协作学习中基于协同过滤的学习资源推荐研究

符合学习者特征的学习资源对于提高协作学习效率具有重要的影响。但是传统的学习资源推荐,没有充分考虑学习者、学习资源的特征和高效的推荐算法。针对上述问题,提出了基于协同过滤的学习资源推荐算法,根据学习者学习特征、学习资源特征和学习者对学习资源历史评价信息,采用协同过滤推荐算法,实现学习资源推荐。首先,通过学习者特征和学习资源的评分,寻找相似学习者并计算学习资源预测评分,然后根据该评分值和学习资源与学习者匹配度推荐学习资源,从而为学习者推荐符合自己兴趣爱好最合适的学习资源。实验结果表明该算法在个性化学习资源推荐的准确性上优于传统算法。     

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.     

K12学习平台个性化学习资源推荐

随着在线学习平台的普及, 产生了大量学习行为数据, 如何利用大数据挖掘技术分析在线学习行为, 解决学习者经常面临的“资源过载”和“学习迷航”问题, 更好地实现教学决策、学习过程优化和个性化学习方法推荐等, 已经成为研究重点. 文章基于苏州线上教育中心的学习行为数据, 研究了常用的推荐系统模型, 结合该平台的数据特点, 提出了一种基于知识图谱的协同过滤推荐算法, 利用该算法, 平台推荐的资源准确率超过了90%, 有效解决了学生“学习迷航”的问题.     

基于组合推荐技术的学习资源个性化推荐研究

通过调查发现,E-learning支持系统无法有效地向学习者个性化地推荐学习资源。为了进一步提高推荐系统的性能,本文尝试将协同过滤推荐技术引入学习资源的个性化推荐研究中。协同过滤推荐技术是一种应用最为广泛的个性化推荐技术,然而其面临着冷启动、数据稀疏性问题、规模可扩展性等问题。本文通过介绍协同过滤推荐技术的工作原理、实现方法及存在问题,提出了一个优化的基于协同过滤技术的学习资源个性化推荐系统的理论模型,重点讨论了隐式评分机制和算法的实现,以提升推荐系统的实时响应和推荐精度。     

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。     

基于行为序列分析的学习资源推荐算法研究

利用数据挖掘技术分析网络学习行为数据可以挖掘出其隐含的行为规律特征,为学习者提供个性化的学习资源服务。针对现有的数据挖掘算法在对网络学习行为数据进行分析时普遍存在模型适用性不高的问题,提出了一种基于行为序列分析的学习资源推荐算法。首先,提出行为序列及其相关概念的定义,并提出行为序列相似度计算方法;然后提出基于行为序列相似度的协同过滤推荐算法,计算学习者相似度并为待推荐学习者生成学习资源推荐列表;接着给出基于学习风格的推荐方法,将学习者学习风格特征融入推荐过程;最后,给出基于行为序列分析的学习资源推荐算法的模型。提出的算法没有对行为序列的模式进行限制,具有较高的适用性,对深入研究网络学习行为序列数据为学习者提供个性化学习服务具有一定的借鉴作用。     

个性化网络学习资源推荐系统研究

通过搜索资源来学习现已成为网络学习的一种重要的学习方式,为了提高这种方式下的学习效率,本文提出了一种基于Agent的网络推荐系统,通过获取学习者的当前学习需求,与内嵌的专家知识进行集成,利用多属性决策方法作为比较机制,以达到推荐合适学习资源的目的。系统还提出协同过滤方法,将相似学习者的学习资源推荐给学习者。最后。采用JADE平台开发了原型系统,并进行系统的集成和Web应用设计。     

基于MLP改进型深度神经网络学习资源推荐算法

针对在线学习过程中出现的知识过载及传统推荐算法中存在的数据稀疏和冷启动问题,提出了一种基于多层感知机（MLP）的改进型深度神经网络学习资源推荐算法。该算法利用多层感知机对非线性数据处理的优势,将学习者特征和学习资源特征进行向量相乘的预测方式转换为输入多层感知机的方式,改进了DN-CBR神经网络推荐模型。为验证模型的有效性,以爱课程在线学习平台数据为样本构建数据集,通过对比实验表明,在该数据集上,改进后模型相较于DN-CBR模型在归一化折损累积增益和命中率指标上分别提升了1.2%和3%,有效地提高了模型的推荐性能。     

基于混合协同过滤的用户在线学习资源系统个性化推荐方法研究

本文阐述了基于内容的推荐算法、协同过滤推荐算法,分析这两种推荐算法的优缺点,提出一种基于这两种推荐方法的个性化推荐算法,能同时拥有协同过滤推荐算法和给予内容推荐算法的优点,又能一定程度的避免基于内容或协同过滤推荐算法各自的缺点。将本推荐算法应用到用户在线学习资源系统中,更适合在实际推荐系统中应用。     

基于多目标优化策略的在线学习资源推荐方法

目前在线学习资源推荐较多采用单目标转化方法,推荐过程中对学习者偏好考虑相对不足,影响学习资源推荐精度.针对上述问题,文中提出基于多目标优化策略的在线学习资源推荐模型(MOSRAM),在学习者规划时间内,以同时获得学习者对学习资源类型偏好度最大和难度水平适应度最佳为优化目标,设计具有向邻居均值学习能力和探索新区域能力的多目标粒子群优化算法(NEMOPSO),提出以MOSRAM为核心的在线学习资源推荐方法(NEMOPSO-RA).不同问题规模下融合经典多目标优化算法的推荐方法对比实验表明,NEMOPSO-RA可以有效提高在线学习资源的推荐精度和推荐性能.     

基于协同推荐学习资源系统的设计和实现

随着网上学习者的不断增多和网络学习资源的不断丰富,学习者需要系统能够推荐他们感兴趣的资源。通过使用ASP.NET设计开发学习资源网站,研究了协同过滤推荐技术的算法,并实现了基于协同推荐学习资源系统的设计。     

垂直学习社区基于学习兴趣与风格的社会化推荐算法

垂直学习社区包含了海量的学习资源,出现了信息过载现象,个性化推荐是解决这个难题的方法之一.但垂直学习社区中评分数据稀疏而文本、社交信息丰富,传统的协同过滤推荐算法不完全适用.基于用户产生的文本和行为信息,利用作者主题模型构建新的用户学习兴趣相似度衡量模型;根据用户交互行为信息综合考虑信任与不信任因素构建用户全面信任关系计算全面信任度;通过分析用户多维度学习行为模式,自动识别用户学习风格;最后提出融合兴趣相似度、全面信任度及学习风格的社会化推荐算法.用垂直学习社区网站CSDN实际数据集进行了实验分析.结果表明本文提出的推荐方法能更好向用户推荐其感兴趣的学习资源,有效地提高了推荐精度,进而提高用户学习效果.     

e‐Learning recommender system for a group of learners based on the unified learner profile approach

In the age of information explosion, e‐learning recommender systems (eL_RSs) have emerged as effective information filtering techniques that attempt to provide the most appropriate learning resources for learners while using e‐learning systems. These learners are differentiated on the basis of their learning styles, goals, knowledge levels and others. Several attempts have been made in the past to design eL_RSs to recommend resources to individuals; however, an investigation of recommendations to a group of learners in e‐learning is still in its infancy. In this paper, we focus on the problem of recommending resources to a group of learners rather than to an individual. The major challenge in group recommendation is how to merge the individual preferences of different learners that form a group and extract a pseudo unified learner profile (ULP) that closely reflects the preferences of all learners. Firstly, we propose a profile merging scheme for the ULP by utilizing learning styles, knowledge levels and ratings of learners in a group. Thereafter, a collaborative approach is proposed based on the ULP for effective group recommendations. Experimental results are presented to demonstrate the effectiveness of the proposed group recommendation strategy for e‐learning.     

基于改进自编码器的在线课程推荐模型

随着互联网技术的发展以及2020年新冠疫情的爆发, 越来越多的学生选择在线教育. 然而在线课程数量庞大, 往往无法及时找到合适的课程, 个性化智能推荐系统是解决这一问题的有效方案. 本文根据用户在线学习具有明显时序性的特点, 提出一种基于改进自编码器的在线课程推荐模型. 首先, 利用长短期记忆网络改进自编码器, 使得模...     

一种面向个性化协同学习的任务生成方法

现有协同学习应用无法很好地支持学习任务的生成以及学习者的个性化学习.针对此问题,提出了一种面向个性化协同学习的学习任务生成方法.该方法在学习任务形式化描述的基础上,通过学习者分组、确定学习资源、分解学习单元、分配学习模式以及生成事件序列等步骤,生成既符合学习者群体认知水平,又符合个体学习者个性特征的协同学习任务.根据此任务,可以较好地实现网络环境下群体学习者的个性化协同学习.目前,该方法已在Smart-Realcalss网络教学系统中得到应用.     

面向智能教育的自适应学习关键技术与应用

本文是关于我们获得2020年度吴文俊人工智能科学技术奖主要工作的一个介绍。该成果针对自适应学习中面临的教学资源表示困难、学习状态诊断困难以及学习策略设计困难等关键技术难题,首先构建数据驱动的教学资源无监督表示新框架,提高了教学资源质量评估和内容检索的精度和效率。其次提出基于深度学习的学习者认知诊断新方法,突破了以量表为基础的教育测量理论研究范式。然后设计基于知识匹配的个性化推荐技术以及多目标匹配的自适应推荐技术,满足了智能教育场景的复杂约束与学习者的多样目标需求。最后,本文成果研发了面向基础教育的智能教育系统——智学网,已在全国推广使用,对我国智能教育发展具有积极意义。     

A recommender agent based on learning styles for better virtual collaborative learning experiences

Almost unlimited access to educational information plethora came with a drawback: finding meaningful material is not a straightforward task anymore. Based on a survey related to how students find additional bibliographical resources for university courses, we concluded there is a strong need for recommended learning materials, for specialized online search and for personalized learning tools. As a result, we developed an educational collaborative filtering recommender agent, with an integrated learning style finder. The agent produces two types of recommendations: suggestions and shortcuts for learning materials and learning tools, helping the learner to better navigate through educational resources. Shortcuts are created taking into account only the user’s profile, while suggestions are created using the choices made by the learners with similar learning styles. The learning style finder assigns to each user a profile model, taking into account an index of learning styles, as well as patterns discovered in the virtual behavior of the user. The current study presents the agent itself, as well as its integration to a virtual collaborative learning environment and its success and limitations, based on users’ feedback.     

基于表示学习的在线学习交互质量评价方法

当今的教育模式发生着非常重大的变革,教育正在向泛在化、智能化、个性化的方向发展。以Massive Open Online Courses(MOOCs)为代表的在线教育逐渐进入大众视野,在线教育中的交互性成为了决定在线学习质量的关键。研究表明,学习过程中的交互为学习者提供了有效且高效的帮助和支持,对学习过程的评价反馈可以有效地提高学习效果。在教育领域,对学习者和学习资源之间的交互进行建模至关重要,表示学习技术为学习者和学习资源之间的顺序交互建模提供了具体方案。文中首先建立在线学习的交互网络模型,然后使用两个循环神经网络将网络中的学习者和学习资源节点嵌入到一个欧氏空间中,并提出交互质量评价指标,以判断学习者的学习效果是否达到预期。在实际数据集上的实验证明了所提方法的有效性。