融合深度学习的课程推荐方法研究
发布时间：2021-05-15 06:51
随着移动互联网时代的到来,互联网中的信息成指数增长,与此同时人们获取信息的方式也更加的便捷。但随之产生的问题是在大量的信息中,我们在获取的时候通常会感到疑惑,我们找到自身所需要信息的时间越来越长。推荐系统的出现帮助用户去发现适合自己的资源,使得用户可以更加关注资源本身的内容而不是将时间花在寻找资源上。随着在线课程的爆发,各类课程从三尺讲台搬到了屏幕上,学习者有更多的选择去学习自己想学的内容,但由于目前课程推荐的研究尚处在前期阶段,这是由于教育的复杂性造成的。推荐合适的课程给学习者不仅要考虑课程本身的内容,而且还要将焦点放在学习者身上,比如学习者学习的情感状态等。为解决课程推荐准确率以及效率的问题,本文通过融合深度学习的方式,站在课程和学习者的角度上,分别设计基于doc2vec的协同过滤推荐方法和基于情感分析的课程推荐方法。本文的研究内容主要分为三个方面:（1）数据的收集与预处理。在这个阶段中,本文设计分布式爬虫获取互联网中的数据,并进行数据清洗、中文分词等操作。最后采用通过设计人工标注情感分析数据的方式获取情感分析训练集和测试集。（2）设计基于doc2vec的协同过滤推荐方法。在这个阶...
【文章来源】：江西师范大学江西省
【文章页数】：47 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景与研究意义
1.2 国内外研究现状
1.3 研究内容
1.4 本文的组织结构
2 推荐算法相关研究概述
2.1 常用推荐算法
2.1.1 基于内容的推荐算法
2.1.2 协同过滤推荐方法
2.1.3 基于协同过滤与基于内容的推荐的混合推荐方法
2.2 基于深度学习的推荐模型
2.2.1 卷积神经网络推荐模型
2.2.2 循环神经网络推荐模型
2.3 评估指标
3 数据的收集与处理
3.1 数据爬虫的设计
3.1.1 scrapy爬虫框架
3.1.2 课程数据爬虫设计与实现
3.2 数据预处理
3.2.1 清除特殊符号以及停用词
3.2.2 文本分词
3.3 情感分析数据标注
3.3.1 多人人工标注
3.3.2 标注结果评估
4 基于Doc2vec的协同过滤课程推荐方法
4.1 协同过滤算法
4.2 基于Doc2vec课程文本的相似度计算
4.2.1 doc2vec简介
4.2.2 使用doc2vec训练课程名称文本词向量
4.3 融合doc2vec的协同过滤推荐方法
4.4 实验结果与分析
4.4.1 实验对比算法
4.4.2 实验结果与评估
5 基于情感分析的课程推荐算法
5.1 情感分析概述
5.2 基于评价主题聚类的情感分类模型
5.2.1 课程评论文本向量
5.2.2 课程评论文本的主题聚类
5.2.3 基于卷积神经网络的情感分析模型
5.3 基于主题情感分析的课程推荐模型
5.4 实验结果与评估
5.4.1 实验数据的准备与评估模型方法
5.4.2 实验结果评估
6 总结与展望
6.1 论文总结
6.2 论文展望
参考文献
致谢
在读期间公开发表论文(著)及科研情况
【参考文献】：
期刊论文
[1]协同过滤推荐算法研究[J]. 李晓瑜. 计算机与数字工程. 2019(09)
[2]基于分解卷积神经网络的文本情感分析[J]. 孟彩霞,董娅娅. 计算机与数字工程. 2019(08)
[3]基于主题分析的用户评论聚类方法[J]. 张会兵,钟昊,胡晓丽. 计算机科学. 2019(08)
[4]基于改进相似度的电影推荐方法[J]. 胡宗耀. 网络安全技术与应用. 2019(07)
[5]基于会话信息的多粒度循环神经网络推荐模型[J]. 岳新玉,刘悦,余志华. 山西大学学报(自然科学版). 2019(02)
[6]基于深度学习的用户行为推荐方法研究[J]. 张祖平,沈晓阳. 计算机工程与应用. 2019(04)
[7]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[8]基于融合卷积神经网络的协同过滤模型[J]. 杨锡慧. 软件导刊. 2017(12)
[9]基于Scrapy的深层网络爬虫研究[J]. 刘宇,郑成焕. 软件. 2017(07)
[10]基于情感分析和LDA主题模型的协同过滤推荐算法[J]. 彭敏,席俊杰,代心媛,何炎祥. 中文信息学报. 2017(02)
博士论文
[1]协同过滤推荐算法的关键性问题研究[D]. 黄山山.山东大学 2016
硕士论文
[1]基于内容和word2vec的慕课推荐算法研究[D]. 黄冉.山东师范大学 2019
[2]基于网易云音乐的协同过滤推荐系统研究及实现[D]. 施文丽.山东师范大学 2019
[3]基于图的商品推荐算法研究[D]. 杨华.江西师范大学 2017
[4]协同过滤中数据稀疏性缓解方法研究[D]. 靳恺.湖南大学 2016
[5]基于受限玻尔兹曼机的深度学习模型及其应用[D]. 张艳霞.电子科技大学 2016
[6]个性化混合推荐算法的研究[D]. 张腾季.浙江大学 2013
[7]基于投票机制的Web个性化推荐系统[D]. 马松.大连理工大学 2006
本文编号：3187166
【文章来源】：江西师范大学江西省
【文章页数】：47 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景与研究意义
1.2 国内外研究现状
1.3 研究内容
1.4 本文的组织结构
2 推荐算法相关研究概述
2.1 常用推荐算法
2.1.1 基于内容的推荐算法
2.1.2 协同过滤推荐方法
2.1.3 基于协同过滤与基于内容的推荐的混合推荐方法
2.2 基于深度学习的推荐模型
2.2.1 卷积神经网络推荐模型
2.2.2 循环神经网络推荐模型
2.3 评估指标
3 数据的收集与处理
3.1 数据爬虫的设计
3.1.1 scrapy爬虫框架
3.1.2 课程数据爬虫设计与实现
3.2 数据预处理
3.2.1 清除特殊符号以及停用词
3.2.2 文本分词
3.3 情感分析数据标注
3.3.1 多人人工标注
3.3.2 标注结果评估
4 基于Doc2vec的协同过滤课程推荐方法
4.1 协同过滤算法
4.2 基于Doc2vec课程文本的相似度计算
4.2.1 doc2vec简介
4.2.2 使用doc2vec训练课程名称文本词向量
4.3 融合doc2vec的协同过滤推荐方法
4.4 实验结果与分析
4.4.1 实验对比算法
4.4.2 实验结果与评估
5 基于情感分析的课程推荐算法
5.1 情感分析概述
5.2 基于评价主题聚类的情感分类模型
5.2.1 课程评论文本向量
5.2.2 课程评论文本的主题聚类
5.2.3 基于卷积神经网络的情感分析模型
5.3 基于主题情感分析的课程推荐模型
5.4 实验结果与评估
5.4.1 实验数据的准备与评估模型方法
5.4.2 实验结果评估
6 总结与展望
6.1 论文总结
6.2 论文展望
参考文献
致谢
在读期间公开发表论文(著)及科研情况
【参考文献】：
期刊论文
[1]协同过滤推荐算法研究[J]. 李晓瑜. 计算机与数字工程. 2019(09)
[2]基于分解卷积神经网络的文本情感分析[J]. 孟彩霞,董娅娅. 计算机与数字工程. 2019(08)
[3]基于主题分析的用户评论聚类方法[J]. 张会兵,钟昊,胡晓丽. 计算机科学. 2019(08)
[4]基于改进相似度的电影推荐方法[J]. 胡宗耀. 网络安全技术与应用. 2019(07)
[5]基于会话信息的多粒度循环神经网络推荐模型[J]. 岳新玉,刘悦,余志华. 山西大学学报(自然科学版). 2019(02)
[6]基于深度学习的用户行为推荐方法研究[J]. 张祖平,沈晓阳. 计算机工程与应用. 2019(04)
[7]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[8]基于融合卷积神经网络的协同过滤模型[J]. 杨锡慧. 软件导刊. 2017(12)
[9]基于Scrapy的深层网络爬虫研究[J]. 刘宇,郑成焕. 软件. 2017(07)
[10]基于情感分析和LDA主题模型的协同过滤推荐算法[J]. 彭敏,席俊杰,代心媛,何炎祥. 中文信息学报. 2017(02)
博士论文
[1]协同过滤推荐算法的关键性问题研究[D]. 黄山山.山东大学 2016
硕士论文
[1]基于内容和word2vec的慕课推荐算法研究[D]. 黄冉.山东师范大学 2019
[2]基于网易云音乐的协同过滤推荐系统研究及实现[D]. 施文丽.山东师范大学 2019
[3]基于图的商品推荐算法研究[D]. 杨华.江西师范大学 2017
[4]协同过滤中数据稀疏性缓解方法研究[D]. 靳恺.湖南大学 2016
[5]基于受限玻尔兹曼机的深度学习模型及其应用[D]. 张艳霞.电子科技大学 2016
[6]个性化混合推荐算法的研究[D]. 张腾季.浙江大学 2013
[7]基于投票机制的Web个性化推荐系统[D]. 马松.大连理工大学 2006
本文编号：3187166
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3187166.html
