教育資源信息化建設的蓬勃發(fā)展,引發(fā)了教育資源“信息過載”和學習者“知識迷航”的問題,為了緩解這一問題,眾多研究者引入推薦技術(shù)實現(xiàn)對教育資源個性化推薦。針對上述問題,研究者從電子商務推薦系統(tǒng)、電影推薦系統(tǒng)得到啟發(fā),將協(xié)同過濾等推薦方法應用于教育資源領(lǐng)域。由于教育資源的特殊性,通用的推薦方法在教育資源推薦中存在性能低下導致用戶體驗度不佳的問題,同時新用戶冷啟動、推薦效率、準確率低等問題仍客觀存在。本文結(jié)合深度學習和自然語言處理技術(shù)提出了基于學習者模型的教育資源混合推薦算法用于教育資源推薦領(lǐng)域,提出的方法既研究目標用戶的個人基本信息和行為信息,同時還對目標用戶、教育資源、其他用戶的學習能力和水平進行計算。實驗數(shù)據(jù)集為通過網(wǎng)絡爬蟲采集至某教育網(wǎng)站的真實數(shù)據(jù),主要工作包括:1、緩解冷啟動問題。結(jié)合深度學習和自然語言處理技術(shù),首先使用自然語言處理技術(shù)在深度學習框架下對新用戶的注冊信息和個人信息進行分析以此用于分類,其次根據(jù)分類結(jié)果找到目標用戶所對應的類別,然后再通過計算目標用戶和類內(nèi)其他用戶學習水平相似度,找到相似用戶集,最后融合計算確定最終相似用戶集合,進行教育資源推薦。2、提升計算效率。首先對... 

【文章來源】：中北大學山西省

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1.緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 推薦系統(tǒng)研究現(xiàn)狀
        1.2.2 教育資源推薦研究現(xiàn)狀
    1.3 本文的工作
    1.4 本文組織結(jié)構(gòu)
2.相關(guān)理論基礎
    2.1 在線教育相關(guān)概念
    2.2 推薦算法理論基礎
    2.3 推薦系統(tǒng)工作原理
    2.4 深度學習相關(guān)概念
    2.5 自然語言處理相關(guān)技術(shù)
    2.6 算法的評價方法和指標
        2.6.1 算法的實驗方法
        2.6.2 算法的評價指標
    2.7 本章小結(jié)
3.數(shù)據(jù)的獲取與預處理
    3.1 數(shù)據(jù)獲取方式
    3.2 網(wǎng)絡爬蟲技術(shù)與工作原理
        3.2.1 網(wǎng)絡爬蟲
        3.2.2 網(wǎng)絡爬蟲數(shù)據(jù)匹配方法
    3.3 數(shù)據(jù)預處理
    3.4 本章小結(jié)
4.基于學習者模型的推薦算法
    4.1 學習者模型構(gòu)建
    4.2 基于學習者模型的推薦算法整體描述
    4.3 使用神經(jīng)網(wǎng)絡緩解冷啟動
        4.3.1 基于LSTM-Maxpooling實現(xiàn)文本分類
        4.3.2 計算用戶學習能力相似度
    4.4 使用學習者特征改進相似度計算
        4.4.1 提取老用戶的興趣標簽
        4.4.2 學習者模型類內(nèi)計算
    4.5 使用基于學習者模型的推薦算法進行推薦
    4.6 實驗與結(jié)果分析
        4.6.1 實驗平臺
        4.6.2 算法評價指標
        4.6.3 設計對比實驗
        4.6.4 實驗結(jié)果分析
    4.7 本章小結(jié)
5.基于學習者興趣動態(tài)變化和加入熱門懲罰因子的算法
    5.1 算法描述
    5.2 算法的整體實現(xiàn)模型
    5.3 模型的具體描述
        5.3.1 游客用戶資源推薦
        5.3.2 新注冊用戶資源推薦
        5.3.3 老用戶教育資源推薦
    5.4 實驗與結(jié)果分析
        5.4.1 實驗平臺
        5.4.2 數(shù)據(jù)集分析和劃分
        5.4.3 算法評估指標
        5.4.4 設計對比實驗
        5.4.5 實驗結(jié)果分析
    5.5 本章小結(jié)
6.總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
攻讀碩士學位期間所取得的研究成果
致謝


【參考文獻】：
期刊論文
[1]新冠肺炎疫情下線上教育的機遇與挑戰(zhàn)[J]. 張曉艷.  中國報業(yè). 2020(08)
[2]基于深度自編碼器和二次協(xié)同過濾的個性化試題推薦方法[J]. 熊慧君,宋一凡,張鵬,劉立波.  計算機科學. 2019(S2)
[3]中文文本分類方法綜述[J]. 于游,付鈺,吳曉平.  網(wǎng)絡與信息安全學報. 2019(05)
[4]一種注意力增強的自然語言推理模型[J]. 李冠宇,張鵬飛,賈彩燕.  計算機工程. 2020(07)
[5]LSTM網(wǎng)絡模型在Web服務器資源消耗預測中的應用研究[J]. 譚宇寧,黨偉超,白尚旺,潘理虎.  計算機系統(tǒng)應用. 2019(07)
[6]基于Python的網(wǎng)絡爬蟲與反爬蟲技術(shù)研究[J]. 李培.  計算機與數(shù)字工程. 2019(06)
[7]基于深度長短時記憶神經(jīng)網(wǎng)絡模型的心律失常檢測算法[J]. 楊朔,蒲寶明,李相澤,王帥,常戰(zhàn)國.  計算機應用. 2019(03)
[8]循環(huán)神經(jīng)網(wǎng)絡研究綜述[J]. 楊麗,吳雨茜,王俊麗,劉義理.  計算機應用. 2018(S2)
[9]基于LSTM深度神經(jīng)網(wǎng)絡的精細化氣溫預報初探[J]. 倪錚,梁萍.  計算機應用與軟件. 2018(11)
[10]基于改進內(nèi)容過濾算法的高校圖書館文獻資源個性化推薦研究[J]. 耿立校,晉高杰,李亞函,孫衛(wèi)忠,馬士豪.  圖書情報工作. 2018(21)

碩士論文
[1]基于標簽權(quán)重的個性化協(xié)同過濾推薦算法[D]. 熊楚平.新疆大學 2019
[2]基于綜合評價的個性化推薦算法研究[D]. 陳佳慧.東北大學 2013



本文編號：3461882