协作学习中基于协同过滤的学习资源推荐研究

符合学习者特征的学习资源对于提高协作学习效率具有重要的影响。但是传统的学习资源推荐,没有充分考虑学习者、学习资源的特征和高效的推荐算法。针对上述问题,提出了基于协同过滤的学习资源推荐算法,根据学习者学习特征、学习资源特征和学习者对学习资源历史评价信息,采用协同过滤推荐算法,实现学习资源推荐。首先,通过学习者特征和学习资源的评分,寻找相似学习者并计算学习资源预测评分,然后根据该评分值和学习资源与学习者匹配度推荐学习资源,从而为学习者推荐符合自己兴趣爱好最合适的学习资源。实验结果表明该算法在个性化学习资源推荐的准确性上优于传统算法。     

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WC-C-R学习资源推荐的研究

基于资源的学习已成为远程教育的一种重要的学习方式,网络课件和资源库是远程教育环境下两种重要的学习资源。为提高基于资源的学习效率,在“网络课件-概念图-学习资源库”三层模型研究的基础上,提出基于知识的资源推荐,并通过多Agent系统实现了在WC-C-R模型上进行资源推荐。实验证明,通过资源推荐,有助于提高学生的学习效率。     

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。     

个性化小学英语学习系统的设计与实现

针对目前资源学习系统缺乏个性化导致小学英语学习者的资源选择迷航问题,构建以个性化资源组织为核心的学习系统。通过纪录用户信息和个性化学习行为,建立小学英语学习者信息模型;以知识点标注的方式描述英语学习资源,建立学习资源库;运用学习偏好算法和学习水平算法计算学习者偏好,采用新型智能推荐技术,向用户推荐个性化的学习资源。通过原型系统运行实例,其结果验证了个性化学习和智能推荐的有效性。     

在线学习资源推荐综述

近年来越来越多的学校广泛使用网络在线授课，然而互联网中海量的学习资源令学习者难以抉择。因此，研究在线学习资源推荐并为学习者进行个性化推荐非常重要，这可以帮助学习者快速获取其所需的优质学习资源。针对在线学习资源推荐的研究现状，从以下5个方面进行分析总结。首先，总结了目前国内外在线教育平台在学习资源推荐方面的工作；其次，分析和探讨了以知识点习题、学习路径、学习视频和学习课程为学习资源推荐目标的4种算法；接着，分别从学习者和学习资源的角度出发，以具体的算法为例，详述了常用的基于学习者画像、基于学习者行为和基于学习资源本体的3种学习资源推荐算法；此外，总结了公开的在线学习资源数据集；最后，分析了学习资源推荐系统目前存在的问题和未来的发展方向。     

基于知识图谱和图嵌入的个性化学习资源推荐

面对海量的在线学习资源,学习者往往面临“信息过载”和“信息迷航”等问题,帮助学习者高效准确地获取适合自己的学习资源来提升学习效果,已成为研究热点.针对现有方法存在的可解释性差、推荐效率和准确度不足等问题,提出了一种基于知识图谱和图嵌入的个性化学习资源推荐方法,它基于在线学习通用本体模型构建在线学习环境知识图谱,利用图嵌入算法对知识图谱进行训练,以优化学习资源推荐中的图计算效率.基于学习者的学习风格特征进行聚类来优化学习者的资源兴趣度,以获得排序后的学习资源推荐结果.实验结果表明,相对于现有方法,所提方法能在大规模图数据场景下显著提升计算效率和个性化学习资源推荐的准确度.     

基于主题学习的学习伙伴推荐算法

学习伙伴是开放虚拟学习社区的重要资源,学习伙伴中的助学者可以帮助普通学习者克服学习障碍,相互提高沟通交流能力。在构建出基于本体的知识库后,综合学习者的兴趣、认知和热心度特征,提出了一种基于主题学习的学习伙伴推荐算法。实验结果表明,学习者在提供学习经历后,算法可以计算出它与其他学习者之间的伙伴评分,评分差异较好反映了真实学习环境中的最佳学习伙伴经验,有效地提高了开放虚拟学习社区构建的个性化和智能化,从而提升开放学习社区中学习者的学习效率和效果。     

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.     

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。     

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。     

基于粒子群优化算法的学习资源推荐方法

针对学习者的能力、学习目标、学习时间的个别差异,提出以粒子群优化（PSO）算法为基础的学习资源推荐方法,提供每位学习者个性化的数字课程。综合概念图和知识结构相关理论构建知识点网络结构图,运用项目反应理论（IRT）分析不同学习者的学习目标和能力程度,再应用PSO算法从多样性的学习资源中挑选学习内容,形成个性化的课程推荐给学生。初始化粒子时考虑学习者的学习时间上下限,过滤掉一些不必要的粒子来提高算法效率,在确定最优解位置时,使用Sigmoid函数修正粒子更新速度,保证其在有效范围内。实验结果表明,随着迭代次数增加,所推荐的内容与学习者预定目标差异为0,挑选出的课程与学习者能力差异为0.6,整体差异为0.25,说明所使用的方法具有较好的收敛性,推荐的学习资源能够满足学习者要求。     

个性化学习资源精准推荐系统设计研究

随着我国教育信息化进程的不断推进,学习者获取学习资源的方式逐渐从主动检索转变为学习系统自动推荐。智能化的学习内容推荐行为极大地提高了用户获取个性化资源的效率,但是内容推荐在教育领域中的应用仍存在着许多方面的不足。该研究分析了推荐系统在教育领域中的应用现状,介绍了主流的推荐算法及其实现原理,并采用混合推荐模式和不同的推荐策略,设计出个性化学习资源精准推荐系统的系统模型,以期助力学习者的个性化学习。     

基于MLP改进型深度神经网络学习资源推荐算法

针对在线学习过程中出现的知识过载及传统推荐算法中存在的数据稀疏和冷启动问题,提出了一种基于多层感知机（MLP）的改进型深度神经网络学习资源推荐算法。该算法利用多层感知机对非线性数据处理的优势,将学习者特征和学习资源特征进行向量相乘的预测方式转换为输入多层感知机的方式,改进了DN-CBR神经网络推荐模型。为验证模型的有效性,以爱课程在线学习平台数据为样本构建数据集,通过对比实验表明,在该数据集上,改进后模型相较于DN-CBR模型在归一化折损累积增益和命中率指标上分别提升了1.2%和3%,有效地提高了模型的推荐性能。     

基于改进型协同过滤的网络学习资源推荐算法

面对网络学习资源的信息过载问题,如何根据用户的偏好推荐其感兴趣的学习资源是网络教育智能化的关键应用.协同过滤推荐算法无需构建资源的特征描述,经常应用于形式多样的网络学习资源推荐,但传统协同过滤推荐算法具有评分矩阵稀疏和冷启动问题.针对这两个问题,提出基于改进型协同过滤的网络学习资源个性化推荐算法.该算法首先将用户对资源...     

基于学习网络的Android程序设计课程学习资源个性化推荐模式构建

针对职业院校学习资源推荐过程中存在的获取资源时间长、成本高、个性化程度较低等问题,深入分析学习资源个性化推荐的内涵,从学习网络、推荐算法、个性化学习资源3个方面阐述学习资源个性化推荐模式的构建过程,介绍推荐模式在Android程序设计课程教学中的应用,从推荐完全率和推荐准确率两个方面说明该教学模式的有效性。     

基于逐次适应蚁群优化算法的个性化微学习推荐

为帮助学习者提高学习效率,针对微学习的特点,提出一种信息素浓度逐次适应调整的蚁群优化算法,以此优化微学习路径的推荐。在微学习的整个过程中,通过学习者与系统的交互获取学习者的学习状态,并根据学习状态调整学习路径的推荐策略。在学习单元的粒度上调整学习路径,从而实现捕捉满足学习者的个性化需求,帮助学习者提高学习效率。     

基于协同推荐学习资源系统的设计和实现

随着网上学习者的不断增多和网络学习资源的不断丰富,学习者需要系统能够推荐他们感兴趣的资源。通过使用ASP.NET设计开发学习资源网站,研究了协同过滤推荐技术的算法,并实现了基于协同推荐学习资源系统的设计。     

基于多目标优化策略的在线学习资源推荐方法

目前在线学习资源推荐较多采用单目标转化方法,推荐过程中对学习者偏好考虑相对不足,影响学习资源推荐精度.针对上述问题,文中提出基于多目标优化策略的在线学习资源推荐模型(MOSRAM),在学习者规划时间内,以同时获得学习者对学习资源类型偏好度最大和难度水平适应度最佳为优化目标,设计具有向邻居均值学习能力和探索新区域能力的多目标粒子群优化算法(NEMOPSO),提出以MOSRAM为核心的在线学习资源推荐方法(NEMOPSO-RA).不同问题规模下融合经典多目标优化算法的推荐方法对比实验表明,NEMOPSO-RA可以有效提高在线学习资源的推荐精度和推荐性能.     

基于兴趣特征向量的端对端仿真学习社区研究

为了正确分类远程教育环境中具有相同学习兴趣的学习者,提出了一个基于学习者兴趣特征向量的端对端自适应仿真学习社区构建算法.算法着眼于一个开放的分布式仿真学习环境,在一个端对端的系统框架下,赋予每个学习者一个学习兴趣向量,并通过模拟学习者之间相互推荐学习资料来对学习者进行分组.仿真实验结果表明:经过一段学习者之间关系调整的时间,算法能显著提高学习资源推荐的正确率,提高学习者的满意度.所以,算法很合适应用于远程学习社区的构建.