基于混合差分进化算法的个性化学习资源推荐研究

发布时间：2021-03-09 19:05

　　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... 

【文章来源】：浙江工业大学浙江省

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

推荐系统架构

0. 0.1. 0. 1. 0. 1. 0.1. 0]。通过图 5-1 可以看出，不同学习资源数量下，最优值和平均值收敛曲线均收敛较快，到后期逐渐收敛到稳定的差异值。(A)学习资源数量 20 个 (B)学习资源数量 30 个

42(C) 学习资源数量 50 个 (D) 学习资源数量 100 个图 5-2 差异均值收敛曲线本章通过对比在不同学习资源数量条件下，三种算法的平均收敛曲线变化情况，详细分析算法的平均收敛性，并通过收敛曲线的变化进一步分析造成收敛曲线的原因，尤其对不同算法的采用改进策略对算法收敛性的影响做出了详细的分析。首先，通过图 5-2 对比前期算法的执行情况，由于 HDDER、BPSOR 算法都是根据

【参考文献】：
期刊论文
[1]一种用于构建用户画像的多视角融合框架[J]. 费鹏,林鸿飞,杨亮,徐博,古丽孜热·艾尼外.  计算机科学. 2018(01)
[2]一种用于构建用户画像的二级融合算法框架[J]. 李恒超,林鸿飞,杨亮,徐博,魏晓聪,张绍武,古丽孜热·艾尼外.  计算机科学. 2018(01)
[3]时间加权的混合推荐算法[J]. 邹凌君,陈崚,李娟.  计算机科学. 2016(S2)
[4]移动用户画像构建研究[J]. 黄文彬,徐山川,吴家辉,王军.  现代情报. 2016(10)
[5]教育信息化“十三五”规划[J].   中国信息技术教育. 2016(Z3)
[6]一种改进的缓解推荐系统物品冷启动的方法[J]. 任彩霞.  软件. 2016(08)
[7]贪婪封装二进制差分进化算法求解高维背包问题[J]. 钱淑渠,叶永强,武慧虹.  控制与决策. 2016(05)
[8]基于社交网络用户信任度的混合推荐算法研究[J]. 文俊浩,何波,胡远鹏.  计算机科学. 2016(01)
[9]国务院关于积极推进“互联网+”行动的指导意见[J].   中华人民共和国国务院公报. 2015(20)
[10]电子书包中基于学习者模型的个性化学习资源推荐研究[J]. 牟智佳,武法提.  电化教育研究. 2015(01)

博士论文
[1]基于属性提升与偏好集成的上下文感知推荐[D]. 郑麟.武汉大学 2017

硕士论文
[1]基于多行为融合的电商推荐系统研究与实现[D]. 雷伟.上海交通大学 2015



本文编号：3073321