深度学习推荐方法及应用研究

发布时间：2021-05-17 14:57

　　当前,云计算、大数据和人工智能等信息技术的飞速发展,在线教育的适应性学习越来越引起教育信息技术领域专家研究的关注。现阶段,教育发展过程中面临着优质资源供给不足、规模化教育与人才差异化成长需求之间矛盾。因此,迫切需要构建一种既能汇聚各种优质资源又能提供个性化服务的技术体系,这是实现公平而有质量的教育目标必须直面的科学和技术问题。论文以在线教育面对的大量用户、海量教学内容为研究场景,以为学习者提供个性化、智能化的学习服务为目的,针对传统推荐系统中存在的数据稀疏、不平衡,算法扩展性不足,算法效率低、可用性低,鲁棒性欠佳等问题,对在线学习环境中的智能化、个性化资源推荐方法展开研究。论文的主要研究内容和创新性主要体现在四个方面。针对传统推荐数据不平衡与算法扩展性不足的问题,提出了一种新的推荐深度矩阵分解模型（DMF）。模型利用深度神经网络将用户和对象的各类输入信息进行特征提取,在此基础上通过构建特征转移函数,以生成用户和对象的隐含因子,最终通过训练实现内容推荐。借助特征转移函数,模型可以有能力去融合各类信息,提高了模型的扩展性,并且能够有效缓解数据不平衡对算法的影响;其次,针对深度学习推荐算法普... 

【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】：119 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 学习资源推荐算法
        1.2.2 经典推荐算法与发展
        1.2.3 深度学习推荐算法
        1.2.4 未来的挑战
    1.3 论文主要内容与组织架构
第2章 推荐系统相关研究
    2.1 协同过滤算法
        2.1.1 基于最近邻的协同过滤算法
        2.1.2 基于模型的协同过滤算法
    2.2 基于深度学习的推荐算法
        2.2.1 隐含因子先验估计模型
        2.2.2 基于深度学习的推荐框架
第3章 深度矩阵分解模型
    3.1 算法动机
    3.2 算法模型
        3.2.1 深度矩阵分解模型的框架
        3.2.2 隐含反馈嵌入与数据准备
        3.2.3 深度矩阵分解与特征转移函数
    3.3 模型优化
        3.3.1 隐含反馈嵌入模型的优化
        3.3.2 深度矩阵分解模型的优化
        3.3.3 超参数讨论
    3.4 实验及结果分析
        3.4.1 实验设置
        3.4.2 实验结果与讨论
    3.5 小结
第4章 深度变分矩阵分解模型
    4.1 算法动机
    4.2 算法模型
        4.2.1 深度变分矩阵分解模型的框架
        4.2.2 变分矩阵分解模型
        4.2.3 参数推断模型
        4.2.4 知识嵌入模型
    4.3 模型优化
        4.3.1 变分矩阵分解模型与参数推断模型的优化
        4.3.2 知识嵌入模型的优化
        4.3.3 超参数讨论
    4.4 实验及结果分析
        4.4.1 实验设置
        4.4.2 实验结果与讨论
    4.5 小结
第5章 对抗深度隐含因子模型
    5.1 算法动机
    5.2 算法模型
        5.2.1 深度隐含因子模型
        5.2.2 针对深度隐含因子模型的对抗攻击
        5.2.3 对抗深度隐含因子模型
    5.3 模型优化
        5.3.1 优化对抗隐含因子模型
        5.3.2 优化对抗扰动
        5.3.3 超参数讨论
    5.4 实验及结果分析
        5.4.1 实验设置
        5.4.2 实验结果与讨论
    5.5 小结
第6章 分离图神经推荐模型
    6.1 算法动机
        6.1.1 图神经网络
        6.1.2 推荐系统
    6.2 算法模型
        6.2.1 数据准备模块
        6.2.2 隐含因子生成模块
        6.2.3 评分预测模块
    6.3 模型优化
        6.3.1 优化分离图神经推荐模型
        6.3.2 超参数讨论
    6.4 实验及结果分析
        6.4.1 实验设置
        6.4.2 实验结果与讨论
    6.5 小结
第7章 推荐方法的教育应用研究
    7.1 应用背景
        7.1.1 数据来源
        7.1.2 数据描述
        7.1.3 数据处理与数据集构建
    7.2 实施策略
        7.2.1 评价指标
        7.2.2 对比模型
        7.2.3 实验数据集与环境
    7.3 应用结果与分析
        7.3.1 算法准确率分析
        7.3.2 算法效率分析
第8章 总结与展望
    8.1 总结
    8.2 展望
参考文献
攻读博士期间发表的论文
致谢


【参考文献】：
期刊论文
[1]基于知识图谱的个性化习题推荐系统设计研究[J]. 王冬青,殷红岩.  中国教育信息化. 2019(17)
[2]智慧时代下在线学习资源组织模式研究[J]. 韦庆昌,王小根.  软件导刊. 2019(04)
[3]基于局部模型加权融合的Top-N电影推荐算法[J]. 汤颖,孙康高,秦绪佳,周建美.  计算机科学. 2018(S2)
[4]一种知识图谱的排序学习个性化推荐算法[J]. 杨晋吉,胡波,王欣明,伍昱燊,赵淦森.  小型微型计算机系统. 2018(11)
[5]研究型课程自适应学习系统:理念、策略与实践[J]. 张治,刘小龙,余明华,祝智庭.  中国电化教育. 2018(04)
[6]自适应学习系统中“KCP学习者模型”研究[J]. 李春生,张永东,刘澎,张可佳.  计算机技术与发展. 2018(05)
[7]基于MOOC平台数据和知识图谱的学习路径推荐——以软件工程专业为例[J]. 吴强强,陈昊鹏,赵子濠,蒋建伟.  工业和信息化教育. 2017(11)
[8]自适应学习模型的构建及其实现策略[J]. 吴南中.  现代教育技术. 2017(09)
[9]大数据时代基于学习分析的在线学习拖延诊断与干预研究[J]. 杨雪,姜强,赵蔚,李勇帆,李松.  电化教育研究. 2017(07)
[10]协作问题解决学习中干预有效性的影响因素研究[J]. 蔡慧英,顾小清.  电化教育研究. 2017(06)

硕士论文
[1]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：3191962