基于反馈信息的深度学习推荐算法研究

发布时间：2021-06-21 11:45

　　互联网技术正加速驱动新一轮教育产业升级,近年来“互联网+教育”的业务载体不断推陈出新,在线教育逐渐得到推广,成为了广大人群学习知识的新途径。但在线教育平台存在针对性不足、无法为学习者量身打造适合自己的个性化学习体验等一系列问题。因此针对学习者学习偏好的在线学习资源个性化推荐成为了当下的研究热点。本文在在线学习的背景下,利用深度学习算法对学习者用户的反馈信息进行建模,在此基础上构建的推荐算法能有效缓解推荐系统中存在的稀疏性问题,在一定程度上提供可解释性并显著提高推荐准确率。为学习者提供更加个性化的学习体验,提高学习者的学习效率和资源的利用率。主要工作包括:（1）提出了基于评论的双重先验矩阵分解模型（Dual-Prior Review-based Matrix Factorization,DPRMF）。该模型利用卷积神经网络对学习者评论反馈信息进行特征提取,再利用评论特征先验约束融入概率矩阵分解模型来学习到融入评论信息的用户和对象特征向量,从而更好地拟合评分数据。本文还在卷积神经网络的嵌入层中使用单词级别的向量权重,这有助于可视化评论并更直观地解释模型。大量实验结果表明所提出的模型优于其它... 

【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】：74 页

【学位级别】：硕士

【部分图文】：

图２．１用户对象评分矩阵／？??介绍具体算法之前先定义问题的具体形式

图２．２基于用户的协同过滤算法思想??基于用户协同过滤算法的基本思想是：一个用户喜欢和他具有相似喜好的用户??喜欢的对象。图２．２描述了基于用户的协同过滤算法思想，对于用户Ａ，通过其历??史偏好，计算得到一个与之最相似的用户Ｃ，然后将用户Ｃ所喜欢而用户Ａ并未访??问过的对象￣４推荐给用户Ａ。??基于用户的协同过滤算法可以分为三个步骤：??（１）计算用户之间的相似度??（２）选择合适大小的相似用户集合??（３）根据相似用户集合的用户评分来预测未知评分??首先是用户之间相似度的度量方法，常用的有Ｊａｃｃａｒｄ相似度、余弦相似度和??Ｐｅａｒｓｏｎ相似度。??定义Ｋｗ表示用户Ｗ进行过评分的对象集合，凡＊表示用户／的评分向量。Ｊａｃｃａｒｄ??相似度可以看作是两个用户评分过对象集合的吻合程度，具体定义如式（２．１）？??１１??

推荐?用户Ｃ?物品４??图２．２基于用户的协同过滤算法思想??基于用户协同过滤算法的基本思想是：一个用户喜欢和他具有相似喜好的用户??喜欢的对象。图２．２描述了基于用户的协同过滤算法思想，对于用户Ａ，通过其历??史偏好，计算得到一个与之最相似的用户Ｃ，然后将用户Ｃ所喜欢而用户Ａ并未访??问过的对象￣４推荐给用户Ａ。??基于用户的协同过滤算法可以分为三个步骤：??（１）计算用户之间的相似度??（２）选择合适大小的相似用户集合??（３）根据相似用户集合的用户评分来预测未知评分??首先是用户之间相似度的度量方法，常用的有Ｊａｃｃａｒｄ相似度、余弦相似度和??Ｐｅａｒｓｏｎ相似度。??定义Ｋｗ表示用户Ｗ进行过评分的对象集合，凡＊表示用户／的评分向量。Ｊａｃｃａｒｄ??相似度可以看作是两个用户评分过对象集合的吻合程度，具体定义如式（２．１）？??１１??

【参考文献】：
期刊论文
[1]以用户画像构建智慧阅读推荐系统[J]. 王顺箐.  图书馆学研究. 2018(04)
[2]跨类型的学术资源优质推荐算法研究[J]. 尹丽玲,刘柏嵩,王洋洋.  情报学报. 2017(07)
[3]基于知识图谱表示学习的协同过滤推荐算法[J]. 吴玺煜,陈启买,刘海,贺超波.  计算机工程. 2018(02)
[4]社交网络下学习推荐研究与实践[J]. 吴正洋,汤庸,黄昌勤,黄泳航,丁蕊.  中国电化教育. 2016(03)
[5]混合学习的原理与应用模式[J]. 李克东,赵建华.  电化教育研究. 2004(07)



本文编号：3240617