傳統(tǒng)的學(xué)習(xí)方式局限于課堂,學(xué)習(xí)資源的來(lái)源局限于圖書(shū)館,在這樣的一種學(xué)習(xí)環(huán)境中,每一位同學(xué)的學(xué)習(xí)行為都受到了很大的限制。基于云桌面技術(shù)的校園系統(tǒng)和慕課的出現(xiàn)使得學(xué)習(xí)的時(shí)間和空間限制被打破,然而由于這些限制被突破,使得學(xué)習(xí)對(duì)象直面種類(lèi)繁多的海量學(xué)習(xí)資源。如何快速的在這些學(xué)習(xí)資源中獲取真正適合自身需要的學(xué)習(xí)資源,成為了學(xué)習(xí)對(duì)象需要解決的首要問(wèn)題。如何使得學(xué)習(xí)對(duì)象更簡(jiǎn)單快速的獲取符合自身需要的學(xué)習(xí)資源,是本文的研究重點(diǎn)。本文根據(jù)當(dāng)前的現(xiàn)狀總結(jié)了三種學(xué)習(xí)場(chǎng)景——基于慕課的學(xué)習(xí)場(chǎng)景、基于學(xué)術(shù)研究的學(xué)習(xí)場(chǎng)景以及基于校園教學(xué)的學(xué)習(xí)場(chǎng)景。傳統(tǒng)的校園系統(tǒng)中往往側(cè)重于課堂教學(xué)和校園公告,對(duì)于學(xué)習(xí)對(duì)象的學(xué)習(xí)行為僅僅只是記錄,卻并未將這些數(shù)據(jù)進(jìn)行充分的利用,本文通過(guò)分析了這些場(chǎng)景的特點(diǎn),探討了常見(jiàn)的推薦算法在這些學(xué)習(xí)場(chǎng)景的適配情況。最后根據(jù)推薦算法的特點(diǎn)和學(xué)習(xí)場(chǎng)景的實(shí)際情況,進(jìn)行了算法的適配研究。在基于慕課的學(xué)習(xí)場(chǎng)景中,根據(jù)學(xué)習(xí)行為的具體情況與學(xué)習(xí)對(duì)象的反饋適配基于物品的協(xié)同過(guò)濾算法,通過(guò)對(duì)學(xué)習(xí)資源的屬性進(jìn)行了模型建立,使用慕課網(wǎng)日志文件解析后的前80%的數(shù)據(jù)進(jìn)行訓(xùn)練,得到推薦列表,然后對(duì)比后20%的數(shù)據(jù),獲取... 

【文章來(lái)源】：桂林理工大學(xué)廣西壯族自治區(qū)

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

實(shí)驗(yàn)結(jié)果示例圖一

桂林理工大學(xué)碩士學(xué)位論文25圖3-3實(shí)驗(yàn)結(jié)果示例圖二圖3-4實(shí)驗(yàn)結(jié)果示例圖三由于學(xué)習(xí)對(duì)象不一定會(huì)選擇推薦列表中所有的學(xué)習(xí)資源，而慕課網(wǎng)在每個(gè)對(duì)象的推薦列表中一共有6個(gè)推薦，所以為了兼顧推薦算法的查全率與準(zhǔn)確率，實(shí)驗(yàn)采取其中相

桂林理工大學(xué)碩士學(xué)位論文273-5中使用Item_Based，簡(jiǎn)稱IB），兩者之間平均的時(shí)間消耗的差距達(dá)到了1倍以上。圖3-5UB算法與IB算法耗時(shí)對(duì)比而基于內(nèi)容的推薦算法（圖3-6至圖3-8中使用CF簡(jiǎn)稱）在推薦準(zhǔn)確率上與基于物品的協(xié)同過(guò)濾算法平均推薦準(zhǔn)確率相差達(dá)到24.7%。本文對(duì)此的分析給出的解釋是：學(xué)習(xí)對(duì)象在基于慕課的學(xué)習(xí)場(chǎng)景中，自主性較大，對(duì)于學(xué)習(xí)資源的選擇在不同時(shí)間的有著不同的傾向性，而基于內(nèi)容的推薦算法僅僅關(guān)注學(xué)習(xí)資源的內(nèi)容相似度，并不會(huì)關(guān)注學(xué)習(xí)對(duì)象的學(xué)習(xí)資源選擇變化，所以在基于內(nèi)容的推薦算法的推薦結(jié)果的準(zhǔn)確性不如基于物品的協(xié)同過(guò)濾算法。圖3-6CF算法的推薦列表結(jié)果示例圖一


本文編號(hào)：3124668