教育资源推荐服务中若干关键技术的研究

发布时间：2017-06-14 22:10

  本文关键词：教育资源推荐服务中若干关键技术的研究，由笔耕文化传播整理发布。

【摘要】：本文对教育资源推荐服务中的推荐服务模型、资源特征表示以及基于机器学习的推荐算法等关键技术进行了讨论与研究，主要工作及贡献如下： 在分析现有网络教学系统的特点和不足的基础上，提出一套完整的网络教学系统设计方案，将Web挖掘技术应用于网络教学系统中，在网络教学系统中引入教育资源推荐服务。 针对教育资源内容的特征表示问题，使用文本类型资源的内容或者多媒体类型资源的资源描述作为资源内容的表示；提出一种基于树型结构和加权熵的中文高频词提取算法，使用该算法可以在没有词典的情况下从资源内容或者资源描述中提取高频词，将这些高频词作为资源的特征表示。 针对如何减少推荐模型训练时间、提高推荐服务效率问题，使用流形学习技术对资源特征表示进行维数约减，缩短了推荐模型的训练时间；使用基于主动学习技术的推荐方法，减少了资源标注时间，提高推荐服务的质量和效率。 针对跨领域教育资源推荐问题，提出一种结合数据时效性和权重约束的迁移学习算法。在经典迁移学习算法TrAdaBoost的权重分配中引入时效函数，从而体现样本数据的时效性。在算法执行过程中，对错分样本进行权重约束，从而提高算法的泛化能力。 针对大规模教育资源推荐问题，提出一种基于有监督Hebb规则的分布式神经网络学习算法，并将该分布式学习算法应用于教育资源推荐服务中。该算法可以有效地解决大数据量样本集所带来的网络规模过大、训练时间过长等问题。 本文的研究成果为教育资源推荐服务的研究提供了理论参考，在资源特征表示以及基于机器学习的推荐算法等方面具有一定的理论和应用价值。
【关键词】：教育资源 推荐服务 高频词提取 主动学习 迁移学习 分布式学习
【学位授予单位】：吉林大学
【学位级别】：博士
【学位授予年份】：2013
【分类号】：G434;TP391.1
【目录】：

• 提要4-5
• 摘要5-7
• Abstract7-12
• 第1章 绪论12-24
• 1.1 研究背景和意义12-13
• 1.2 教育资源推荐服务概述13-20
• 1.2.1 教育资源推荐服务的定义13
• 1.2.2 推荐服务研究现状13-19
• 1.2.3 教育资源推荐服务研究现状19-20
• 1.3 本文的主要工作与贡献20-21
• 1.4 本文结构安排21-24
• 第2章 基于树型结构和加权熵的中文高频词提取算法24-38
• 2.1 引言24
• 2.2 相关工作24-26
• 2.3 加权信息熵26-27
• 2.4 中文高频词提取算法27-32
• 2.4.1 文本预处理27-28
• 2.4.2 构成文本的树型结构28-32
• 2.4.3 提取高频词32
• 2.5 实验讨论32-36
• 2.6 本章小结36-38
• 第3章 基于 Web 挖掘技术的个性化教育资源推荐服务38-50
• 3.1 引言38
• 3.2 Web 挖掘技术38-40
• 3.3 个性化推荐服务的设计40-45
• 3.3.1 网络教学系统的总体设计40-41
• 3.3.2 个性化推荐服务模型41-42
• 3.3.3 个性化信息挖掘42-44
• 3.3.4 教育资源推荐44-45
• 3.4 实验测试45-49
• 3.5 本章小结49-50
• 第4章 基于流形学习和主动学习的教育资源推荐方法50-68
• 4.1 引言50
• 4.2 基于流形学习的特征信息降维50-53
• 4.2.1 流形学习50-52
• 4.2.2 非线性维数约减52-53
• 4.3 基于主动学习的教育资源推荐方法53-58
• 4.3.1 主动学习53-56
• 4.3.2 教育资源主动推荐算法56-58
• 4.4 实验讨论58-66
• 4.5 本章小结66-68
• 第5章 基于迁移学习的跨领域教育资源推荐方法68-82
• 5.1 引言68-69
• 5.2 迁移学习69-71
• 5.3 结合数据时效性的迁移学习算法71-76
• 5.3.1 TrAdaBoost 算法71-72
• 5.3.2 基于时效函数的权重分配72-73
• 5.3.3 错分样本权重约束73-74
• 5.3.4 基于时效函数的迁移学习算法74-76
• 5.4 实验讨论76-81
• 5.5 本章小结81-82
• 第6章 基于分布式学习的大规模教育资源推荐方法82-92
• 6.1 引言82-83
• 6.2 分布式神经网络83-85
• 6.2.1 神经网络83-84
• 6.2.2 分布式神经网络84-85
• 6.3 分布式学习算法85-87
• 6.3.1 分布式学习算法设计85-87
• 6.3.2 具体算法描述87
• 6.4 实验讨论87-90
• 6.5 本章小结90-92
• 第7章 总结与展望92-96
• 7.1 本文的工作总结92-94
• 7.2 进一步的研究与展望94-96
• 参考文献96-104
• 作者简介及在学期间所取得的科研成果104-106
• 致谢106

【参考文献】

中国期刊全文数据库 前10条

1 崔林,宋瀚涛,陆玉昌;基于语义相似性的资源协同过滤技术研究[J];北京理工大学学报;2005年05期

2 鲍玉斌,王大玲,于戈;关联规则和聚类分析在个性化推荐中的应用[J];东北大学学报;2003年12期

3 杨丽娜;刘科成;颜志军;;面向虚拟学习社区的学习资源个性化推荐研究[J];电化教育研究;2010年04期

4 张锋;孙雪冬;常会友;赵淦森;;两方参与的隐私保护协同过滤推荐研究[J];电子学报;2009年01期

5 吴永辉;王晓龙;丁宇新;徐军;郭鸿志;;基于主题的自适应、在线网络热点发现方法及新闻推荐系统[J];电子学报;2010年11期

6 许馨;吴福朝;胡占义;罗阿理;;一种基于非线性降维求正常星系红移的新方法[J];光谱学与光谱分析;2006年01期

7 李静梅,孙丽华,张巧荣,张春生;一种文本处理中的朴素贝叶斯分类器[J];哈尔滨工程大学学报;2003年01期

8 高凤荣;邢春晓;杜小勇;王珊;;基于矩阵聚类的协作过滤算法[J];华中科技大学学报(自然科学版);2005年S1期

9 王继成,潘金贵,张福炎;Web文本挖掘技术研究[J];计算机研究与发展;2000年05期

10 韩家炜,孟小峰,王静,李盛恩;Web挖掘研究[J];计算机研究与发展;2001年04期

中国博士学位论文全文数据库 前1条

1 李春光;流形学习及其在模式识别中的应用[D];北京邮电大学;2008年

  本文关键词：教育资源推荐服务中若干关键技术的研究，，由笔耕文化传播整理发布。

本文编号：450670