互聯(lián)網(wǎng)技術(shù)正加速驅(qū)動(dòng)新一輪教育產(chǎn)業(yè)升級(jí),近年來(lái)“互聯(lián)網(wǎng)+教育”的業(yè)務(wù)載體不斷推陳出新,在線教育逐漸得到推廣,成為了廣大人群學(xué)習(xí)知識(shí)的新途徑。但在線教育平臺(tái)存在針對(duì)性不足、無(wú)法為學(xué)習(xí)者量身打造適合自己的個(gè)性化學(xué)習(xí)體驗(yàn)等一系列問(wèn)題。因此針對(duì)學(xué)習(xí)者學(xué)習(xí)偏好的在線學(xué)習(xí)資源個(gè)性化推薦成為了當(dāng)下的研究熱點(diǎn)。本文在在線學(xué)習(xí)的背景下,利用深度學(xué)習(xí)算法對(duì)學(xué)習(xí)者用戶的反饋信息進(jìn)行建模,在此基礎(chǔ)上構(gòu)建的推薦算法能有效緩解推薦系統(tǒng)中存在的稀疏性問(wèn)題,在一定程度上提供可解釋性并顯著提高推薦準(zhǔn)確率。為學(xué)習(xí)者提供更加個(gè)性化的學(xué)習(xí)體驗(yàn),提高學(xué)習(xí)者的學(xué)習(xí)效率和資源的利用率。主要工作包括:（1）提出了基于評(píng)論的雙重先驗(yàn)矩陣分解模型（Dual-Prior Review-based Matrix Factorization,DPRMF）。該模型利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)學(xué)習(xí)者評(píng)論反饋信息進(jìn)行特征提取,再利用評(píng)論特征先驗(yàn)約束融入概率矩陣分解模型來(lái)學(xué)習(xí)到融入評(píng)論信息的用戶和對(duì)象特征向量,從而更好地?cái)M合評(píng)分?jǐn)?shù)據(jù)。本文還在卷積神經(jīng)網(wǎng)絡(luò)的嵌入層中使用單詞級(jí)別的向量權(quán)重,這有助于可視化評(píng)論并更直觀地解釋模型。大量實(shí)驗(yàn)結(jié)果表明所提出的模型優(yōu)于其它... 

【文章來(lái)源】：華中師范大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１用戶對(duì)象評(píng)分矩陣／？??介紹具體算法之前先定義問(wèn)題的具體形式

圖２．２基于用戶的協(xié)同過(guò)濾算法思想??基于用戶協(xié)同過(guò)濾算法的基本思想是：一個(gè)用戶喜歡和他具有相似喜好的用戶??喜歡的對(duì)象。圖２．２描述了基于用戶的協(xié)同過(guò)濾算法思想，對(duì)于用戶Ａ，通過(guò)其歷??史偏好，計(jì)算得到一個(gè)與之最相似的用戶Ｃ，然后將用戶Ｃ所喜歡而用戶Ａ并未訪??問(wèn)過(guò)的對(duì)象￣４推薦給用戶Ａ。??基于用戶的協(xié)同過(guò)濾算法可以分為三個(gè)步驟：??（１）計(jì)算用戶之間的相似度??（２）選擇合適大小的相似用戶集合??（３）根據(jù)相似用戶集合的用戶評(píng)分來(lái)預(yù)測(cè)未知評(píng)分??首先是用戶之間相似度的度量方法，常用的有Ｊａｃｃａｒｄ相似度、余弦相似度和??Ｐｅａｒｓｏｎ相似度。??定義Ｋｗ表示用戶Ｗ進(jìn)行過(guò)評(píng)分的對(duì)象集合，凡＊表示用戶／的評(píng)分向量。Ｊａｃｃａｒｄ??相似度可以看作是兩個(gè)用戶評(píng)分過(guò)對(duì)象集合的吻合程度，具體定義如式（２．１）？??１１??

推薦?用戶Ｃ?物品４??圖２．２基于用戶的協(xié)同過(guò)濾算法思想??基于用戶協(xié)同過(guò)濾算法的基本思想是：一個(gè)用戶喜歡和他具有相似喜好的用戶??喜歡的對(duì)象。圖２．２描述了基于用戶的協(xié)同過(guò)濾算法思想，對(duì)于用戶Ａ，通過(guò)其歷??史偏好，計(jì)算得到一個(gè)與之最相似的用戶Ｃ，然后將用戶Ｃ所喜歡而用戶Ａ并未訪??問(wèn)過(guò)的對(duì)象￣４推薦給用戶Ａ。??基于用戶的協(xié)同過(guò)濾算法可以分為三個(gè)步驟：??（１）計(jì)算用戶之間的相似度??（２）選擇合適大小的相似用戶集合??（３）根據(jù)相似用戶集合的用戶評(píng)分來(lái)預(yù)測(cè)未知評(píng)分??首先是用戶之間相似度的度量方法，常用的有Ｊａｃｃａｒｄ相似度、余弦相似度和??Ｐｅａｒｓｏｎ相似度。??定義Ｋｗ表示用戶Ｗ進(jìn)行過(guò)評(píng)分的對(duì)象集合，凡＊表示用戶／的評(píng)分向量。Ｊａｃｃａｒｄ??相似度可以看作是兩個(gè)用戶評(píng)分過(guò)對(duì)象集合的吻合程度，具體定義如式（２．１）？??１１??

【參考文獻(xiàn)】：
期刊論文
[1]以用戶畫(huà)像構(gòu)建智慧閱讀推薦系統(tǒng)[J]. 王順箐.  圖書(shū)館學(xué)研究. 2018(04)
[2]跨類(lèi)型的學(xué)術(shù)資源優(yōu)質(zhì)推薦算法研究[J]. 尹麗玲,劉柏嵩,王洋洋.  情報(bào)學(xué)報(bào). 2017(07)
[3]基于知識(shí)圖譜表示學(xué)習(xí)的協(xié)同過(guò)濾推薦算法[J]. 吳璽煜,陳啟買(mǎi),劉海,賀超波.  計(jì)算機(jī)工程. 2018(02)
[4]社交網(wǎng)絡(luò)下學(xué)習(xí)推薦研究與實(shí)踐[J]. 吳正洋,湯庸,黃昌勤,黃泳航,丁蕊.  中國(guó)電化教育. 2016(03)
[5]混合學(xué)習(xí)的原理與應(yīng)用模式[J]. 李克東,趙建華.  電化教育研究. 2004(07)



本文編號(hào)：3240617