中职专业课个性化网络教学资源学习系统的设计与应用

本文以中职专业课为例,从设计与应用的角度对基于网络的个性化学习模式进行了研究,详细设计了支持该教学模式的专业课网络教学资源学习系统,它为广大师生提供一个新的教学与交流空间,能提高学生学习专业课的主动性和积极性,方便学生自由选择学习内容和时间,对培养学生的个性化学习能力、独立创新能力和实践能力等方面具有积极的意义。     

站内教学资源的个性化搜索机制研究

针对高校教学资源日益丰富却检索困难的问题,对站内文档的个性化搜索机制进行研究。在分析个性化搜索系统功能的基础上提出了总体架构,并对实现架构中各模块所需的关键技术进行了详细的阐述,分析结果表明此机制可提高搜索系统的智能化水平。     

基于网络教学资源平台的个性化自主学习研究

在分析国内外关于个性化自主学习研究的基础上,总结个性化自主学习的特征,提出基于网络教学资源平台的学生个性化自主学习方法框架,介绍实现基于网络教学资源平台的个性化自主学习的关键技术,提出利用搜索引擎、Web Service、个性化定制等技术整合校园分散的网络教学资源,设计开发学生个性化自主学习的门户,即通过在该门户上集中学生感兴趣的、专业对口的相关教学资源,创造一个没有教师监督,却能正确引导学生学习,并能对学习进度和效果进行有效评估的个性化自主学习环境。     

个性化学习推荐系统的设计与实现

针对远程教学系统中的个性化服务需求，本文在介绍个性化服务相关技术的基础上，提出了基于内容过滤和协同过滤两种方法相结合的个性化推荐算法，设计并实现了个性化学习推荐系统。     

面向个性化推荐系统的二分网络协同过滤算法研究

为提高个性化推荐系统的推荐效率和准确性, 提出了个性化推荐系统的二分网络协同过滤算法。协同过滤算法引入二分网络描述个性化推荐系统, 使用灰色关联度来度量用户相似性和项目相似性, 对灰色关联相似度加权求和预测用户对项目的预测打分值, 从而提供给用户排序后的项目列表。实验结果表明, 协同过滤算法有效提高了过滤推荐的精准度和可靠性, 具有良好的推荐效果。     

基于对等网的个性化推荐系统

个性化推荐系统的研究与应用已经成为一项热点,但是在信任性、实时性、可扩展性以及对移动用户提供推荐等方面还存在很多问题和挑战。为了提高系统性能,为推荐系统的使用提供更广阔的发展前景,将推荐系统建立在双层对等网络的平台上。对等点之间通过发送消息进行通讯和处理查询,并采用动态路由表机制减少重复信息。最后,通过一个实验模拟了该系统。     

个性化推荐算法综述

在现有文献统计下个性化推荐算法可以分为如下三类~([1,2]):基于内容的推荐(Content-based Recommendation)~([3,4])、基于协同过滤的推荐(Collaborative Filtering based Recommendation)~([5-7]),以及混合型推荐系统(Hybrid Recommendation)~([8-10])。其中,基于协同过滤的推荐因其对专家知识依赖度低以及可以利用群体智慧等特点,得到了最为深入也最为广泛的研究,它又可以被分为多个子类别,主要包括基于用户的协同过滤(User-based CF)~([11]),基于物品的协同过滤(Item-based CF)~([12]),以及基于模型的协同过滤(Model-based CF)~([6]),等。其中基于模型的推荐是一类方法的统称,它指利用系统已有的数据和用户历史行为,学习和构建一个模型,进而利用该模型进行用户偏好建模、预测与个性化推荐,根据具体应用场景和可用数据的不同,这里的模型可以是常用的奇异值分解等矩阵分解模型~([13]),也可以是主题模型、人工神经网络、概率图模型、组合优化甚至深度学习等机器学习模型~([1])。在下面的部分,我们将在如上几个方面对个性化推荐系统的研究现状进行具体的介绍。     

用户和项目联合度对二分网络个性化推荐的影响

首先采用物质流动算法进行二部图相似系数投影,然后利用随机游走模型得到协同过滤结果。在计算相似系数时,采用了考虑用户和项目联合度分布特征的改进算法。通过数据模拟可知,在最优情况下推荐项目准确率提高了18. 19%,推荐项目多样性提高了21. 90%。对用户和项目联合度的分布进行了统计分析,结果表明,在最优情况下,其符合指数为--2. 33的指数分布。     

应用知识图谱的高等数学教学资源个性化推荐研究

针对现有方法教学资源推荐效果不佳的问题,提出应用知识图谱的高等数学教学资源个性化推荐研究。构建高等数学教学资源知识图谱,确定知识结构和关联;利用K-means算法分析学生对不同数学资源的喜好;将获得的知识图谱向量和数学资源偏好分析结果作为输入,输入深度神经网络中实现个性化推荐。实验结果表明,该方法应用后,推荐精度均高于93.5%,推荐耗时均低于21.3 s,优于对比方法,应用效果较好。     

基于兴趣标签的个性化新闻推荐系统

随着互联网的飞速发展所带来的“信息过载”问题使准确的新闻推荐技术变得越来越重要。提出基于兴趣标签的个性化新闻推荐系统,利用Hadoop大数据平台,采用基于项的协同过滤算法,通过收集用户的浏览记录和兴趣标签,挖掘用户的主题兴趣,建立用户的兴趣模型,提高个性化推荐系统的准确性和可扩展性,具有良好的推荐效果。     

一种电影个性化推荐系统的研究与实现

在协作过滤算法研究的基础上,考虑到相似项目之间评分的相似性,将此因素加入过滤算法得到改进的协助过滤算法,提高了算法的准确度。综合内容和协作过滤的优缺点,提出一种具有自适应调节的混合过滤算法,提高了过滤性能和准确度。根据改进的算法,针对电影领域进行实验,证明了其可行性。     

Improving the Quality of the Personalized Electronic Program Guide

As Digital TV subscribers are offered more and more channels, it is becoming increasingly difficult for them to locate the right programme information at the right time. The personalized Electronic Programme Guide (pEPG) is one solution to this problem; it leverages artificial intelligence and user profiling techniques to learn about the viewing preferences of individual users in order to compile personalized viewing guides that fit their individual preferences. Very often the limited availability of profiling information is a key limiting factor in such personalized recommender systems. For example, it is well known that collaborative filtering approaches suffer significantly from the sparsity problem, which exists because the expected item-overlap between profiles is usually very low. In this article we address the sparsity problem in the Digital TV domain. We propose the use of data mining techniques as a way of supplementing meagre ratings-based profile knowledge with additional item-similarity knowledge that can be automatically discovered by mining user profiles. We argue that this new similarity knowledge can significantly enhance the performance of a recommender system in even the sparsest of profile spaces. Moreover, we provide an extensive evaluation of our approach using two large-scale, state-of-the-art online systems—PTVPlus, a personalized TV listings portal and Físchlár, an online digital video library system.     

基于深度学习的论文个性化推荐算法

该文基于学术搜索和数据挖掘平台Aminer向用户进行个性化推荐,提出了结合协同过滤推荐和基于内容推荐的混合模型,实验表明该算法可以有效解决新物品的推荐问题,即冷启动问题。其中在基于内容推荐的模型中,融合深度学习的方法,引进了词向量模型,将用户和论文映射到用词向量空间, 并使用WMD(Word Mover Distance)计算相似度。实验表明,与其他基线模型相比该文提出的推荐模型在准确率上显著提高了4%。     

推荐系统研究进展

推荐系统（recommender system,RS）是当今网络时代的产物,在技术研究和应用方面取得了很多成果。综述了推荐系统领域的研究状况和进展,提出了3个研究阶段,并指出了每个阶段标志性意义的事件。在当前大数据环境下,从数据的角度看推荐,提出了推荐系统新的分类方法,即根据推荐时所使用的数据不同分为7种类别,同时指出了每个类别使用了哪些推荐模型及其优缺点。提出了在大数据环境下进行推荐是未来推荐系统研究的一个大方向,分析了推荐视角下的大数据机制。最后比较和总结了推荐系统的评价指标,给出了未来的主要研究方向和可能的突破点。     

个性化学习资源推荐系统研究

通过分析远程网络学习系统中学习者对学习资源的访问历史,以及与学习者有类似访问兴趣的同组学习者的学习偏好,为学习者提供个性化的资源推荐服务,能够有效提高各种学习资源的利用效率,从而提高教学质量.     

基于图聚类的协同标记系统资源个性推荐

协同标记系统允许用户自由标记系统资源,但也由此产生了同义标签和多义标签问题,这使得如何利用用户标签构成的用户概貌信息进行个性化资源推荐成为一个难题。为此首先基于图聚类算法把系统中语义相近的标签构成聚类,然后以标签聚类为中介衡量特定用户和资源的相关度。在BibSonomy和Delicious两个数据集上进行了测试,并和另外两种算法进行了对比。实验结果显示应用该算法产生的推荐,其性能优于对比算法,在主题宽泛的系统中效果尤为明显。说明协同标记系统首先进行标签聚类是产生个性化资源推荐的重要方法。     

基于免疫算法的个性化推荐系统

针对个性化推荐系统中用户的多个不同需求,提出一种基于免疫算法的求解方法。该算法将要求解的个性化 推荐列表建模成一个最大化推荐准确性和多样性的多目标优化问题,采用基于用户的协同过滤技术对用户进行分类,设计了 适合推荐问题求解的抗体编码方式、克隆、变异算子。仿真实验结果表明,所提算法能够有效求得个性化推荐的最佳解,达到 可以同时为多个用户提供多个不同推荐的需求。     

基于ASP.NET技术的网络教学资源库系统中的模块设计

随着互联网技术的不断发展,基于网络的基础教学资源库建设是我国教育信息化的重要组成部分。文章从实际出发,在对基于网络的教学资源库的建设需求进行分析的基础上,论述了一个基于ASP.NET技术的网络教学资源库的实现情况,并着重介绍了该资源库中资源更新、统计、搜索等模块的具体功能及实现情况。