-71
• 6.1.3 基于内容的推荐技术71
• 6.1.4 协同过滤推荐技术71-73
• 6.2 个性化推荐系统存在主要问题73-74
• 6.3 主要的相似度计算方法74-75
• 6.4 基于协同过滤推荐技术的远程教育个性化学习研究75-83
• 6.4.1 算法设计思路75-76
• 6.4.2 算法设计流程76
• 6.4.3 用户基本属性信息和感兴趣主题相似度计算方法76-78
• 6.4.4 基于近邻用户的协同过滤推荐方法78-79
• 6.4.5 实验验证79-83
• 6.5 基于序列分析的个性化推荐算法研究83-92
• 6.5.1 序列分析算法83-84
• 6.5.2 远程教育个性化学习序列推荐整体架构84-86
• 6.5.3 基于序列分析的个性化推荐实验设计86-92
• 6.6 本章小结92-93
• 第七章 农民远程教育个性化学习原型系统实现93-115
• 7.1 系统设计目标与原则93-94
• 7.2 系统开发环境94
• 7.3 系统整体架构94-96
• 7.4 系统的功能设计96-97
• 7.5 数据库设计97-101
• 7.6 原型设计101-111
• 7.6.1 个性化推荐模块101-104
• 7.6.2 学习需求反馈模块104-105
• 7.6.3 学习计划管理模块105-107
• 7.6.4 学习档案管理模块107-109
• 7.6.5 个性化专题管理模块109
• 7.6.6 个性化学习后台管理模块109-110
• 7.6.7 用户信息管理模块110-111
• 7.7 用户使用满意度调研与测评111-114
• 7.8 本章小结114-115
• 第八章 总结与展望115-118
• 8.1 论文研究总结115-116
• 8.2 研究创新性116
• 8.3 展望116-118
• 参考文献118-127
• 附录127-129
• 致谢129-130
• 作者简历130-131

，

本文编号：604495