基于学习者模型的教育资源推荐技术研究

发布时间：2021-10-27 15:30

　　教育资源信息化建设的蓬勃发展,引发了教育资源“信息过载”和学习者“知识迷航”的问题,为了缓解这一问题,众多研究者引入推荐技术实现对教育资源个性化推荐。针对上述问题,研究者从电子商务推荐系统、电影推荐系统得到启发,将协同过滤等推荐方法应用于教育资源领域。由于教育资源的特殊性,通用的推荐方法在教育资源推荐中存在性能低下导致用户体验度不佳的问题,同时新用户冷启动、推荐效率、准确率低等问题仍客观存在。本文结合深度学习和自然语言处理技术提出了基于学习者模型的教育资源混合推荐算法用于教育资源推荐领域,提出的方法既研究目标用户的个人基本信息和行为信息,同时还对目标用户、教育资源、其他用户的学习能力和水平进行计算。实验数据集为通过网络爬虫采集至某教育网站的真实数据,主要工作包括:1、缓解冷启动问题。结合深度学习和自然语言处理技术,首先使用自然语言处理技术在深度学习框架下对新用户的注册信息和个人信息进行分析以此用于分类,其次根据分类结果找到目标用户所对应的类别,然后再通过计算目标用户和类内其他用户学习水平相似度,找到相似用户集,最后融合计算确定最终相似用户集合,进行教育资源推荐。2、提升计算效率。首先对... 

【文章来源】：中北大学山西省

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1.绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 推荐系统研究现状
        1.2.2 教育资源推荐研究现状
    1.3 本文的工作
    1.4 本文组织结构
2.相关理论基础
    2.1 在线教育相关概念
    2.2 推荐算法理论基础
    2.3 推荐系统工作原理
    2.4 深度学习相关概念
    2.5 自然语言处理相关技术
    2.6 算法的评价方法和指标
        2.6.1 算法的实验方法
        2.6.2 算法的评价指标
    2.7 本章小结
3.数据的获取与预处理
    3.1 数据获取方式
    3.2 网络爬虫技术与工作原理
        3.2.1 网络爬虫
        3.2.2 网络爬虫数据匹配方法
    3.3 数据预处理
    3.4 本章小结
4.基于学习者模型的推荐算法
    4.1 学习者模型构建
    4.2 基于学习者模型的推荐算法整体描述
    4.3 使用神经网络缓解冷启动
        4.3.1 基于LSTM-Maxpooling实现文本分类
        4.3.2 计算用户学习能力相似度
    4.4 使用学习者特征改进相似度计算
        4.4.1 提取老用户的兴趣标签
        4.4.2 学习者模型类内计算
    4.5 使用基于学习者模型的推荐算法进行推荐
    4.6 实验与结果分析
        4.6.1 实验平台
        4.6.2 算法评价指标
        4.6.3 设计对比实验
        4.6.4 实验结果分析
    4.7 本章小结
5.基于学习者兴趣动态变化和加入热门惩罚因子的算法
    5.1 算法描述
    5.2 算法的整体实现模型
    5.3 模型的具体描述
        5.3.1 游客用户资源推荐
        5.3.2 新注册用户资源推荐
        5.3.3 老用户教育资源推荐
    5.4 实验与结果分析
        5.4.1 实验平台
        5.4.2 数据集分析和划分
        5.4.3 算法评估指标
        5.4.4 设计对比实验
        5.4.5 实验结果分析
    5.5 本章小结
6.总结与展望
    6.1 总结
    6.2 展望
参考文献
攻读硕士学位期间所取得的研究成果
致谢


【参考文献】：
期刊论文
[1]新冠肺炎疫情下线上教育的机遇与挑战[J]. 张晓艳.  中国报业. 2020(08)
[2]基于深度自编码器和二次协同过滤的个性化试题推荐方法[J]. 熊慧君,宋一凡,张鹏,刘立波.  计算机科学. 2019(S2)
[3]中文文本分类方法综述[J]. 于游,付钰,吴晓平.  网络与信息安全学报. 2019(05)
[4]一种注意力增强的自然语言推理模型[J]. 李冠宇,张鹏飞,贾彩燕.  计算机工程. 2020(07)
[5]LSTM网络模型在Web服务器资源消耗预测中的应用研究[J]. 谭宇宁,党伟超,白尚旺,潘理虎.  计算机系统应用. 2019(07)
[6]基于Python的网络爬虫与反爬虫技术研究[J]. 李培.  计算机与数字工程. 2019(06)
[7]基于深度长短时记忆神经网络模型的心律失常检测算法[J]. 杨朔,蒲宝明,李相泽,王帅,常战国.  计算机应用. 2019(03)
[8]循环神经网络研究综述[J]. 杨丽,吴雨茜,王俊丽,刘义理.  计算机应用. 2018(S2)
[9]基于LSTM深度神经网络的精细化气温预报初探[J]. 倪铮,梁萍.  计算机应用与软件. 2018(11)
[10]基于改进内容过滤算法的高校图书馆文献资源个性化推荐研究[J]. 耿立校,晋高杰,李亚函,孙卫忠,马士豪.  图书情报工作. 2018(21)

硕士论文
[1]基于标签权重的个性化协同过滤推荐算法[D]. 熊楚平.新疆大学 2019
[2]基于综合评价的个性化推荐算法研究[D]. 陈佳慧.东北大学 2013



本文编号：3461882