一种结合用户适合度和课程搭配度的在线课程推荐方法

在线学习由于不受时空限制而愈来愈流行.如何从成千上万的在线课程中选择合适课程是在线学习者面临的极大挑战,在线课程推荐应运而生.但现有课程推荐系统仍面临2个主要问题：1)不同用户具有不同的学习能力和需求.因此,需要仔细考虑用户对不同课程的适合度,否则可能会导致推荐的课程难度太大.2)目前的课程推荐方法忽略了推荐课程与用户已学课程之间存在的可搭配关系,可能导致不合适的推荐.针对以上2个问题,首先深入分析了用户的学习特征、类型及其对不同课程的学习适合度;同时,利用课程的共同被选频率,对不同课程之间的可搭配关系进行探究.基于以上2个方面,提出了一种结合用户适合度和课程搭配度的课程推荐模型(user-suitability and course-matching aware course recommendation model, SMCR).在CN(canvas network)数据集和MOOC(massive open online courses)数据集上进行的对比实验结果表明,该方法可以达到更高的推荐准确性,而且SMCR模型能够向用户推荐既适合其学习又与其已学课程可以进行搭配的课程.     

基于多维度上下文和双聚类的个性化推荐算法

随着数据的爆炸式增长,推荐系统中传统的协同过滤推荐算法出现了难以处理稀疏数据和准确率降低的问题.对此,提出一种基于多维度上下文和双聚类的个性化推荐算法(MCB).该算法采用K-means聚类方法分别对用户和项目进行双聚类,并在传统的项目评分预测算法上进行改进,提出一种多维度的个性化评分预测(MPRP)算法.MPRP算法利用上下文维度间的相关性对用户评分进行修正,并考虑用户评分的权重问题,引入基于统计学习的系统误差因子,提高了评分预测的准确性.实验结果表明,MCB算法具有预测误差更小、推荐结果的覆盖率和新颖性更高的优点.     

基于知识图谱的行为路径协同过滤推荐算法

针对个性化推荐,常用的推荐算法有内容推荐、物品协同过滤(Item CF)和用户协同过滤(User CF),但是这些算法以及它们的改进算法大多偏向于关注用户的显性反馈(标签、评分等)或评分数据,缺少对多维度用户行为和行为顺序的利用,导致推荐准确率不够高及冷启动等问题.为了提高推荐精度,文中提出了一种基于知识图谱的行为路径协同过滤推荐算法(BR-CF).首先根据用户行为数据,考虑行为顺序创建行为图谱(behavior graph)和行为路径(behavior route),然后采用向量化技术(Keras Tokenizer)将文本类型的路径向量化,最后计算多维度行为路径向量之间的相似度,对各维度分别进行路径协同过滤推荐.在此基础上,文中提出了两种BR-CF与Item CF相结合的改进算法.实验结果表明,在阿里天池数据集UserBehavior上,BR-CF算法能够有效地在多个维度中进行推荐,实现数据的充分利用和推荐的多样性,并且此改进算法很好地提升了 Item CF的推荐性能.     

基于多维度权重动态更新的用户兴趣模型

面向个性化电影推荐领域,提出一种基于多维度权重动态更新的用户兴趣模型。将电影分成演员、导演、类别、地区和时间5个维度,分别计算电影在这些维度上的相似度。采用归一化方法将电影之间的相似度转化为用户兴趣模型中的多维度权重,并应用TF-IDF算法计算各维度中特征词的权重,从而实现电影各维度权重及其特征词权重的动态更新。利用基于内容的推荐算法,在MovieLens数据集进行实验,结果表明,该模型具有较高的推荐准确率和召回率,并且能够发现用户对电影维度的偏好,解决用户兴趣漂移问题。     

基于改进自编码器的在线课程推荐模型

随着互联网技术的发展以及2020年新冠疫情的爆发, 越来越多的学生选择在线教育. 然而在线课程数量庞大, 往往无法及时找到合适的课程, 个性化智能推荐系统是解决这一问题的有效方案. 本文根据用户在线学习具有明显时序性的特点, 提出一种基于改进自编码器的在线课程推荐模型. 首先, 利用长短期记忆网络改进自编码器, 使得模...     

融合异构图注意力网络的知识推荐

为解决在线课程平台直接推荐服务忽视用户知识水平差异的问题,本文提出一种知识推荐方法。通过应用异构信息网络和注意力机制,将知识推荐问题视为强化学习任务,模拟用户与知识概念之间的互动,并利用异构信息网络学习用户的语义表示,通过元路径引导用户偏好的传播。实验结果表明,相较于其他方法,该方法在性能上表现得更为优越。     

面向个性化课程推荐的分层分期注意力网络模型

随着大规模在线开放课程（MOOC）平台的广泛使用，需要一种有效的方法为用户推荐个性化课程。针对现有的课程推荐方法通常利用课程学习记录为用户的学习兴趣建立整体的静态表示，但忽略了学习兴趣动态变化与用户短期学习兴趣的问题，提出一种分层分期的注意力网络（HPAN）进行个性化课程推荐。该网络的第1层利用注意力网络得到用户的长短期学习兴趣，第2层将用户的长短期学习兴趣和短期交互序列相结合并通过注意力网络得到用户的兴趣向量；然后计算用户兴趣向量与每个课程向量的偏好值，据此为用户进行课程推荐。在XuetangX（学堂在线）公开数据集上的实验结果表明，与次优的序列分层注意力网络（SHAN）模型相比，HPAN模型的Recall@5提高了12.7%，与FPMC(Factorizing Personalized Markov Chains)模型相比，它的MRR@20提高了15.6%。HPAN模型的推荐效果优于对比模型，可解决实际的个性化课程推荐。     

网络环境下英语远程自主学习辅导系统设计

当前已有方法存在系统安全性低和学习效率低的问题,因此在网络环境下设计一种新的英语远程自主学习辅导系统。通过英语远程自主学习辅导系统的架构和网络拓扑结构对系统功能模块进行设计,包括课程资源管理模块、在线考试管理模块、在线答疑管理模块、系统管理模块,各模块之间相辅相成,并通过学习推荐算法为用户推荐学习资源,实现英语远程自主学习辅导系统的设计。实验结果表明,所提方法的系统安全性高、学习效率高。     

垂直学习社区基于学习兴趣与风格的社会化推荐算法

垂直学习社区包含了海量的学习资源,出现了信息过载现象,个性化推荐是解决这个难题的方法之一.但垂直学习社区中评分数据稀疏而文本、社交信息丰富,传统的协同过滤推荐算法不完全适用.基于用户产生的文本和行为信息,利用作者主题模型构建新的用户学习兴趣相似度衡量模型;根据用户交互行为信息综合考虑信任与不信任因素构建用户全面信任关系计算全面信任度;通过分析用户多维度学习行为模式,自动识别用户学习风格;最后提出融合兴趣相似度、全面信任度及学习风格的社会化推荐算法.用垂直学习社区网站CSDN实际数据集进行了实验分析.结果表明本文提出的推荐方法能更好向用户推荐其感兴趣的学习资源,有效地提高了推荐精度,进而提高用户学习效果.     

多维度自适应的协同过滤推荐算法

传统的协同过滤推荐算法明显存在的缺点是数据稀疏性导致所求相似性的不准确,影响最终推荐质量.本文围绕其局限性展开研究,提出一种多维度自适应的协同过滤推荐算法,有机结合三种推荐模型——基于用户、基于项目以及基于评论的相似性计算,将观点挖掘技术运用到协同过滤推荐算法中,并通过动态度量方法自动确定三个维度的权重产生最终推荐.实验结果表明,该算法可以有效缓解用户评分数据稀疏带来的不良影响,提高预测准确率和推荐质量.     

网络新闻信息挖掘与分析模型的建立与探讨

运用现代信息处理技术建立一个从获取新闻源、进行信息处理、运用文本挖掘技术对信息进行分析的系统模型。该系统模型是为了最终实现能够自动化获取新闻信息,并且可以对网络中的新闻进行自动分类和聚类,为用户推荐热门信息,描述某个热门信息在时间轴上的演化进程;协助用户以及某些机构去认识和了解网络中的信息演变进程。热点新闻信息挖掘研究的主要目的在于:可以使用户终端更全面更快地知道和了解所关心的新闻信息及其整体的发展方向;网站的维护者可以依据分析结果来更好地设计网站内容以迎合用户的最新喜好,以便较大地提高网站的质量;新闻热点信息的挖掘模型也可以给互联网演变研究给予一些帮助,使网络监督者可以更好地对网络内容进行引导和控制。     

基于用户偏好挖掘生成对抗网络的推荐系统

用户偏好挖掘是推荐系统研究中的关键问题,它对于改善推荐质量具有非常重要的作用。提出用户偏好挖掘生成对抗网络(UPM-GAN),从两个角度深入分析用户隐含偏好:基于三元组损失算法对用户评分矩阵进行处理,挖掘难分负样本,以更好地确立正样本,为准确刻画用户偏好奠定基础;基于奇异值分解(SVD++)算法构建UPM-GAN的生成模型,利用SVD++算法中的偏置信息及隐式参数描述用户隐含偏好,以提高评分预测精度。最后使用最新生成对抗网络(GAN)框架完成推荐系统训练,在MovieLens-100K、MovieLens-1M这两个主流数据集上展开实验仿真。实验表明UPM-GAN的Precision@K、均值平均精度(MAP)等多项指标均优于对比基线,且它还具有收敛速度快、训练过程平稳等优点。基于UPM-GAN的推荐系统具有一定实用价值。     

一种多层多维的关联规则挖掘算法在推荐系统中的应用

针对传统协同过滤算法将用户-项目评分矩阵作为数据的输入,试图找到最相似的用户或者项目,但却忽略了用户与项目属性之间的关联关系等问题,本文构建一种多层数据的模型,在不同层次之间找出多维序列,挖掘出频繁多维序列模式,输出关联规则。用输出的关联规则改进评分矩阵,改进后的数据包含了用户和项目之间的关联关系,经过协同过滤算法输出TOP-N推荐项目。在MovieLens数据集上进行试验验证,实验结果表明所提方法能够优化模型的推荐性能。     

基于粗糙集的多维关联规则挖掘方法

海量的数据使得关联规则挖掘非常耗时,而并非所有的规则都是用户感兴趣的,应用传统的挖掘方法会挖掘出许多无关信息。此外,目前大部分算法是针对单维规则的。因此,定义了一种挖掘语言使得用户可以指定感兴趣的项以及关联规则的参数（如支持度,置信度等）,并提出一种基于粗糙集理论的多维关联规则挖掘方法,动态生成频繁集和多维关联规则,减少频繁项集的生成搜索空间。实例分析验证该算法的可行性与有效性。     

基于ACM在线评测推荐系统模型研究

针对目前用户对在线程序评判系统选题目盲目问题,建立了ACM在线评测推荐系统模型。通过定义题目的难度系数及所属知识点类型,对用户所做题目运用web数据挖掘技术,进行归类挖掘,然后运用基本推荐策略将题目推荐给用户,通过此平台用户登录在线评判系统网站不再盲目选题。     

Evaluation of keyphrase extraction algorithm and tiling process for a document/resource recommender within e-learning environments

The research presented in this paper is an examination of the applicability of IUI techniques in an online e-learning environment. In particular we make use of user modeling techniques, information retrieval and extraction mechanisms and collaborative filtering methods. The domains of e-learning, web-based training and instruction and intelligent tutoring systems provide a challenging environment due to the large and diverse user population it entails. The overall system concentrates on utilizing a user modeling system to filter results as part of a collaborative document recommendation system. The goal of such a system is to actively seek out and recommend documents that will either encourage the users to expand their knowledge of a given topic or reinforce the knowledge which they already have. The system aims to recommend these documents in a non-intrusive manner with minimal user inconvenience, and attempts to do so by utilizing the Key Extraction Algorithm and automatically extracting queries, searching the web and filtering the search results. Users are encouraged to provide feedback about the resources and links they have viewed.     

多维概念格与多维序列模式的增量挖掘

多维序列模式挖掘旨在将一个或多个背景维度信息中发现的关联模式与有序事务序列中发现的序列模式有机结合,从而为用户提供信息内容更加丰富、更具有直接应用价值的多维序列模式.目前虽有一些挖掘多维序列模式的工作,但其关联模式与序列模式的发现过程是基于不同的数据结构分开进行的.提出一种新的概念格结构——多维概念格,它是对概念格的延伸与泛化,其内涵更加丰富,不仅具有多个有序的任务内涵,而且具有多个无序的背景内涵.设计实现了基于该结构的增量式多维序列模式挖掘算法,该算法使用统一的数据模型实现关联模式与序列模式的高效同步挖掘.在合成数据集上的实验结果验证了算法的有效性.同时,算法在实际的银行数据集上的应用效果也说明了算法的实用性.     

Association rule mining through the ant colony system for National Health Insurance Research Database in Taiwan

In the field of data mining, an important issue for association rules generation is frequent itemset discovery, which is the key factor in implementing association rule mining. Therefore, this study considers the user’s assigned constraints in the mining process. Constraint-based mining enables users to concentrate on mining itemsets that are interesting to themselves, which improves the efficiency of mining tasks. In addition, in the real world, users may prefer recording more than one attribute and setting multi-dimensional constraints. Thus, this study intends to solve the multi-dimensional constraints problem for association rules generation.The ant colony system (ACS) is one of the newest meta-heuristics for combinatorial optimization problems, and this study uses the ant colony system to mine a large database to find the association rules effectively. If this system can consider multi-dimensional constraints, the association rules will be generated more effectively. Therefore, this study proposes a novel approach of applying the ant colony system for extracting the association rules from the database. In addition, the multi-dimensional constraints are taken into account. The results using a real case, the National Health Insurance Research Database, show that the proposed method is able to provide more condensed rules than the Apriori method. The computational time is also reduced.     

平行坐标轴动态排列的地理空间多维数据可视分析

目的 平行坐标是经典的多维数据可视化方法,但在用于地理空间多维数据分析时,往往存在空间位置信息缺失和空间关联分析不确定等问题。对此,本文设计了一种有效关联平行坐标和地图的地理空间多维数据可视分析方法。方法 根据多维属性信息对地理空间位置进行聚类分析,引入Voronoi图和颜色明暗映射对地理空间各类区域进行显著标识,利用平行坐标呈现地理空间多维属性信息,引入互信息度量地理空间聚类与属性类别的相关性,动态地确定平行坐标轴排列顺序,进一步计算属性轴与地图之间数据线的绑定位置,对数据线的布局进行优化处理,降低地图与平行坐标系间数据线分布的紊乱程度。结果 有效集成上述可视化设计及数据分析方法,设计与实现一种基于平行坐标轴动态排列的地理空间多维数据可视化分析系统,提供便捷的用户交互模式,通过2组具有明显地理空间多维属性特征的数据进行测试,验证了本文可视分析方法的有效性和实用性。结论 本文提出的可视分析方法和工具可以帮助用户快速分析地理空间多维属性存在的空间分布特征及其关联模式,为地理空间多维数据的探索提供了有效手段。     

一种高效的多维关联规则挖掘算法研究

对经典关联规则挖掘算法进行深入研究的基础上，结合数据立方体的结构特点和OLAP技术，给出了一种高效的多维关联规则挖掘算法，并对不同数据立方体下的算法的性能进行了分析比较。