基于人工智能的个性化移动云学习路径自动生成技术研究

针对传统云学习路径自动生成技术准确度低的情况,提出基于人工智能的个性化移动云学习路径自动生成技术。为了达成某特定学习目标,定义学习者特征,并根据定义的学习者特征生成学习路径库,同时,为保证学习者学习的有效性,在学习路径中加入遗忘机制,以提醒学习者复习已学习的内容。实验对比结果表明,该云计算路径自动生成技术具有较高的准确性,提高了学习者的学习效果,具有一定的实际应用意义。     

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。     

个性化习题路径推荐方法研究综述

个性化习题路径推荐技术能够综合考虑学习者的个性化特征,为学习者量身定制习题路径。文章系统地梳理了个性化习题路径推荐研究工作。首先,从推荐方式的角度,介绍了全局最优习题路径推荐和局部迭代习题路径推荐方法,总结了两类推荐方法的优势及其存在的问题。然后,从目前个性化习题路径推荐工作使用较多的核心算法的角度,介绍了基于协同过滤、认知诊断、知识追踪、深度学习和强化学习五类方法。最后,探讨了该领域当前的研究难点,并展望未来研究工作的方向。     

个性化学习资源推荐发展研究

随着信息技术和网络教育的发展,学习资源呈现爆炸式增长,面对丰富的学习资源,学习者并不能在短时间内最大程度匹配到适合自己的学习资源。个性化学习资源推荐（Personalized Learning Resource Recommendation,PLRR）利用新一代信息技术,全面分析学习者特征、行为、目标等信息,从海量学习资源中筛选出符合其需求的资源,并以合适的方式呈现给学习者,以提高其学习效率和满意度。本文主要从PLRR基本框架、主要算法、面临的挑战和发展趋势进行阐述,旨在为相关研究者提供一个参考框架,促进PLRR领域交流和发展。     

多Agent的个性化学习路径推荐系统设计

该文章介绍了一个多agent的个性化学习路径推荐系统,该系统通过前测来掌握学习者的知识水平,再采用遗传算法来生成最佳学习路径,推荐给学习者。该系统考虑了学习者的水平和推荐课件难度水平的匹配,以及课件之间的相关性以保证学习概念的连续性。对比传统的自由浏览学习模式,这个系统有效地提高了学习者的学习效率。     

个性化学习资源推荐系统研究

通过分析远程网络学习系统中学习者对学习资源的访问历史,以及与学习者有类似访问兴趣的同组学习者的学习偏好,为学习者提供个性化的资源推荐服务,能够有效提高各种学习资源的利用效率,从而提高教学质量.     

基于本体和个性化学习路径的大学生计算机课程在线学习研究

为了提升大学生在网络上学习计算机课程的主动性和学习效率,提出构建基于本体的个性化学习路径推荐模型,具体介绍构建模型的3个步骤,阐述如何经过不断循环和演进,形成满足不同学习者需求的动态、个性化学习路径推荐模型。通过实验结果分析,说明本模型对增加计算机网络学习签到频率,提高学习成绩,减少网络知识点分散化等作用明显。     

在线学习资源的个性化智能推荐研究探析

由于在线学习学习者的认知能力的不确定性、学习兴趣的变化性、用户偏好的多样性等,在线学习资源的个性化智能推荐面临新挑战.文章根据学习者认知能力的模糊综合诊断和学习者多重特征信息融合等,对在线学习资源的个性化智能推荐进行了研究,以期为相关研究者提供参考和启发.     

基于学习风格的个性化推荐系统设计研究

大数据时代下,网络平台上有海量的学习视频,给学习者造成选择困难。为此,如何找到一个适合学习者的学习视频。对此,该研究设计和构建基于学习风格的个性化推荐系统。首先,学习者模块通过学习者自我填写学习风格量表,分析出学习者的学习风格;其次,对需要的学习视频进行分析,判断出该学习视频的教学风格;最后,将学习者学习风格与学习视频的教学风格进行匹配,向学习者进行推荐相匹配的学习视频。个性化推荐系统的设计给予一定的理论依据及实际应用的指导。     

基于在线学习行为分析的个性化学习推荐

随着在线课程和线上学习的普及,大量的在线学习行为数据被积累。如何利用数据挖掘技术分析积累的大数据,从而为教学决策和学习优化提供服务,已经成为新的研究重点。文中分析了在线学习的行为特征,挖掘学习者的性格特征与学习效率的关系,实现个性化学习方法推荐。首先,提取在线学习行为特征,并提出了一种基于BP神经网络的学习成绩预测方法,通过分析在线学习行为特征,预测其相应的线下学习成绩;其次,为了进一步分析学习者的在线学习行为与成绩的关系,提出了基于实际熵的在线学习行为规律性分析,通过分析学习者的在线学习行为,定义并计算相应的实际熵值来评估个体的学习行为规律性,从而分析规律性与最终成绩的关系;再次,基于Felder-Silverman性格分类法获得学习者的性格特征,对学习者实现基于K-means的聚类分析获得相似学习者的类别,将学习成绩较优的学习者的在线学习习惯推荐给同一类别的其他学习者,从而提高学习者的在线学习效率;最终,以某在线课程平台的实际数据为实验对象,分别实现在线学习行为特征提取、线下成绩预测、学习规律性分析和个性化学习推荐,从而验证了所提方法的有效性和应用价值。     

在线教育平台中个性化学习资源推荐系统设计

为了通过充分挖掘和分析用户的学习行为规律及认知特点,借助互联网和人工智能技术提升个性化教育的深度和广度,设计了一个包含用户画像的个性化学习资源推荐系统.该系统由数据层、数据分析层和推荐计算层构成.数据层由用户数据以及包含知识资料、学习资料和标签集的资源库组成;数据分析层融合了以基础信息、学习行为等为代表的静态数据和动态...     

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.     

基于建构主义学习理论的个性化知识推荐模型

个性化推荐正成为“互联网+”和“大数据”时代信息网络服务的基本形式,虽然其已在电子商务和社交媒体的广泛应用中产生了巨大的商业价值,但在具有巨大潜在社会价值的个性化知识学习领域,相关研究与应用还较为稀少.研究提出一种基于建构主义学习理论的个性化知识推荐方法——建构推荐模型.新模型首先考虑将知识系统以知识网络的形式进行表达,随后引入最近邻优先的候选知识选择策略,以及基于最大可学习支撑度优先的top-K未学知识推荐算法.建构推荐模型通过知识网络的知识关联结构挖掘用户知识需求,并推荐给出最具建构学习价值的待学新知识.以饮食健康知识系统学习为例的实验分析表明,新模型在多种情况下推荐产生的个性化知识序列均具有较强的知识关联性和较高的知识体系覆盖率.     

个性化学习推荐研究综述

个性化学习推荐是智能学习的一个研究领域,其目标是在学习平台上给特定学习者提供有效学习资源,从而提升学习积极性与学习效果。虽然现有的推荐方法已被广泛用于教学场景,但教学活动自身的科学规律,使个性化学习推荐在个性化参数设置、推荐目标设定、评价标准设计等方面具有一定的特殊性。针对上述问题,在调研大量文献的基础上对近年来个性化学习推荐的研究进行了综述。从学习推荐通用框架、学习者建模、学习推荐对象建模、学习推荐算法、学习推荐评价五方面对个性化学习推荐的相关研究进行了系统的梳理和解读。首先提出了学习推荐系统的通用框架,其次介绍了学习者建模的思路和方法,接着讨论了学习推荐对象建模的思路和方法,然后归纳了学习推荐的算法与模型,接下来总结了学习推荐评价的设计与方法。并对这五方面现有研究的主要思想、实施方案、优势及不足进行了分析。最后还展望了个性化学习推荐未来的发展方向,为智能学习的进一步深入研究奠定了基础。     

基于多代理的个性化推荐学习系统

针对现有学习系统存在信息过载、缺乏个性化服务能力、不能提供检索服务的问题,提出基于多代理构建个性化推荐学习系统。该系统利用JADE设计学习者Agent与推荐Agent,采用Lucene设计带有个性化能力的搜索引擎支持推荐,并融合3种推荐方法发挥多Agent间协商与协作的优势。实验结果表明,相比单一推荐方法,该系统具有较好的推荐效果和效率。     

基于Memetic算法的个性学习路径优化研究

针对E-learning系统中个性化学习路径的优化问题,提出了一种基于Memetic算法的个性化学习路径优化策略。Memetic算法融合了遗传算法的交叉与变异操作,同时在每次交叉和变异后进行局部优化搜索,能够有效地提高学习路径的优化效率。     

基于机器学习的核电文档个性化推荐系统研究

本文对采用个性化推荐的方式来辅助用户开展文件检索进行研究,根据用户历史搜索记录以及用户网站行为日志进行分析来推荐用户想要的搜索结果,变被动搜索为主动推荐。文章从推荐系统的建设思路、总体架构设计、数据采集来源分析、数据处理策略、推荐引擎的模型设计、机器学习计算框架选择几个部分来开展研究。重点阐述了基于文件的协同过滤算法叠加基于图的推荐模型的算法核心。通过计算文件之间的相似度,并根据文件的相似度以及用户的历史行为生成推荐列表,再根据岗位、知识点等实体关联所建立的关系图来对推荐结果进行过滤、排序。通过开展基于机器学习的文档个性化推荐研究,为基于大数据及人工智能技术的文档及信息资源开发利用做了有益的探索。     

基于动态蚁群遗传算法的士兵个性化学习

面对士兵学历层次,知识理解能力和掌握速度参差不齐的现状,千篇一律的士兵职业技能教育体制已不再适应网络化时代发展和信息化部队建设的需要.文章在分析了当前士兵职业技能教育存在的问题以及蚁群算法和遗传算法各自的特点之后,提出了根据最佳融合点交叉调用蚁群算法和遗传算法的策略,以使蚁群算法的寻优结果作为遗传算法的种子来优化其初始种群,并模仿TSP问题将士兵的个性化学习过程成功地转化为一个典型的组合优化问题,以此来寻找适合每位士兵的个性化学习路径.实验结果表明,改进后的蚁群遗传算法的收敛速度和寻优能力大大提高.