基于语义网的个性化学习资源推荐算法研究

本文为了使用户对学习资源个性化需求得到满足,提出了基于语义网的个性化学习资源推荐算法。首先,以用户浏览行为和评价得出用户感兴趣的学习资源。之后,以领域本体的概念间关系对不同用户评价学习资源集合的语义相似度进行计算,以相似度值对用户兴趣建好相似性分析,寻找相似兴趣的最近邻居,实现学习资源协同推荐。另外,将学习对象概念应用在学习资源管理中,使相似度计算复杂度得到降低。通过实验表示,此算法能够使学习资源推荐效果改善。     

语义推荐算法研究综述

近年来,语义推荐技术已成为信息服务领域的一个研究热点和重点.与传统的推荐算法相比,语义推荐算法在实时性、鲁棒性和推荐质量等方面具有显著的优势.针对语义推荐算法的国内外研究现状、进展,从四个角度进行归纳和总结,即基于语义的内容推荐算法、基于语义的协同过滤推荐算法、基于语义的混合推荐算法以及基于语义的社会化推荐算法,旨在尽可能全面地对语义推荐算法进行细致的介绍与分析,为相关研究人员提供有价值的学术参考.最后,立足于研究现状的分析与把握,对当前语义推荐算法所面临的挑战与发展趋势进行了展望.     

学习资源推荐算法在教学资源管理系统应用

本文分析了学习资源推荐算法在教学资源管理系统的总体设计,然后分析了学习资源推荐算法总体设计思路,最后介绍了推荐相似度的关键代码.     

基于标签的在线学习资源推荐算法

在线学习是目前获取知识的一种重要途径,然而信息过载导致从在线学习平台的大量资源中找到所需的学习资源非常困难.本文提出了一种基于标签的推荐算法,混合基于内容推荐和协同过滤推荐,采用TF-IDF来平衡热门标签的权重,采用修正的余弦函数相似性计算用户间、资源间的相似性,结合学科知识图谱,让推荐结果在相似基础上增加扩展性,满足进阶学习特点.实验结果表明,本文提出的算法在准确率和推荐效率上优于传统的协同过滤推荐算法,为解决同类问题提供了较强的参考价值.     

个性化习题推荐算法研究

大数据时代的到来,促进了在线教育平台的飞速发展,使得学习资源呈爆发式增长,学习者无时无刻都将面临信息过载问题。面对众多的习题资源,学习者很难从海量的习题资源中找到真正适合自己的习题集来进行训练,以致出现学习效率低下和学习自主性不高等问题。针对这一问题,提出了个性化习题推荐算法,对个性化习题推荐算法的发展现状进行研究,介绍常用的个性化习题推荐算法以及5个算法评价指标并给出未来的研究热点和方向。     

云计算环境下的学习资源个性化推荐技术研究

针对学习资源的个性化推荐,提出了一种基于用户影响关系的协同过滤推荐方法,使用传统协同过滤推荐采用的用户项目评分信息,通过挖掘用户时序交互评论和回复行为数据发现用户之间的相互影响关系,从而优化用户兴趣矩阵,在此基础上改善基于用户的协同过滤方法进行推荐。在数据集上的实验结果表明,通过利用用户之间时序交互行为数据,挖掘隐藏的用户影响关系信息可以有效提高预测的准确度。     

“互联网+”时代移动学习资源个性化推荐模型

本文在分析移动学习资源个性化推荐现状的基础上,给出了一种基于混合模式的移动学习资源个性化推荐模型,并对模型的各个模块进行简单说明。希望为今后移动学习资源的个性化推荐提供模型构架方面的参考。     

基于语义网的供需网知识协同研究

为满足应用程序基于知识的互操作,支持供需网协同工作,针对现有供需网协同缺乏语义支持的问题,提出了一个基于语义网的供需网知识协同框架和层次体系结构,设计了一个供需网本体转换模型,并对模型中本体实例生成算法的局部本体映射和多种相似度度量方法计算语义相似度、小波网络修正权值的全局本体映射进行了重点讨论.     

语义网的春天

语义网将会使万维网摆脱幼稚,走向成熟和真正的智能化。     

基于蚁群算法的智慧课堂学习推荐研究与实践

本文通过分析智慧课堂中的学习者、学习资源和学习路径,从学习资源的融合应用和"3智慧"学习路径的动态生成两个过程着手,基于蚁群算法构建智慧课堂学习路径的推荐策略并加以实践,在培养学生的学习智慧、协作智慧和创新智慧方面取得良好的效果,为培养具备创新创造能力的智慧型技能人才提供经验与启示.     

一种混合医生推荐算法的研究

近年来,以物联网技和云计算技术为代表的新一代信息技术以及数据挖掘和机器学习领域的发展迅速,引发了围绕数字化医院建设和地区医疗网络建设的热潮。智能医疗健康服务管理领域逐渐成为一个新的研究热点。在传统的医疗健康信息系统中,获取医疗知识的主要手段是基于关键词的查询方法,然而推荐的最佳资源过度集中,且未考虑用户问题描述中的语义相关度。因此为了合理利用医疗资源,使得用户能够利用网络信息载体获取咨询和诊疗的机会,文章提出一种混合个性化医生推荐算法,将传统的基于内容的推荐算法、协同过滤推荐算法在电子健康领域相结合,达到为每一位用户推荐最佳医生的效果。     

基于深度学习的英语教学资源个性化推荐系统

为准确、合理地为用户推荐英语教学资源,设计基于深度学习的英语教学资源个性化推荐系统。通过爬虫技术获取用户行为数据和英语教学资源数据,提取二者的特征并融合;利用深度学习模型建立用户行为特征和英语教学资源特征之间的关联,实现个性化推荐。测试结果表明：系统的召回率、准确率和归一化折损累积增益均保持在一个较高的水平上,说明其推荐效果较好。     

基于深度学习的混合兴趣点推荐算法

针对现有兴趣点推荐的初始化和忽视评论信息语义上下文信息的问题,将深度学习融入推荐系统中已经成为兴趣点推荐研究的热点之一。该文提出一种基于深度学习的混合兴趣点推荐模型(MFM-HNN)。该模型基于神经网络融合评论信息与用户签到信息来提高兴趣点推荐的性能。具体地,利用卷积神经网络学习评论信息的特征表示,利用降噪自动编码对用户签到信息进行初始化。进而,基于扩展的矩阵分解模型融合评论信息特征和用户签到信息的初始值进行兴趣点推荐。在真实签到数据集上进行实验,结果表明所提MFM-HNN模型相比其他先进的兴趣点推荐具有更好的推荐性能。

     

协同过滤推荐算法研究综述

协同过滤推荐算法是目前在推荐系统中应用最成功和广泛的技术之一。本文详细介绍了协同过滤推荐算法的分类和度量指标。同时,分析了协同过滤推荐算法中的问题以及相应的解决办法。最后阐述了协同过滤推荐系统中仍需解决的问题和未来可能的发展方向。     

SVDSLIM推荐算法研究

Pure SVD推荐算法通过重构分解矩阵而获得推荐结果,稀疏线性(SLIM)算法侧重于通过挖掘物品之间的线性关系而产生推荐效果。为了提高Top-N推荐质量,文章提出了一种基于Pure SVD、SLIM的混合推荐算法—SVDSLIM算法。该算法会对Pure SVD、SLIM算法的推荐结果赋予不同的权重,然后将处理过的推荐结果作为新的推荐列表。实验结果表明,SVDSLIM算法在各种数据集上推荐质量要优于其他算法。     

基于逻辑回归模型的校园个性化学习资源推荐系统

本文从当前校园个性化学习资源推荐系统的不足进行分析,从学习者提出的学习测验问题出发,将学习测验问题及是否正确作答转化为矩阵表示,提出一种提升学习者学习效率的学习者模型,并进行学习资源建模,再利用逻辑回归模型,以学习者学习前的测试结果作为输入,计算输出测验得分提高的最高期望值,推荐系统通过测验得分提高的期望值来量化学习效率,并通过不断迭代对学习资源进行二分类以最大化这个期望值,并提出期望值提升模型的工作方案。     

面向党建平台学习资源智能推荐系统的设计与应用

随着互联网的迅速发展,网络学习社区己经深入到了广大互联网用户的生活中,其正在以惊人的速度不断地影响着互联网用户的学习.随着平台使用时间的积累,许多的平台都拥有庞大的阅读资源,学习资源和用户后台数据.从而出现了资源过载、学习迷航等新的阅读和学习问题.本文通过ALS矩阵分解算法,实现了大数据平台的基于用户的协同过滤推荐算法...     

多样性数据推荐算法研究

大数据背景下,数据挖掘及信息推荐越来越普遍,但目前推荐系统主要集中在单一数据来源,忽视源数据的多样性。文中根据用户历史或当前操作对推荐数据的影响定义数据集的可用性,考虑数据间可用度的相互影响、用户对不同源数据集的偏好程度及偏好的周期变化,结合关联规则推荐和协同推荐算法的优点,提出多样性数据推荐算法。