MOOC环境下基于XDeepFM的个性化课程推荐系统
发布时间：2021-01-02 07:40
随着国家教育信息化教育战略目标的提出,各大在线教育机构如雨后春笋般拔地而起,各大高等学校也纷纷推出线上课程。然而,在线平台中海量、丰富的学习资源也为学习者带来了“信息迷航”、“信息过载”等问题,如何为目标用户精准的个性化推荐学习资源成为平台亟待解决的难题。因此将个性化推荐技术应用到在线教育领域中是一个可行的解决方案,它解决了用户难以从海量数据中搜寻自己感兴趣学习资源的问题,而且还可以提高用户的产品喜爱度和学习积极性。深度学习因为在图像识别、语音识别等领域高效的表现而得到了广泛的应用,同样也为解决传统推荐系统中稀疏性、复杂特征难提取和挖掘特征交叉等问题提出了有效方案。为此,本文提出了在中国大学MOOC在线平台下基于XDeepFM的个性化课程推荐系统,主要展开的研究工作如下:1、对现有基于深度学习的推荐和教育学习资源的研究进展进行概述,阐述了常用推荐算法的思想、原理、具体流程和各自的优缺点,对深度学习基本模型进行了简单介绍,最后提出本文评估个性化推荐系统实验方法和评估指标。2、建立基于XDeepFM框架下融合自然语言处理的Bert网络模型的个性化课程推荐模型。首先通过课程概要、课程评论信息...
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：58 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 基于深度学习的个性化推荐
1.2.2 教育学习资源的个性化推荐
1.3 研究内容
1.4 论文组织框架
第二章 相关理论和关键技术
2.1 常用的推荐技术
2.1.1 基于协同过滤的推荐算法
2.1.2 基于内容的推荐算法
2.1.3 混合推荐算法
2.2 深度学习模型
2.2.1 卷积神经网络
2.2.2 循环神经网络
2.3 个性化推荐系统评估
2.3.1 评估实验方法
2.3.2 评估指标
2.4 本章小结
第三章 基于XDeepFM的个性化课程推荐模型
3.1 实验数据获取与处理
3.1.1 多线程爬虫数据采集
3.1.2 数据预处理
3.2 推荐算法模型建立
3.2.1 XDeepFM构建推荐模型框架
3.2.2 Bert文本信息特征提取网络
3.2.3 融合后的推荐模型
3.3 实验验证
3.3.1 实验环境
3.3.2 模型训练步骤
3.3.3 实验参数设定
3.3.4 实验结果与分析
3.4 本章小结
第四章 个性化课程推荐系统设计与实现
4.1 系统目标
4.2 需求分析
4.3 个性化课程推荐系统设计
4.3.1 系统架构设计
4.3.2 系统模块设计
4.3.3 系统数据库设计
4.4 个性化课程推荐系统的实现
4.4.1 开发环境
4.4.2 系统主要界面展示
4.5 本章小结
第五章 系统测试
5.1 功能测试
5.2 性能测试
5.3 本章小结
第六章 总结与展望
参考文献
攻读硕士期间发表的论文
致谢
【参考文献】：
期刊论文
[1]基于深度学习的个性化推荐模型应用[J]. 单荣杰,马文明,祁明明. 电子技术与软件工程. 2019(23)
[2]基于深度学习的混合推荐算法[J]. 欧高亮,汪海涛,姜瑛,陈星. 传感器与微系统. 2019(07)
[3]基于长尾理论的物品协同过滤Top-N推荐算法[J]. 刘向举,袁煦聪,刘鹏程. 齐齐哈尔大学学报(自然科学版). 2019(02)
[4]教育部发布加强网络学习空间建设与应用指导意见[J]. 中国电力教育. 2019(01)
[5]基于深度学习的推荐算法研究综述[J]. 王俊淑,张国明,胡斌. 南京师范大学学报(工程技术版). 2018(04)
[6]基于协同过滤的推荐算法研究[J]. 毛勇. 计算机时代. 2018(07)
[7]教育部印发《教育信息化2.0行动计划》[J]. 徐靖程. 中小学信息技术教育. 2018(05)
[8]基于深度学习的论文个性化推荐算法[J]. 王妍,唐杰. 中文信息学报. 2018(04)
[9]ConvFNN:一种基于深度学习的个性化推荐算法[J]. 胡松波,何洪波,肖云. 科研信息化技术与应用. 2017(05)
[10]基于内容的热门微话题个性化推荐研究[J]. 安悦,李兵,杨瑞泰,胡沥丹. 情报杂志. 2014(02)
硕士论文
[1]基于个性化推荐的在线学习系统研究与实现[D]. 巩晓悦.北京邮电大学 2019
[2]基于相似度改进的Item-CF课程推荐系统[D]. 黄月.华中师范大学 2018
[3]MOOC环境下基于深度信念网络的个性化推荐方法研究[D]. 杨恒.华中师范大学 2018
[4]MOOC资源的个性化推荐研究[D]. 匡湖.江西师范大学 2017
[5]基于内容的个性化推荐系统研究[D]. 单京晶.东北师范大学 2015
[6]基于SVD的协同过滤推荐算法研究[D]. 陈清浩.西南交通大学 2015
[7]基于协同过滤的学习资源个性化推荐研究[D]. 牛文娟.北京理工大学 2015
本文编号：2952945
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：58 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 基于深度学习的个性化推荐
1.2.2 教育学习资源的个性化推荐
1.3 研究内容
1.4 论文组织框架
第二章 相关理论和关键技术
2.1 常用的推荐技术
2.1.1 基于协同过滤的推荐算法
2.1.2 基于内容的推荐算法
2.1.3 混合推荐算法
2.2 深度学习模型
2.2.1 卷积神经网络
2.2.2 循环神经网络
2.3 个性化推荐系统评估
2.3.1 评估实验方法
2.3.2 评估指标
2.4 本章小结
第三章 基于XDeepFM的个性化课程推荐模型
3.1 实验数据获取与处理
3.1.1 多线程爬虫数据采集
3.1.2 数据预处理
3.2 推荐算法模型建立
3.2.1 XDeepFM构建推荐模型框架
3.2.2 Bert文本信息特征提取网络
3.2.3 融合后的推荐模型
3.3 实验验证
3.3.1 实验环境
3.3.2 模型训练步骤
3.3.3 实验参数设定
3.3.4 实验结果与分析
3.4 本章小结
第四章 个性化课程推荐系统设计与实现
4.1 系统目标
4.2 需求分析
4.3 个性化课程推荐系统设计
4.3.1 系统架构设计
4.3.2 系统模块设计
4.3.3 系统数据库设计
4.4 个性化课程推荐系统的实现
4.4.1 开发环境
4.4.2 系统主要界面展示
4.5 本章小结
第五章 系统测试
5.1 功能测试
5.2 性能测试
5.3 本章小结
第六章 总结与展望
参考文献
攻读硕士期间发表的论文
致谢
【参考文献】：
期刊论文
[1]基于深度学习的个性化推荐模型应用[J]. 单荣杰,马文明,祁明明. 电子技术与软件工程. 2019(23)
[2]基于深度学习的混合推荐算法[J]. 欧高亮,汪海涛,姜瑛,陈星. 传感器与微系统. 2019(07)
[3]基于长尾理论的物品协同过滤Top-N推荐算法[J]. 刘向举,袁煦聪,刘鹏程. 齐齐哈尔大学学报(自然科学版). 2019(02)
[4]教育部发布加强网络学习空间建设与应用指导意见[J]. 中国电力教育. 2019(01)
[5]基于深度学习的推荐算法研究综述[J]. 王俊淑,张国明,胡斌. 南京师范大学学报(工程技术版). 2018(04)
[6]基于协同过滤的推荐算法研究[J]. 毛勇. 计算机时代. 2018(07)
[7]教育部印发《教育信息化2.0行动计划》[J]. 徐靖程. 中小学信息技术教育. 2018(05)
[8]基于深度学习的论文个性化推荐算法[J]. 王妍,唐杰. 中文信息学报. 2018(04)
[9]ConvFNN:一种基于深度学习的个性化推荐算法[J]. 胡松波,何洪波,肖云. 科研信息化技术与应用. 2017(05)
[10]基于内容的热门微话题个性化推荐研究[J]. 安悦,李兵,杨瑞泰,胡沥丹. 情报杂志. 2014(02)
硕士论文
[1]基于个性化推荐的在线学习系统研究与实现[D]. 巩晓悦.北京邮电大学 2019
[2]基于相似度改进的Item-CF课程推荐系统[D]. 黄月.华中师范大学 2018
[3]MOOC环境下基于深度信念网络的个性化推荐方法研究[D]. 杨恒.华中师范大学 2018
[4]MOOC资源的个性化推荐研究[D]. 匡湖.江西师范大学 2017
[5]基于内容的个性化推荐系统研究[D]. 单京晶.东北师范大学 2015
[6]基于SVD的协同过滤推荐算法研究[D]. 陈清浩.西南交通大学 2015
[7]基于协同过滤的学习资源个性化推荐研究[D]. 牛文娟.北京理工大学 2015
本文编号：2952945
本文链接：https://www.wllwen.com/jiaoyulunwen/ktjx/2952945.html
