基于知识图谱和图嵌入的个性化学习资源推荐

面对海量的在线学习资源,学习者往往面临“信息过载”和“信息迷航”等问题,帮助学习者高效准确地获取适合自己的学习资源来提升学习效果,已成为研究热点.针对现有方法存在的可解释性差、推荐效率和准确度不足等问题,提出了一种基于知识图谱和图嵌入的个性化学习资源推荐方法,它基于在线学习通用本体模型构建在线学习环境知识图谱,利用图嵌入算法对知识图谱进行训练,以优化学习资源推荐中的图计算效率.基于学习者的学习风格特征进行聚类来优化学习者的资源兴趣度,以获得排序后的学习资源推荐结果.实验结果表明,相对于现有方法,所提方法能在大规模图数据场景下显著提升计算效率和个性化学习资源推荐的准确度.     

面向个性化学习的慕课资源推荐系统开发

近年来,在线学习得到了大规模普及,互联网上已发布了海量的慕课学习资源.针对广大学习者进行在线慕课学习时面临的"信息迷航"和"信息过载"等问题,以混合推荐算法为基础,通过多角度挖掘用户的个性化信息,设计并实现了一个面向个性化学习的慕课资源推荐系统,以此为广大学习者提供自主学习的辅助支持.该系统能充分挖掘学习者的显式和隐式偏好,为其推荐满意的慕课资源,具有良好的应用价值.     

融合学习者时序行为和认知水平的个性化学习资源推荐算法

个性化服务是构建智慧学习环境的内在要求和建设要点.为学习环境中的主体（学习者）推送个性化学习资源可以提高学习资源的利用概率,解决在线学习容易产生的迷航问题.通过本体知识库的统一性语义建立学习者和学习资源内部结构特征,设计出一个有效计算两者相关性的推荐算法.算法中引入时间衰减函数来描述学习者学习时的时序特征,导入计算学习者认知水平与学习资源难度的匹配算子以体现学习的循序渐进原则.实验结果表明：所构建的时间函数和匹配算子达到了预期目标,更好地提升了所推荐学习资源的质量和适应性,且算法的时间复杂度能满足实时计算要求.     

个性化小学英语学习系统的设计与实现

针对目前资源学习系统缺乏个性化导致小学英语学习者的资源选择迷航问题,构建以个性化资源组织为核心的学习系统。通过纪录用户信息和个性化学习行为,建立小学英语学习者信息模型;以知识点标注的方式描述英语学习资源,建立学习资源库;运用学习偏好算法和学习水平算法计算学习者偏好,采用新型智能推荐技术,向用户推荐个性化的学习资源。通过原型系统运行实例,其结果验证了个性化学习和智能推荐的有效性。     

基于Bayesian Network的学习资源库推荐系统构建与实现

针对学习资源使用者的特点和当前网络学习模型的不足,提出运用贝叶斯网络建立一种个性化学习者模型。基于用户决策方案指导资源库的建设,提出了一种新的学习资源推荐算法,使学习资源的呈现符合学习者认知发展水平和个性特征,改善资源库的组织结构,实现智能化、个性化的学习资源库推荐系统。实践证明,对于本系统所推荐的学习资源,学习者非常满意。     

在线学习资源推荐综述

近年来越来越多的学校广泛使用网络在线授课，然而互联网中海量的学习资源令学习者难以抉择。因此，研究在线学习资源推荐并为学习者进行个性化推荐非常重要，这可以帮助学习者快速获取其所需的优质学习资源。针对在线学习资源推荐的研究现状，从以下5个方面进行分析总结。首先，总结了目前国内外在线教育平台在学习资源推荐方面的工作；其次，分析和探讨了以知识点习题、学习路径、学习视频和学习课程为学习资源推荐目标的4种算法；接着，分别从学习者和学习资源的角度出发，以具体的算法为例，详述了常用的基于学习者画像、基于学习者行为和基于学习资源本体的3种学习资源推荐算法；此外，总结了公开的在线学习资源数据集；最后，分析了学习资源推荐系统目前存在的问题和未来的发展方向。     

基于情境感知的学习资源个性化推荐机制研究

面对海量的学习资源,如何为学习者推荐与情境相匹配的学习资源是亟需解决的问题.文章在详细描述学习资源个性化推荐情境要素的基础上,构建了包含情境感知层、资源管理层、学习诊断层、个性推荐层及学习者界面的学习资源个性化推荐系统,并阐述了系统的推荐流程及实现.在情境感知理论的基础上,构建以情境感知技术为核心的学习资源个性化推荐系...     

个性化学习路径推荐综述

近年来，伴随着现代信息技术的迅猛发展，以人工智能为代表的新兴技术在教育领域得到了广泛应用，引发了学习理念和方式的深刻变革.在这种大背景下，在线学习超越了时空的限制，为学习者“随时随地”学习提供了更多的可能性，从而得到了蓬勃发展.然而，在线学习中师生时间、空间分离的特征，导致教师无法及时掌握学生的学习状态，一定程度上制约了在线学习中教学质量的提升.面对多元化的学习需求及海量学习资源，如何迅速完成学习目标、降低学习成本、合理分配学习资源等问题成为限制个人和时代发展的重大问题.然而，传统的“一刀切”的教育模式已经不能满足人们获取知识的需求了，需要一个更高效、更科学的个性化教育模式，以帮助学习者以最小的学习成本最大限度地完成学习目标.基于以上背景，如何自动高效识别学习者特征，高效地组织和分配学习资源，为每一位学习者规划个性化路径，成为面向个体的精准化教育资源匹配机制研究中亟待解决的问题.系统地综述并分析了当前个性化学习路径推荐的研究现状，并从多学科领域的角度分析了对于同一问题的不同研究思路，同时也归纳总结了当前研究中最为主流的核心推荐算法.最后，强调当前研究存在的主要不足之处.     

个性化在线学习系统研究

该文针对目前在线学习系统不能为学习者提供个性化学习资源的不足,该文设计了一个利用用户行为数据表征其个性化特征的个性化在线学习系统。该系统能为根据不同学习者的不同需求为学习者提供个性化学习资源。     

基于神经网络的个性化学习资源推荐系统的研究与设计

随着社会的快速发展,科技不断进步。目前,以学习对象为主体的在线学习环境越来越普遍。面对互联网上海量的学习资源,传统的推荐系统不能为学习对象提供精准、有效的服务项目。基于此,将深度神经网络技术与资源推荐系统相结合,提出了基于深度神经网络的个性化学习资源推荐系统的设计思路,为学习者提供个性化的学习策略。     

云计算环境下计算机基础课程的教改研究

介绍了云计算的含义及特点,分析教学现状,将云计算技术引入高校计算机基础课程教学中,从优化教学内容、改进教学方法、实现资源共享等方面对课程进行改革,培养学生个性化学习和协作学习的能力,提高教学质量。     

基于数据分布的聚类联邦学习

联邦学习(federated learning)可以解决分布式机器学习中基于隐私保护的数据碎片化和数据隔离问题。在联邦学习系统中,各参与者节点合作训练模型,利用本地数据训练局部模型,并将训练好的局部模型上传到服务器节点进行聚合。在真实的应用环境中,各节点之间的数据分布往往具有很大差异,导致联邦学习模型精确度较低。为了解决非独立同分布数据对模型精确度的影响,利用不同节点之间数据分布的相似性,提出了一个聚类联邦学习框架。在Synthetic、CIFAR-10和FEMNIST标准数据集上进行了广泛实验。与其他联邦学习方法相比,基于数据分布的聚类联邦学习对模型的准确率有较大提升,且所需的计算量也更少。     

MOOC及MOOC对于高等教学影响

大规模在线开发课程（MOOC）为学习者提供高质量教学资源和全新的学习模式,近年来吸收了教育界和商业界的广泛关注。本文首先简要介绍了主要的MOOC平台以及MOOC区别与传统在线教育的主要特点,即短视频交互式学习、社交网络化学习和个性化学习服务。然后从高校、教师和学生的角度,探讨了MOOC对高校、教师和学生的影响。     

基于个性化学习的线上线下混合教学模式研究--以操作系统课程教学为例

传统的填鸭式教学形式单一,教学效率低下,随着"互联网+"下智慧教学环境的到来,基于个性化学习的线上线下教学应运而生,本文对这种教学形态设计了一种混合教学模式,对其中的个性化学习系统做了分析和设计,以操作系统课程教学为例,对学生信息获取到知识重构及最终达成知识内化的途径进行了分析探讨,教学实践表明:这是一种高效的教学模式。     

基于小样本学习的个性化Hashtag推荐

近年来,Hashtag推荐任务吸引了很多研究者的关注。目前,大部分深度学习方法把这个任务看作是一个多标签分类问题,将Hashtag看作为微博的类别。但是这些方法的输出空间固定,在没有进行重新训练的情况下,不能处理训练不可见的Hashtag。然而,实际上Hashtag会随着时事热点不断快速更新。为了解决这一问题,该文提出将Hashtag推荐任务建模成小样本学习任务。同时,结合用户使用Hashtag的偏好降低推荐的复杂度。在真实的推特数据集上的实验表明,与目前最优方法相比,该模型不仅可以取得更好的推荐结果,而且表现得更为鲁棒。     

基于本体的e-Learning环境个性化服务处理方法*

为了向e-Learning环境中的学习者提供符合其个性化需求的学习服务,结合本体论具有概念和关系定义明确的特性,提出了e-Learning环境中学习者的个性化情形本体模型和相应的学习者个性化服务处理方法,该方法综合考虑了学习者的认知状态和学习偏好,进行个性化的答疑和进一步学习的内容推荐。采用该方法实现的原型系统实验表明,可使学习者的学习更有针对性,可更及时有效地消解疑惑,从而提高了学习者的学习效果和效率。     

非独立同分布数据下联邦学习算法中优化器的对比分析

在联邦学习环境中选取适宜的优化器是提高模型性能的有效途径, 尤其在数据高度异构的情况下. 本文选取FedAvg算法与FedALA算法作为主要研究对象, 并提出其改进算法pFedALA. pFedALA通过令客户端在等待期间继续本地训练, 有效降低了由于同步需求导致的资源浪费. 在此基础上, 本文重点分析这3种算法中优化器的作用, 通过在MNIST和CIFAR-10数据集上测试, 比较了SGD、Adam、ASGD以及AdaGrad等多种优化器在处理非独立同分布(Non-IID)、数据不平衡时的性能. 其中重点关注了基于狄利克雷分布的实用异构以及极端的异构数据设置. 实验结果表明: 1) pFedALA算法呈现出比FedALA算法更优的性能, 表现为其平均测试准确率较FedALA提升约1%; 2)传统单机深度学习环境中的优化器在联邦学习环境中表现存在显著差异, 与其他主流优化器相比, SGD、ASGD与AdaGrad优化器在联邦学习环境中展现出更强的适应性和鲁棒性.     

中职专业课个性化网络教学资源学习系统的设计与应用

本文以中职专业课为例,从设计与应用的角度对基于网络的个性化学习模式进行了研究,详细设计了支持该教学模式的专业课网络教学资源学习系统,它为广大师生提供一个新的教学与交流空间,能提高学生学习专业课的主动性和积极性,方便学生自由选择学习内容和时间,对培养学生的个性化学习能力、独立创新能力和实践能力等方面具有积极的意义。     

Web数据挖掘在网络教育中的应用

随着互联网的发展,网络教育也有了长足的进展。Web数据挖掘以其独特的优点,在网络教育中有很多的用途。介绍了Web数据挖掘的概念的分类、网络教育中的数据资源以及网络教育中的Web数据挖掘的主要过程,并着重介绍了Web数据挖掘在网络教育中的具体应用。