不同学习场景下的推荐算法适配研究

发布时间：2021-04-08 02:28

　　传统的学习方式局限于课堂,学习资源的来源局限于图书馆,在这样的一种学习环境中,每一位同学的学习行为都受到了很大的限制。基于云桌面技术的校园系统和慕课的出现使得学习的时间和空间限制被打破,然而由于这些限制被突破,使得学习对象直面种类繁多的海量学习资源。如何快速的在这些学习资源中获取真正适合自身需要的学习资源,成为了学习对象需要解决的首要问题。如何使得学习对象更简单快速的获取符合自身需要的学习资源,是本文的研究重点。本文根据当前的现状总结了三种学习场景——基于慕课的学习场景、基于学术研究的学习场景以及基于校园教学的学习场景。传统的校园系统中往往侧重于课堂教学和校园公告,对于学习对象的学习行为仅仅只是记录,却并未将这些数据进行充分的利用,本文通过分析了这些场景的特点,探讨了常见的推荐算法在这些学习场景的适配情况。最后根据推荐算法的特点和学习场景的实际情况,进行了算法的适配研究。在基于慕课的学习场景中,根据学习行为的具体情况与学习对象的反馈适配基于物品的协同过滤算法,通过对学习资源的属性进行了模型建立,使用慕课网日志文件解析后的前80%的数据进行训练,得到推荐列表,然后对比后20%的数据,获取... 

【文章来源】：桂林理工大学广西壮族自治区

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

实验结果示例图一

桂林理工大学硕士学位论文25图3-3实验结果示例图二图3-4实验结果示例图三由于学习对象不一定会选择推荐列表中所有的学习资源，而慕课网在每个对象的推荐列表中一共有6个推荐，所以为了兼顾推荐算法的查全率与准确率，实验采取其中相

桂林理工大学硕士学位论文273-5中使用Item_Based，简称IB），两者之间平均的时间消耗的差距达到了1倍以上。图3-5UB算法与IB算法耗时对比而基于内容的推荐算法（图3-6至图3-8中使用CF简称）在推荐准确率上与基于物品的协同过滤算法平均推荐准确率相差达到24.7%。本文对此的分析给出的解释是：学习对象在基于慕课的学习场景中，自主性较大，对于学习资源的选择在不同时间的有着不同的倾向性，而基于内容的推荐算法仅仅关注学习资源的内容相似度，并不会关注学习对象的学习资源选择变化，所以在基于内容的推荐算法的推荐结果的准确性不如基于物品的协同过滤算法。图3-6CF算法的推荐列表结果示例图一


本文编号：3124668