本文關鍵詞：教育資源推薦服務中若干關鍵技術的研究，由筆耕文化傳播整理發(fā)布。

【摘要】：本文對教育資源推薦服務中的推薦服務模型、資源特征表示以及基于機器學習的推薦算法等關鍵技術進行了討論與研究，主要工作及貢獻如下： 在分析現(xiàn)有網(wǎng)絡教學系統(tǒng)的特點和不足的基礎上，提出一套完整的網(wǎng)絡教學系統(tǒng)設計方案，將Web挖掘技術應用于網(wǎng)絡教學系統(tǒng)中，在網(wǎng)絡教學系統(tǒng)中引入教育資源推薦服務。 針對教育資源內(nèi)容的特征表示問題，使用文本類型資源的內(nèi)容或者多媒體類型資源的資源描述作為資源內(nèi)容的表示；提出一種基于樹型結構和加權熵的中文高頻詞提取算法，使用該算法可以在沒有詞典的情況下從資源內(nèi)容或者資源描述中提取高頻詞，將這些高頻詞作為資源的特征表示。 針對如何減少推薦模型訓練時間、提高推薦服務效率問題，使用流形學習技術對資源特征表示進行維數(shù)約減，縮短了推薦模型的訓練時間；使用基于主動學習技術的推薦方法，減少了資源標注時間，提高推薦服務的質量和效率。 針對跨領域教育資源推薦問題，提出一種結合數(shù)據(jù)時效性和權重約束的遷移學習算法。在經(jīng)典遷移學習算法TrAdaBoost的權重分配中引入時效函數(shù)，從而體現(xiàn)樣本數(shù)據(jù)的時效性。在算法執(zhí)行過程中，對錯分樣本進行權重約束，從而提高算法的泛化能力。 針對大規(guī)模教育資源推薦問題，提出一種基于有監(jiān)督Hebb規(guī)則的分布式神經(jīng)網(wǎng)絡學習算法，并將該分布式學習算法應用于教育資源推薦服務中。該算法可以有效地解決大數(shù)據(jù)量樣本集所帶來的網(wǎng)絡規(guī)模過大、訓練時間過長等問題。 本文的研究成果為教育資源推薦服務的研究提供了理論參考，在資源特征表示以及基于機器學習的推薦算法等方面具有一定的理論和應用價值。
【關鍵詞】：教育資源 推薦服務 高頻詞提取 主動學習 遷移學習 分布式學習
【學位授予單位】：吉林大學
【學位級別】：博士
【學位授予年份】：2013
【分類號】：G434;TP391.1
【目錄】：

• 提要4-5
• 摘要5-7
• Abstract7-12
• 第1章 緒論12-24
• 1.1 研究背景和意義12-13
• 1.2 教育資源推薦服務概述13-20
• 1.2.1 教育資源推薦服務的定義13
• 1.2.2 推薦服務研究現(xiàn)狀13-19
• 1.2.3 教育資源推薦服務研究現(xiàn)狀19-20
• 1.3 本文的主要工作與貢獻20-21
• 1.4 本文結構安排21-24
• 第2章 基于樹型結構和加權熵的中文高頻詞提取算法24-38
• 2.1 引言24
• 2.2 相關工作24-26
• 2.3 加權信息熵26-27
• 2.4 中文高頻詞提取算法27-32
• 2.4.1 文本預處理27-28
• 2.4.2 構成文本的樹型結構28-32
• 2.4.3 提取高頻詞32
• 2.5 實驗討論32-36
• 2.6 本章小結36-38
• 第3章 基于 Web 挖掘技術的個性化教育資源推薦服務38-50
• 3.1 引言38
• 3.2 Web 挖掘技術38-40
• 3.3 個性化推薦服務的設計40-45
• 3.3.1 網(wǎng)絡教學系統(tǒng)的總體設計40-41
• 3.3.2 個性化推薦服務模型41-42
• 3.3.3 個性化信息挖掘42-44
• 3.3.4 教育資源推薦44-45
• 3.4 實驗測試45-49
• 3.5 本章小結49-50
• 第4章 基于流形學習和主動學習的教育資源推薦方法50-68
• 4.1 引言50
• 4.2 基于流形學習的特征信息降維50-53
• 4.2.1 流形學習50-52
• 4.2.2 非線性維數(shù)約減52-53
• 4.3 基于主動學習的教育資源推薦方法53-58
• 4.3.1 主動學習53-56
• 4.3.2 教育資源主動推薦算法56-58
• 4.4 實驗討論58-66
• 4.5 本章小結66-68
• 第5章 基于遷移學習的跨領域教育資源推薦方法68-82
• 5.1 引言68-69
• 5.2 遷移學習69-71
• 5.3 結合數(shù)據(jù)時效性的遷移學習算法71-76
• 5.3.1 TrAdaBoost 算法71-72
• 5.3.2 基于時效函數(shù)的權重分配72-73
• 5.3.3 錯分樣本權重約束73-74
• 5.3.4 基于時效函數(shù)的遷移學習算法74-76
• 5.4 實驗討論76-81
• 5.5 本章小結81-82
• 第6章 基于分布式學習的大規(guī)模教育資源推薦方法82-92
• 6.1 引言82-83
• 6.2 分布式神經(jīng)網(wǎng)絡83-85
• 6.2.1 神經(jīng)網(wǎng)絡83-84
• 6.2.2 分布式神經(jīng)網(wǎng)絡84-85
• 6.3 分布式學習算法85-87
• 6.3.1 分布式學習算法設計85-87
• 6.3.2 具體算法描述87
• 6.4 實驗討論87-90
• 6.5 本章小結90-92
• 第7章 總結與展望92-96
• 7.1 本文的工作總結92-94
• 7.2 進一步的研究與展望94-96
• 參考文獻96-104
• 作者簡介及在學期間所取得的科研成果104-106
• 致謝106

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 崔林,宋瀚濤,陸玉昌;基于語義相似性的資源協(xié)同過濾技術研究[J];北京理工大學學報;2005年05期

2 鮑玉斌,王大玲,于戈;關聯(lián)規(guī)則和聚類分析在個性化推薦中的應用[J];東北大學學報;2003年12期

3 楊麗娜;劉科成;顏志軍;;面向虛擬學習社區(qū)的學習資源個性化推薦研究[J];電化教育研究;2010年04期

4 張鋒;孫雪冬;常會友;趙淦森;;兩方參與的隱私保護協(xié)同過濾推薦研究[J];電子學報;2009年01期

5 吳永輝;王曉龍;丁宇新;徐軍;郭鴻志;;基于主題的自適應、在線網(wǎng)絡熱點發(fā)現(xiàn)方法及新聞推薦系統(tǒng)[J];電子學報;2010年11期

6 許馨;吳福朝;胡占義;羅阿理;;一種基于非線性降維求正常星系紅移的新方法[J];光譜學與光譜分析;2006年01期

7 李靜梅,孫麗華,張巧榮,張春生;一種文本處理中的樸素貝葉斯分類器[J];哈爾濱工程大學學報;2003年01期

8 高鳳榮;邢春曉;杜小勇;王珊;;基于矩陣聚類的協(xié)作過濾算法[J];華中科技大學學報(自然科學版);2005年S1期

9 王繼成,潘金貴,張福炎;Web文本挖掘技術研究[J];計算機研究與發(fā)展;2000年05期

10 韓家煒,孟小峰,王靜,李盛恩;Web挖掘研究[J];計算機研究與發(fā)展;2001年04期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 李春光;流形學習及其在模式識別中的應用[D];北京郵電大學;2008年

  本文關鍵詞：教育資源推薦服務中若干關鍵技術的研究，，由筆耕文化傳播整理發(fā)布。

本文編號：450670