基于知识图谱的多目标学习资源推荐算法

为解决在线学习中出现的“认知过载”和“学习迷航”等问题,针对用户的个性化学习需求,同时考虑知识点之间的逻辑关系,本文将知识图谱融入学习资源推荐模型.首先构建了学科知识图谱、学习资源模型和用户数学模型,综合考虑用户的兴趣偏好、用户知识库与学习资源所涵盖知识点的关联度以建立多目标优化模型.然后使用自适应多目标粒子群算法对模型求解,基于个体拥挤距离降序排列缩减外部种群规模,获得了分布特征良好的两目标Pareto前沿,输出推荐资源序列.实验时通过与标准多目标粒子群算法对比并使用HV、IGD指标对模型进行评价,验证了其多样性和稳定性,证明了算法良好的全局寻优和收敛性能.采用五折交叉验证了算法良好的推荐效用.     

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.     

基于多维信息特征映射模型的在线学习路径优化方法

针对目前在线学习路径优化方法存在学习路径与学习者匹配度不高的问题,首先构建在线学习路径的多维信息特征映射模型(MIFMM),该模型根据学习者与学习资源的多维信息特征建立,融合了kolb学习风格和学习资源类型信息;然后设计双映射二进制粒子群优化算法(DMBPSO),DMBPSO算法根据进化因子ef将学习路径推荐过程分为收敛和跳出局部最优两种进化状态,采用与进化状态特征相匹配的映射函数选择策略,并对惯性权重进行动态非线性调整,提高学习路径推荐性能;接着将MIFMM模型与DMBPSO算法相融合提出基于多维信息特征映射模型的在线学习路径优化方法(MIFMM-POA);最后将MIFMM-POA方法与其他4种粒子群算法为核心的学习路径优化方法相比较,从寻优精度、寻优过程与寻优时间3个角度进行分析,实验表明MIFMM-POA方法是优化学习路径的有效方法.     

新的基于多目标优化的推荐算法

针对目前推荐系统效率问题,采用线上、线下分离策略,构建一种新的推荐系统框架.针对推荐系统多目标性和目前众多推荐算法适应性局限等特性,采用混合策略,提出一种新的多目标推荐算法.首先,对多个推荐算法进行加权混合;然后,构建以权重序列为自变量,推荐评价指标F调和率、多样性和新颖度为目标函数的多目标优化模型;其次,采用SPEA2多目标优化算法进行优化求解;最后,基于用户的购物偏好和Pareto解集向用户有针对性地进行购物推荐.实验结果表明:新的推荐算法较子推荐算法在F调和率上持平,在多样性上提高了1%,在新颖度上提高了11.5%;多目标的各个Pareto解在解空间中分布形成了密集邻近的点曲线.该推荐算法能够满足不同购物偏好用户的推荐要求.     

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.     

多目标优化视角下在线学习群体形成方法

形成既能满足教师教学实施需求,又能得到学习者认可的在线学习群体是影响在线协作学习效率的重要因素.多目标粒子群算法和遗传算法应用于在线学习群体形成领域是目前的研究热点.然而,利用多目标粒子群算法解决在线学习群体形成问题时存在多样性差,容易陷入局部最优等问题;运用遗传算法解决在线学习群体形成问题时,则需要以耗费大量时间为代...     

基于物理规划的航空保障多目标优化模型

根据作战需求确定优化权衡目标,以使用保障需求和技术可行性为约束条件,以保障能力指标集合,以备件储备量的组合为决策变量,建立多个单目标优化模型和多目标优化模型,提出了基于物理规划的航空保障能力多目标优化方法,结合粒子群算法得到了满足设计者偏好的最佳航材备件方案.设计了航空保障能力系数的满意等级,构造了各优化目标的偏好函数和综合偏好函数,使整个设计过程更加灵活地反映决策者偏好,减轻大规模多目标设计问题的计算负担,使军用机群的保障能力更适合实际作战要求,同时通过对比单目标优化的结果,验证了算法的有效性.     

基于隐式偏好的多目标推荐算法研究

推荐的准确性(accuracy)和多样性(diversity)是推荐算法研究的二个重要指标,能够最大程度地满足用户的喜好.然而,基于准确性的推荐将导致推荐结果过于聚焦集中在某类特征上,使得多样性降低,导致用户选择的广度不足而整体效果不佳.针对推荐算法的两个指标之间的平衡以满足用户的需求,本文采用最大预测评分和最大内部相似度差异的两目标模型,选取极值点和膝点为隐式偏好,利用隐式偏好改进推荐方案搜索优化策略,提出了一种基于隐式偏好的多目标推荐算法.该算法利用切比雪夫距离在迭代过程中对偏好点动态标定,以引导个体收敛于隐式偏好区域,得到具有不同偏好的推荐方案.在Movielens和Netflix数据集上实验结果表明,与Item-based协同过滤推荐算法相比,该算法的推荐结果在确保准确率性能情况下多样性平均提升了38%和33.4%,新颖度平均提升了58.6%和125.4%,降低了多目标推荐算法的复杂度,有效解决了实际应用问题.     

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。     

面向个性化学习的慕课资源推荐系统开发

近年来,在线学习得到了大规模普及,互联网上已发布了海量的慕课学习资源.针对广大学习者进行在线慕课学习时面临的"信息迷航"和"信息过载"等问题,以混合推荐算法为基础,通过多角度挖掘用户的个性化信息,设计并实现了一个面向个性化学习的慕课资源推荐系统,以此为广大学习者提供自主学习的辅助支持.该系统能充分挖掘学习者的显式和隐式偏好,为其推荐满意的慕课资源,具有良好的应用价值.     

多子群协同进化的多目标微粒群优化算法

微粒群优化(PSO)算法是一种非常有竞争力的求解多目标优化问题的群智能算法,因其容易陷入局部极值,导致非劣解集的收敛性和正确性不理想。为此提出一种基于多目标分解进化策略的多子群协同进化的多目标微粒群优化算法(MOPSO_MC),算法中每个子群对应于一个多目标分解之后的子问题,并构造了一种新的速率更新策略,每个粒子跟踪自身历史最优值、子群最优值和子群邻域最优值,从而在增强算法的局部寻优能力的同时,也能从邻域子群获得进化信息,实现协同进化。最后通过仿真实验,与现在主流的多目标微粒群算法在ZDT基准测试函数上比较,验证了算法的收敛性,解分布的均匀性和正确性。     

离散多目标量子微粒群聚类算法*

聚类是数据挖掘中重要的数据处理方法.文中提出改进的离散多目标量子微粒群聚类算法.针对类中心数目未知的情况,引入整数编码策略,基于Canopy策略预测类中心的数目,设计有效的微粒群初始化策略.通过引入与、并和差异算子,定义改进的离散量子微粒更新公式.将文中算法应用于7组真实数据集,并对比2种典型单目标聚类算法和3种多目标聚类算法,验证文中算法性能.     

Attributed multi-objective comprehensive learning particle swarm optimization for optimal security of networks

In particle swarm optimization (PSO) each particle uses its personal and global or local best positions by linear summation. However, it is very time consuming to find the global or local best positions in case of complex problems. To overcome this problem, we propose a new multi-objective variant of PSO called attributed multi-objective comprehensive learning particle swarm optimizer (A-MOCLPSO). In this technique, we do not use global or local best positions to modify the velocity of a particle; instead, we use the best position of a randomly selected particle from the whole population to update the velocity of each dimension. This method not only increases the speed of the algorithm but also searches in more promising areas of the search space. We perform an extensive experimentation on well-known benchmark problems such as Schaffer (SCH), Kursawa (KUR), and Zitzler–Deb–Thiele (ZDT) functions. The experiments show very convincing results when the proposed technique is compared with existing versions of PSO known as multi-objective comprehensive learning particle swarm optimizer (MOCLPSO) and multi-objective particle swarm optimization (MOPSO), as well as non-dominated sorting genetic algorithm II (NSGA-II). As a case study, we apply our proposed A-MOCLPSO algorithm on an attack tree model for the security hardening problem of a networked system in order to optimize the total security cost and the residual damage, and provide diverse solutions for the problem. The results of our experiments show that the proposed algorithm outperforms the previous solutions obtained for the security hardening problem using NSGA-II, as well as MOCLPSO for the same problem. Hence, the proposed algorithm can be considered as a strong alternative to solve multi-objective optimization problems.     

基于阶段衍变双向自均衡的个性化学习资源推荐方法

针对现有个性化学习资源推荐方法存在推荐模型单一、速度较慢和匹配度不高等问题,文中提出基于阶段衍变双向自均衡的个性化学习资源推荐方法.首先构建基于阶段衍变双向自均衡的学习资源推荐模型,完善资源推荐特征参数化表示与适应度函数构建.然后采用基于进化状态判定的模糊自适应二进制粒子群优化算法求解模型.实验表明,相比采用经典算法的推荐方法,文中方法推荐的学习资源序列匹配度更高,推荐速度更快.     

Multi-objective rule mining using a chaotic particle swarm optimization algorithm

In this paper, classification rule mining which is one of the most studied tasks in data mining community has been modeled as a multi-objective optimization problem with predictive accuracy and comprehensibility objectives. A multi-objective chaotic particle swarm optimization (PSO) method has been introduced as a search strategy to mine classification rules within datasets. The used extension to PSO uses similarity measure for neighborhood and far-neighborhood search to store the global best particles found in multi-objective manner. For the bi-objective problem of rule mining of high accuracy/comprehensibility, the multi-objective approach is intended to allow the PSO algorithm to return an approximation to the upper accuracy/comprehensibility border, containing solutions that are spread across the border. The experimental results show the efficiency of the algorithm.     

基于种群分区的多策略自适应多目标粒子群算法

在多目标粒子群优化算法中, 平衡算法收敛性和多样性是获得良好分布和高精度Pareto前沿的关键, 多数已提出的方法仅依靠一种策略引导粒子搜索, 在解决复杂问题时算法收敛性和多样性不足. 为解决这一问题, 提出一种基于种群分区的多策略自适应多目标粒子群优化算法. 采用粒子收敛性贡献对算法环境进行检测, 自适应调整粒子的探索和开发过程; 为准确制定不同性能的粒子的搜索策略, 提出一种多策略的全局最优粒子选取方法和多策略的变异方法, 根据粒子的收敛性评价指标, 将种群划分为3个区域, 将粒子性能与算法寻优过程结合, 提升种群中各个粒子的搜索效率; 为解决因选取的个体最优粒子不能有效指导粒子飞行方向, 使算法停滞, 陷入局部最优的问题, 提出一种带有记忆区间的个体最优粒子选取方法, 提升个体最优粒子选取的可靠性并加快粒子收敛过程; 采用包含双性能测度的融合指标维护外部存档, 避免仅根据粒子密度对外部存档维护时, 删除收敛性较好的粒子, 导致种群产生退化, 影响粒子开发能力. 仿真实验结果表明, 与其他几种多目标优化算法相比, 该算法具有良好的收敛性和多样性.     

求解约束优化问题的多目标粒子群算法*

提出一种多目标粒子群算法处理约束优化问题(MOCPSO). 首先将约束优化问题转化为多目标问题, 然后给出一个不可行阈值来充分地利用不可行粒子的信息引导种群的飞行; 并提出一种粒子间的比较准则以比较它们的优劣; 最后, 为了增加种群的多样性, 提升种群跳出局部最优解的能力, 引入高斯白噪声扰动. 选取有代表性的标准测试函数对MOCPSO算法的性能进行仿真实验, 相比较其它算法, 结果显示MOCPSO算法是求解约束优化问题的有效算法.     

基于MPI的并行多目标粒子群算法

为了进一步提高速度受限的多目标粒子群算法(SMPSO)求解多目标优化问题的效率和精度,文中提出基于消息传递接口(MPI)的并行化SMPSO算法(M-SMPSO).采用主从模式的MPI并行程序设计模式,将整个种群分成几个子种群,各子种群分别执行独立进化计算,提高算法效率.此外,为了均衡考虑算法的分布性与收敛性,提出自适应的全局最优解选择策略.使用标准测试函数验证算法性能,实验表明,相比其它多目标算法,文中算法能获得更高的加速比,更快收敛到多目标优化问题的Pareto前沿.