基于深度学习的适应性学习系统研究与实现

发布时间：2021-02-03 20:58

　　随着信息技术的不断发展,克服时间、空间限制的远程教育开始出现。适应性学习系统可以根据学生的学习现状动态调整学习资源的呈现,克服我国传统教育中存在的教育资源分布不均、教学模式单一等问题,对于实现高质量教学有重要的意义。但是相较于国外已经有如Moodle学习管理系统、Knewton个性化学习平台等较为成熟的系统,国内对适应性学习系统的研究还停留在理论阶段,少数已经推广使用的学习系统也普遍存在智慧程度较低的问题。对适应性学习系统的研究、设计、开发、实施是教育领域今后的研究热点之一。个性化学习资源推荐是实现在线学习系统适应性的主要途径,基于数据挖掘技术获取学生在线学习行为数据,再通过学习分析技术构造学生专属学习者模型,并定制化的为其提供适合的学习资源。首先通过查阅大量的文献发现传统学习资源推荐方法主要停留在试题层面,忽视了学生学习的本质其实是对知识点的学习,以及学生的学习过程受到“之前”和“之后”学习行为的影响,具有时序性这一特点。近年来随着人工智能的飞速发展,与深度学习神经网络相结合的推荐方法成为未来研究推荐领域的重要方向。其中双向长短时记忆循环神经网络（Bi-LSTM）善于处理时序问题,且... 

【文章来源】：宁夏大学宁夏回族自治区 211工程院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图２－１多层感知器网络结构??－１１－??

多层感知器（ＭＬＰ）是一种简洁但是非常有效的前馈神经网络模型，在输入层和输出层之间??有多个隐藏层，被广泛应用于工业领域，应用在推荐系统中也有很好的效果。三层结构的ＭＬＰ??网络结构如图２－１所示。??输入节点?隐节点?输入节点??图２－１多层感知器网络结构??－１１－??

多层感知器（ＭＬＰ）是一种简洁但是非常有效的前馈神经网络模型，在输入层和输出层之间??有多个隐藏层，被广泛应用于工业领域，应用在推荐系统中也有很好的效果。三层结构的ＭＬＰ??网络结构如图２－１所示。??输入节点?隐节点?输入节点??图２－１多层感知器网络结构??－１１－??

【参考文献】：
期刊论文
[1]基于深度神经网络的个性化学习行为评价方法[J]. 郎波,樊一娜.  计算机技术与发展. 2019(07)
[2]基于大规模在线开放课程的学习者模型的设计与实现[J]. 黄丹霞,刘欣欣.  计算机应用. 2018(S2)
[3]基于在线学习行为分析的个性化学习推荐[J]. 陈晋音,方航,林翔,郑海斌,杨东勇,周晓.  计算机科学. 2018(S2)
[4]基于BP神经网络的认知诊断方法在个性化教学中的应用[J]. 黄宏涛,李世珍,李世玉,宋婷鸽,苏明骜.  中国远程教育. 2019(01)
[5]基于深度学习的资源个性化推荐算法及模型设计[J]. 梁婷婷,李丽琴.  智能计算机与应用. 2018(06)
[6]融合学习者时序行为和认知水平的个性化学习资源推荐算法[J]. 林木辉.  计算机系统应用. 2018(10)
[7]基于阶段衍变双向自均衡的个性化学习资源推荐方法[J]. 李浩君,张征,张鹏威.  模式识别与人工智能. 2018(10)
[8]多约束条件下基于竞争遗传算法的学习资源推荐算法[J]. 黄建国,陈圣兵.  辽宁科技学院学报. 2018(04)
[9]反馈式个性化试题推荐方法[J]. 万永权,燕彩蓉,朱明,苏厚勤.  计算机应用与软件. 2018(07)
[10]走向远程学习的三重追问与路径——对远程学习平台“智慧树”的反思[J]. 张子燕.  成人教育. 2018(05)

硕士论文
[1]中国MOOC平台传播与运营模式研究[D]. 王歆舒.暨南大学 2018
[2]在线学习系统中的深度学习推荐算法研究[D]. 沈筱譞.华中师范大学 2017



本文编号：3017148