當(dāng)前,云計(jì)算、大數(shù)據(jù)和人工智能等信息技術(shù)的飛速發(fā)展,在線(xiàn)教育的適應(yīng)性學(xué)習(xí)越來(lái)越引起教育信息技術(shù)領(lǐng)域?qū)＜已芯康年P(guān)注�，F(xiàn)階段,教育發(fā)展過(guò)程中面臨著優(yōu)質(zhì)資源供給不足、規(guī)模化教育與人才差異化成長(zhǎng)需求之間矛盾。因此,迫切需要構(gòu)建一種既能匯聚各種優(yōu)質(zhì)資源又能提供個(gè)性化服務(wù)的技術(shù)體系,這是實(shí)現(xiàn)公平而有質(zhì)量的教育目標(biāo)必須直面的科學(xué)和技術(shù)問(wèn)題。論文以在線(xiàn)教育面對(duì)的大量用戶(hù)、海量教學(xué)內(nèi)容為研究場(chǎng)景,以為學(xué)習(xí)者提供個(gè)性化、智能化的學(xué)習(xí)服務(wù)為目的,針對(duì)傳統(tǒng)推薦系統(tǒng)中存在的數(shù)據(jù)稀疏、不平衡,算法擴(kuò)展性不足,算法效率低、可用性低,魯棒性欠佳等問(wèn)題,對(duì)在線(xiàn)學(xué)習(xí)環(huán)境中的智能化、個(gè)性化資源推薦方法展開(kāi)研究。論文的主要研究?jī)?nèi)容和創(chuàng)新性主要體現(xiàn)在四個(gè)方面。針對(duì)傳統(tǒng)推薦數(shù)據(jù)不平衡與算法擴(kuò)展性不足的問(wèn)題,提出了一種新的推薦深度矩陣分解模型（DMF）。模型利用深度神經(jīng)網(wǎng)絡(luò)將用戶(hù)和對(duì)象的各類(lèi)輸入信息進(jìn)行特征提取,在此基礎(chǔ)上通過(guò)構(gòu)建特征轉(zhuǎn)移函數(shù),以生成用戶(hù)和對(duì)象的隱含因子,最終通過(guò)訓(xùn)練實(shí)現(xiàn)內(nèi)容推薦。借助特征轉(zhuǎn)移函數(shù),模型可以有能力去融合各類(lèi)信息,提高了模型的擴(kuò)展性,并且能夠有效緩解數(shù)據(jù)不平衡對(duì)算法的影響;其次,針對(duì)深度學(xué)習(xí)推薦算法普... 

【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)】：119 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 學(xué)習(xí)資源推薦算法
        1.2.2 經(jīng)典推薦算法與發(fā)展
        1.2.3 深度學(xué)習(xí)推薦算法
        1.2.4 未來(lái)的挑戰(zhàn)
    1.3 論文主要內(nèi)容與組織架構(gòu)
第2章 推薦系統(tǒng)相關(guān)研究
    2.1 協(xié)同過(guò)濾算法
        2.1.1 基于最近鄰的協(xié)同過(guò)濾算法
        2.1.2 基于模型的協(xié)同過(guò)濾算法
    2.2 基于深度學(xué)習(xí)的推薦算法
        2.2.1 隱含因子先驗(yàn)估計(jì)模型
        2.2.2 基于深度學(xué)習(xí)的推薦框架
第3章 深度矩陣分解模型
    3.1 算法動(dòng)機(jī)
    3.2 算法模型
        3.2.1 深度矩陣分解模型的框架
        3.2.2 隱含反饋嵌入與數(shù)據(jù)準(zhǔn)備
        3.2.3 深度矩陣分解與特征轉(zhuǎn)移函數(shù)
    3.3 模型優(yōu)化
        3.3.1 隱含反饋嵌入模型的優(yōu)化
        3.3.2 深度矩陣分解模型的優(yōu)化
        3.3.3 超參數(shù)討論
    3.4 實(shí)驗(yàn)及結(jié)果分析
        3.4.1 實(shí)驗(yàn)設(shè)置
        3.4.2 實(shí)驗(yàn)結(jié)果與討論
    3.5 小結(jié)
第4章 深度變分矩陣分解模型
    4.1 算法動(dòng)機(jī)
    4.2 算法模型
        4.2.1 深度變分矩陣分解模型的框架
        4.2.2 變分矩陣分解模型
        4.2.3 參數(shù)推斷模型
        4.2.4 知識(shí)嵌入模型
    4.3 模型優(yōu)化
        4.3.1 變分矩陣分解模型與參數(shù)推斷模型的優(yōu)化
        4.3.2 知識(shí)嵌入模型的優(yōu)化
        4.3.3 超參數(shù)討論
    4.4 實(shí)驗(yàn)及結(jié)果分析
        4.4.1 實(shí)驗(yàn)設(shè)置
        4.4.2 實(shí)驗(yàn)結(jié)果與討論
    4.5 小結(jié)
第5章 對(duì)抗深度隱含因子模型
    5.1 算法動(dòng)機(jī)
    5.2 算法模型
        5.2.1 深度隱含因子模型
        5.2.2 針對(duì)深度隱含因子模型的對(duì)抗攻擊
        5.2.3 對(duì)抗深度隱含因子模型
    5.3 模型優(yōu)化
        5.3.1 優(yōu)化對(duì)抗隱含因子模型
        5.3.2 優(yōu)化對(duì)抗擾動(dòng)
        5.3.3 超參數(shù)討論
    5.4 實(shí)驗(yàn)及結(jié)果分析
        5.4.1 實(shí)驗(yàn)設(shè)置
        5.4.2 實(shí)驗(yàn)結(jié)果與討論
    5.5 小結(jié)
第6章 分離圖神經(jīng)推薦模型
    6.1 算法動(dòng)機(jī)
        6.1.1 圖神經(jīng)網(wǎng)絡(luò)
        6.1.2 推薦系統(tǒng)
    6.2 算法模型
        6.2.1 數(shù)據(jù)準(zhǔn)備模塊
        6.2.2 隱含因子生成模塊
        6.2.3 評(píng)分預(yù)測(cè)模塊
    6.3 模型優(yōu)化
        6.3.1 優(yōu)化分離圖神經(jīng)推薦模型
        6.3.2 超參數(shù)討論
    6.4 實(shí)驗(yàn)及結(jié)果分析
        6.4.1 實(shí)驗(yàn)設(shè)置
        6.4.2 實(shí)驗(yàn)結(jié)果與討論
    6.5 小結(jié)
第7章 推薦方法的教育應(yīng)用研究
    7.1 應(yīng)用背景
        7.1.1 數(shù)據(jù)來(lái)源
        7.1.2 數(shù)據(jù)描述
        7.1.3 數(shù)據(jù)處理與數(shù)據(jù)集構(gòu)建
    7.2 實(shí)施策略
        7.2.1 評(píng)價(jià)指標(biāo)
        7.2.2 對(duì)比模型
        7.2.3 實(shí)驗(yàn)數(shù)據(jù)集與環(huán)境
    7.3 應(yīng)用結(jié)果與分析
        7.3.1 算法準(zhǔn)確率分析
        7.3.2 算法效率分析
第8章 總結(jié)與展望
    8.1 總結(jié)
    8.2 展望
參考文獻(xiàn)
攻讀博士期間發(fā)表的論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于知識(shí)圖譜的個(gè)性化習(xí)題推薦系統(tǒng)設(shè)計(jì)研究[J]. 王冬青,殷紅巖.  中國(guó)教育信息化. 2019(17)
[2]智慧時(shí)代下在線(xiàn)學(xué)習(xí)資源組織模式研究[J]. 韋慶昌,王小根.  軟件導(dǎo)刊. 2019(04)
[3]基于局部模型加權(quán)融合的Top-N電影推薦算法[J]. 湯穎,孫康高,秦緒佳,周建美.  計(jì)算機(jī)科學(xué). 2018(S2)
[4]一種知識(shí)圖譜的排序?qū)W習(xí)個(gè)性化推薦算法[J]. 楊晉吉,胡波,王欣明,伍昱燊,趙淦森.  小型微型計(jì)算機(jī)系統(tǒng). 2018(11)
[5]研究型課程自適應(yīng)學(xué)習(xí)系統(tǒng):理念、策略與實(shí)踐[J]. 張治,劉小龍,余明華,祝智庭.  中國(guó)電化教育. 2018(04)
[6]自適應(yīng)學(xué)習(xí)系統(tǒng)中“KCP學(xué)習(xí)者模型”研究[J]. 李春生,張永東,劉澎,張可佳.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(05)
[7]基于MOOC平臺(tái)數(shù)據(jù)和知識(shí)圖譜的學(xué)習(xí)路徑推薦——以軟件工程專(zhuān)業(yè)為例[J]. 吳強(qiáng)強(qiáng),陳昊鵬,趙子濠,蔣建偉.  工業(yè)和信息化教育. 2017(11)
[8]自適應(yīng)學(xué)習(xí)模型的構(gòu)建及其實(shí)現(xiàn)策略[J]. 吳南中.  現(xiàn)代教育技術(shù). 2017(09)
[9]大數(shù)據(jù)時(shí)代基于學(xué)習(xí)分析的在線(xiàn)學(xué)習(xí)拖延診斷與干預(yù)研究[J]. 楊雪,姜強(qiáng),趙蔚,李勇帆,李松.  電化教育研究. 2017(07)
[10]協(xié)作問(wèn)題解決學(xué)習(xí)中干預(yù)有效性的影響因素研究[J]. 蔡慧英,顧小清.  電化教育研究. 2017(06)

碩士論文
[1]在線(xiàn)學(xué)習(xí)系統(tǒng)中的深度學(xué)習(xí)推薦算法研究[D]. 沈筱譞.華中師范大學(xué) 2017



本文編號(hào)：3191962