【摘要】：隨著教育信息化進程的推進,在線教育平臺的發(fā)展勢頭迅猛,教育平臺內(nèi)置大量的學習資源,雖然能夠豐富學習者的選擇,但同時也會帶來信息過載的問題。而個性化推薦服務起到信息篩選和過濾的作用,是自適應教學服務的關鍵技術之一,能自動高效地為學習者提供其感興趣、有價值的教育資源。一直以來,個性化推薦效果遭受數(shù)據(jù)稀疏問題的影響。系統(tǒng)中資源量、用戶量巨大,但是相較而言,用戶對資源的交互記錄很少。而且傳統(tǒng)的個性化推薦中,待推薦的資源一般是同一類,是單一領域推薦。而學習者在不同階段學習內(nèi)容的種類不同,使用的在線教育平臺可能也不同。因此為了緩解稀疏問題和更貼合學習者真實的學習情況,本文提出了一種多領域推薦策略。多領域推薦能為單一領域推薦補充領域間相關的可以共享的信息。多領域推薦是指聯(lián)合利用多個領域的資源上的交互記錄來提升各領域內(nèi)資源的推薦效果。本文就多領域推薦主要開展了以下兩方面工作。(1)提出了多領域神經(jīng)網(wǎng)絡推薦模型(Multi-Domain Neural Network Recommender,MDNNR)。不同領域是指處于同一系統(tǒng)中的不同種類的資源,但有一致的用戶。基于用戶在不同領域之間對資源的使用信息,利用一種新穎的多分支神經(jīng)網(wǎng)絡挖掘用戶在領域間共享的偏好和領域內(nèi)獨特的偏好,構(gòu)建協(xié)同過濾推薦器。該模型的用戶共享特征并不是領域間相同的數(shù)值,而是相同的轉(zhuǎn)換模式。模型在真實數(shù)據(jù)集上進行了實驗,驗證了該推薦方法的有效性。(2)以MDNNR的思想為基礎提出了多領域深度學習推薦模型(Multi-Domain Deep Learning Recommender,MDDLR)。不同領域是指不同的異構(gòu)系統(tǒng),資源種類不同且沒有對應的用戶。基于使用數(shù)據(jù),利用預訓練的詞向量,通過卷積神經(jīng)網(wǎng)絡處理名稱、標簽等短文本內(nèi)容信息,幫助多分支神經(jīng)網(wǎng)絡架起領域間的語義橋梁,分解得到資源共享特征和領域獨特的特征進行多領域推薦。模型在公開數(shù)據(jù)集上進行了實驗,驗證了推薦方法的有效性。本文提出的這兩種多領域推薦方法雖然是針對教育資源進行推薦,但是也可以運用到其他物品系統(tǒng)的推薦中去。由于缺少在線教育平臺的真實數(shù)據(jù),本文使用結(jié)構(gòu)類似的真實數(shù)據(jù)集進行了實驗。
【學位授予單位】：華中師范大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.3;TP183
【圖文】：

圖２．１概括的基于內(nèi)容的推薦模型的高級結(jié)構(gòu)逡逑基于內(nèi)容的推薦除了可解釋性高以外，還可以應對新物品的問題，新物統(tǒng)中沒有用戶行為記錄，這對于協(xié)同過濾是個棘手的問題，但是對于基推薦，則可以直接抽取內(nèi)容特征形成物品表示，并入當前推薦模型。但是容的推薦缺點也很明顯，過于依賴用戶自己的歷史偏好，導致新用戶沒有

士學位論文逡逑ＡＳＴＥＲ＇Ｓ邋ＴＨＥＳＩＳ逡逑見，為單個用戶提供物品推薦。即在當前的用戶－物示每個人和每個物品。逡逑戶行為記錄也叫做用戶反饋，分為顯式反饋和隱式成和物品的交互后，給出反應喜歡程度的反饋，可高代表越喜歡，也可以只有兩種，喜歡和不喜歡，后，沒有說喜歡也沒有說不喜歡，不清楚他的態(tài)度，品，但是瀏覽后就直接退出了這個鏈接，收藏、加出用戶感興趣程度的，而瀏覽就不好說了，可能是被來后發(fā)現(xiàn)不喜歡退出了。這些反饋可以以數(shù)值表示，為１，無交互的為０，然后表示為矩陣形式。逡逑

【參考文獻】

相關期刊論文 前5條

1 蔣志輝;;網(wǎng)絡環(huán)境下個性化學習的模式建構(gòu)與策略優(yōu)化[J];中國遠程教育;2013年02期

2 楊現(xiàn)民;余勝泉;張芳;;學習資源動態(tài)語義關聯(lián)的設計與實現(xiàn)[J];中國電化教育;2013年01期

3 陳全;張玲玲;石勇;;基于領域知識的個性化推薦模型及其應用研究[J];管理學報;2012年10期

4 王國霞;劉賀平;;個性化推薦系統(tǒng)綜述[J];計算機工程與應用;2012年07期

5 張馳;陳剛;王慧敏;;基于混合推薦技術的推薦模型[J];計算機工程;2010年22期

本文編號：2722393