移动学习信息服务模式发展趋势研究

个性化的信息服务是移动学习的必要条件之一.分析了基于短信、WEB浏览和邮件的三种移动学习信息服务模式的过程与优缺点,并对目前的移动信息定制系统和推荐系统进行了评述.最后指出:需要将定制与推荐结合起来才能真正实现个性化信息服务的目标.     

一种裙装个性化定制模式及系统

针对现有裙装个性化定制中消费者直接参与程度不足和缺乏专业设计指导的问题,提出了一种融合普通消费者、专业设计师和生产厂的应用模式和系统架构,可作为三者进行有关裙装设计和定制领域的信息交互、商务洽谈和交易服务的应用系统.该模式采用基于深度学习的方法对消费者的个性化需求进行分析,给出消费者的个性化需求推荐方案,同时消费者通过...     

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.     

深度学习理论视角下的移动学习推荐系统的设计和研究

计算机技术和通信技术的迅猛发展,促使移动教学和深度学习在教育领域成为新的研究热点。首先阐明了深度学习的内涵和特征,并依此为理论基础,研究和探讨了深度学习在移动推荐系统中的应用,实现移动推荐系统的设计。     

基于音乐基因组的个性化移动音乐推荐系统

随着移动技术的不断发展,移动应用服务的市场前景广阔。其受限制的硬件条件,对移动应用服务的个性化提出了更高的要求。在此背景下,引入音乐基因组的概念,以用户对音乐的标注行为和社会化标签为基础,分析用户对不同音乐基因特征的偏好情况及用户兴趣,并利用不同用户之间的兴趣相似情况,构建用户之间的相邻关系,结合两方面的因素,提出了一个个性化移动音乐推荐系统。实验表明,该方法能够较好地满足移动音乐服务的个性化需求。     

基于协同过滤的移动电子商务个性化推荐系统若干研究

在简要介绍移动电子商务个性化推荐系统概念的基础上,给出了移动电子商务推荐系统EMC-PRS的模块结构。重点分析比较了基于最近邻居的协同过滤算法和基于项目评分预测的协同过滤算法。经测试发现,基于项目评分预测的协同过滤推荐算法可以显著提高个性化推荐系统的推荐质量。     

个性化学习资源推荐发展研究

随着信息技术和网络教育的发展,学习资源呈现爆炸式增长,面对丰富的学习资源,学习者并不能在短时间内最大程度匹配到适合自己的学习资源。个性化学习资源推荐（Personalized Learning Resource Recommendation,PLRR）利用新一代信息技术,全面分析学习者特征、行为、目标等信息,从海量学习资源中筛选出符合其需求的资源,并以合适的方式呈现给学习者,以提高其学习效率和满意度。本文主要从PLRR基本框架、主要算法、面临的挑战和发展趋势进行阐述,旨在为相关研究者提供一个参考框架,促进PLRR领域交流和发展。     

个性化推荐系统的调度框架

在实际商用的个性化推荐系统中,调度框架作为连接推荐算法和产品功能之间的纽带,会直接决定用户在什么时间、什么地点（位置）看到什么样的推荐内容,以及达到产品期待的推荐效果、所要消耗的资源和成本。因此,可以说调度框架决定了企业最终向用户提供的个性化推荐服务的最终质量。     

基于云计算的个性化学习系统的研究

云计算的出现,教育方式的改变和终身教育的要求,传统的教学平台面临了巨大挑战,已经无法满足学习者的学习需求。本文作者依托云计算环境,同时根据学习者的兴趣、访问频度、访问时间而动态的调整页面结构,设计了适应个别化学习需求的云个性化教学平台,满足了现代教育的需求。     

基于学习风格的个性化推荐系统设计研究

大数据时代下,网络平台上有海量的学习视频,给学习者造成选择困难。为此,如何找到一个适合学习者的学习视频。对此,该研究设计和构建基于学习风格的个性化推荐系统。首先,学习者模块通过学习者自我填写学习风格量表,分析出学习者的学习风格;其次,对需要的学习视频进行分析,判断出该学习视频的教学风格;最后,将学习者学习风格与学习视频的教学风格进行匹配,向学习者进行推荐相匹配的学习视频。个性化推荐系统的设计给予一定的理论依据及实际应用的指导。     

个性化的自主学习模型研究

自主学习系统是现代远程教育系统的重要内容。本文通过分析自主学习的特点,构造个性化的自主学习模型,并对学习材料的组织、推荐模型进行研究。目的是为学习者推荐有针对性的学习材料,提高学习者的学习效率。     

基于Web平台的学习资源个性化推荐研究

随着互联网技术的发展和大数据时代的来临,在线学习平台凭借丰富开放的信息资源、随时随地可以自主学习等优势受到了普遍关注。但随之也产生了信息过载问题,学生在海量信息中很难找到合适的资源,为此个性化推荐应运而生。作为当前解决信息过载最有效的工具之一,个性化推荐技术在过去的几十年里取得了长足的进步。主要对个性化推荐研究现状、关键技术进行了详细阐述,并展望未来的发展趋势。     

个性化网络学习资源推荐系统研究

通过搜索资源来学习现已成为网络学习的一种重要的学习方式,为了提高这种方式下的学习效率,本文提出了一种基于Agent的网络推荐系统,通过获取学习者的当前学习需求,与内嵌的专家知识进行集成,利用多属性决策方法作为比较机制,以达到推荐合适学习资源的目的。系统还提出协同过滤方法,将相似学习者的学习资源推荐给学习者。最后。采用JADE平台开发了原型系统,并进行系统的集成和Web应用设计。     

在线学习资源的个性化智能推荐研究探析

由于在线学习学习者的认知能力的不确定性、学习兴趣的变化性、用户偏好的多样性等,在线学习资源的个性化智能推荐面临新挑战.文章根据学习者认知能力的模糊综合诊断和学习者多重特征信息融合等,对在线学习资源的个性化智能推荐进行了研究,以期为相关研究者提供参考和启发.     

基于多重因素的个性化学习推荐系统

为解决现有学习推荐算法中存在的忽略对学生知识点掌握情况的分析、不能将知识掌握程度概率化等问题,提出一种基于多重因素的学习推荐方法。该方法综合考虑知识点的综合权重、错误率和失分率多个因素构建知识点掌握概率模型,并应用所提出的策略实现一个在线的个性化学习推荐系统。系统评估上对200名高中生进行了一项调查,本系统推荐top-8知识点的准确率达到91.2％,◢F◣▼1▽达到78.4％。系统调查的结果显示了提出策略的有效性和可靠性。     

基于移动Agent的分布式个性化推荐系统

目前推荐系统在处理信息过载问题方面已经得到了广泛的应用,同时也提出了许多推荐方法,但是并没有一种统一的、最好的方法能适应于所有的环境.为此,本文引入了移动agent思想,提出了一个基于移动Agent的分布式个性化推荐系统架构--MABDPRS.该系统允许多种推荐方法同时为用户生成推荐,并能协同它们共同工作,从而能够弥补单一推荐方法的不足,满足多种推荐需求.     

基于Android的移动学习系统研究

随着移动计算技术和移动互联技术的普及和高速发展,移动学习获得了良好的技术支撑,学习者可以随时随地的学习,打破了传统教育在地域和时间上的限制。分析了基于Android的移动学习系统的需求,提出了设计方案。     

基于学习风格的个性化自适应资源推荐算法研究

个性化自适应资源推荐是以学习者为中心、以人工智能和大数据技术为基础,模拟人类思维进行学习资源推荐的过程。论文在分析学习者和资源学习风格的基础上,分别构建学习者模型和资源模型,运用基于学习风格过滤推荐算法、协同过滤推荐算法、关联规则推荐算法,展开个性化自适应资源推荐研究。研究结果表明,以学习风格为基础的混合式自适应推荐的结果,更贴合学习者的个性化学习需求。     

基于移动学习的学习风格研究

本文主要是从理论角度出发,针对目前移动学习中学习者的一些实际问题,对学习者风格进行讨论分析,提出了一种新的学习风格分类模型,以便能更好的促进移动学习的发展。     

个性化推荐系统综述

信息超载是目前网络用户面临的一个严重问题,个性化推荐系统是解决该问题的一个有力工具,并受到了众多的关注和研究。给出推荐系统的定义,同时阐述了推荐系统的几项关键技术,包括用户建模、推荐对象的建模和推荐算法。后来总结了推荐系统的体系结构和性能评价指标,并尝试给出了推荐系统未来研究的重点、难点和热点问题。