当前位置:主页 > 教育论文 > 教育技术论文 >

面向在线教育的学习资源推荐方法研究与实现

发布时间:2020-11-02 06:53
   随着互联网应用的飞速发展和信息资源的指数级增长,在线教育资源愈加丰富,但同时也为学习者个性化选择带来困难。如何根据学习者的需求从海量的资源中精准定位相关资源,并为之提供个性化的在线教育服务,这成为专家、学者共同关注的问题。本文对协同过滤推荐算法提出改进,在传统算法的基础上采用双属性评分矩阵进行属性划分并使用BP神经网络进行评分预测,以填补评分矩阵,解决传统算法因“冷启动”、评分数据过于稀疏所造成的推荐质量下降的问题,并采用公开数据集证明了改进算法的有效性。最后利用改进算法为在线学习平台的学习者推荐学习资源,并在远程教育学习平台上设计并实现了一个学习资源推荐系统。论文的主要工作如下:1、对国内外在线教育学习资源和推荐系统的研究现状进行了阐述,表明了对学习者进行学习资源推荐的实际研究意义和应用价值。2、对推荐系统的发展历史进行了综述,介绍了推荐系统的概念、常用的实验方法、测评指标等内容,并对推荐算法及不同算法之间的差异进行了详细论述。最后总结了学习资源的组织形式、神经网络等相关概念。3、提出一种基于双属性评分矩阵及神经网络的协同推荐算法。通过用户信息以及项目属性特征,建立用户属性-项目属性评分矩阵及用户属性偏好模型,使用BP神经网络对偏好模型进行训练,对已知属性未评分的项目进行评分预测,缓解评分矩阵过于稀疏的问题。在新用户/新项目初次进入系统时,获取其特征值,并依次与双属性评分矩阵进行匹配,选取匹配度较高的项目/用户进行推荐,解决“冷启动”问题。实验表明,本文所提的改进算法可有效缓解评分矩阵的稀疏性问题,提高推荐算法的质量,并在“冷启动”情况下,也提供了有效数目的推荐。4、将改进算法应用于在线教育中学习资源的获取,包括对学习资源的标准化处理、学习者信息及显隐式评分信息的采集、学习者兴趣偏好模型的训练等。最后采用学习平台历史数据验证改进算法在学习资源推荐中的有效性和正确性。5、构建基于在线教育的学习资源推荐系统,并对系统各模块进行设计与实现,对开发平台及工具进行描述,对实际开发效果进行软件测试。通过推荐系统模块间的整合,为学习者提供较好的个性化资源推荐服务,提高了学习者的学习效率,完善其学习体验,为今后进一步的研究和应用奠定基础。
【学位单位】:西安电子科技大学
【学位级别】:硕士
【学位年份】:2018
【中图分类】:TP391.3;G434
【部分图文】:

在线教育,市场规模


1 研究背景和意义随着互联网与信息技术的不断发展、智能终端的普及、4G 网络和无线网络覆盖使得人们的生活、工作都发生了巨大的变化。人们以网络为介质,远程资源的学习方式也在不断发展,学习者可通过网络课件或其他学习资源进行受时间和空间的限制。E-Learning 即数字化学习,主要是指以多媒体资源与信息技术为核心,通过成跨时空、跨地域的教与学的教育形式。学习者可在 E-Learning 平台完成课、提问、作业上传、资源下载等;教师可通过上传学习资源、录制音视频、答疑等完成教学任务。我国远程教育从 1998 年发展至今,先后经历了函授、电子远程、交互式媒体、互动网络教学模式等阶段,近几年科学技术的进户规模也得到快速增长[1]。根据 CNNIC 在 2017 年 6 月发布的《中国互联网况统计报告》显示[2],我国在线教育的用户规模已达 1.44 亿,市场规模也在,已达 1916.7 亿元。随着越来越多的用户选择在线学习,在线教育的市场有进一步的发展,预计 2018 年将达到 2321.2 亿元,如图 1.1 所示。

神经元模型


图1.2 M-P 神经元模型神经网络发展至今,在信号处理、模式识别与人工智能等多个领域都取得了究[24]。3 研究内容本论文以西安电子科技大学网络与继续教育学院的学生为主要研究对象,对历史评价及学习行为数据进行处理和分析,对在线教育平台的学习资源进行标模,最后为学生进行个性化的学习资源推荐,主要研究工作如下:1、首先对本文的研究背景进行了介绍,明确了学习资源个性化推荐对提高习效率的意义,然后对国内外关于学习资源、推荐技术和神经网络的研究现状理论做了简要介绍。2、在分析现有学习平台推荐方法的优缺点之上,提出了基于双属性评分矩经网络的协同推荐算法,对解决传统推荐算法因评分数据过于稀疏、“冷启动

构成元素


学习元构成元素
【参考文献】

相关期刊论文 前10条

1 于洪;李俊华;;一种解决新项目冷启动问题的推荐算法[J];软件学报;2015年06期

2 朱扬勇;孙婧;;推荐系统研究进展[J];计算机科学与探索;2015年05期

3 熊频;胡小勇;;面向智慧校园的学习资源建设研究:趋势与建议[J];教育信息技术;2014年05期

4 胡勋;孟祥武;张玉洁;史艳翠;;一种融合项目特征和移动用户信任关系的推荐算法[J];软件学报;2014年08期

5 王国霞;刘贺平;;个性化推荐系统综述[J];计算机工程与应用;2012年07期

6 辛菊琴;蒋艳;舒少龙;;综合用户偏好模型和BP神经网络的个性化推荐[J];计算机工程与应用;2013年02期

7 张付志;常俊风;王栋;;基于Widrow-Hoff神经网络的多指标推荐算法[J];模式识别与人工智能;2011年02期

8 滕欣欣;;国内远程教育发展现状和趋势探究[J];中国教育技术装备;2011年03期

9 杨现民;余胜泉;;泛在学习环境下的学习资源信息模型构建[J];中国电化教育;2010年09期

10 张磊;陈俊亮;孟祥武;沈筱彦;段锟;;基于BP神经网络的协作过滤推荐算法[J];北京邮电大学学报;2009年06期


相关博士学位论文 前2条

1 尹航;信息推荐系统中的协同过滤技术研究[D];东北大学;2012年

2 张磊;个性化推荐和搜索中若干关键问题的研究[D];北京邮电大学;2009年


相关硕士学位论文 前4条

1 黄涛;基于神经网络的个性化推荐算法研究与设计[D];重庆大学;2016年

2 张腾季;个性化混合推荐算法的研究[D];浙江大学;2013年

3 陈红珍;网络学习行为及学习过程监控方法研究[D];东北师范大学;2011年

4 蔡俊;基于数据仓库的点击流技术的研究[D];江苏大学;2009年



本文编号:2866718

资料下载
论文发表

本文链接:https://www.wllwen.com/jiaoyulunwen/jykj/2866718.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户92f60***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com