检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

43 篇 期刊文献
42 篇 学位论文
3 篇 会议

馆藏范围

88 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

74 篇 工学
- 72 篇 计算机科学与技术...
- 66 篇 软件工程
- 8 篇 控制科学与工程
- 2 篇 仪器科学与技术
- 2 篇 电子科学与技术（可...
- 2 篇 信息与通信工程
- 1 篇 材料科学与工程（可...
- 1 篇 网络空间安全
41 篇 教育学
- 41 篇 教育学
13 篇 管理学
- 12 篇 管理科学与工程(可...
- 1 篇 工商管理
- 1 篇 公共管理
1 篇 理学
- 1 篇 数学
1 篇 军事学
- 1 篇 军队指挥学

主题

88 篇 课程推荐
19 篇 协同过滤
9 篇 在线教育
6 篇 知识图谱
6 篇 深度学习
5 篇 图神经网络
4 篇 推荐系统
4 篇 在线学习
4 篇 注意力机制
4 篇 在线课程
4 篇 协同过滤算法
4 篇 神经网络
4 篇 个性化推荐
3 篇 高等院校
3 篇 mooc
3 篇 数据挖掘
3 篇 多任务学习
3 篇 word2vec
3 篇 多层感知机
2 篇 在线课程选择

机构

6 篇 华中师范大学
3 篇 浙江工商大学
3 篇 北京大学
3 篇 安徽建筑大学
2 篇 江苏师范大学
2 篇 华南师范大学
2 篇 桂林电子科技大学
2 篇 山东科技大学
2 篇 天津师范大学
2 篇 华东师范大学
2 篇 西安工程大学
2 篇 河北工业大学
2 篇 山东师范大学
2 篇 徐州市云计算工程...
2 篇 辽宁大学
2 篇 合肥工业大学
1 篇 长安大学
1 篇 大庆师范学院
1 篇 国家开放大学
1 篇 华中科技大学

作者

3 篇 邵景峰
2 篇 罗琨杰
2 篇 董永权
2 篇 liu yuan
2 篇 王蕊超
2 篇 王巍然
2 篇 张亚辉
2 篇 刘源
2 篇 jia rui
2 篇 朱柳青
2 篇 贾瑞
2 篇 闫晓楠
2 篇 dong yongquan
2 篇 xu yang
2 篇 shao jingfeng
1 篇 凌美君
1 篇 马文蕴
1 篇 赵瑜
1 篇 任磊
1 篇 马庆祥

语言

87 篇 中文
1 篇 英文

检索条件"主题词=课程推荐"

共 88 条记录，以下是31-40 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于神经注意力网络与依赖关系嵌入的课程推荐算法研究

基于神经注意力网络与依赖关系嵌入的课程推荐算法研究

引用

作者：杨永浩山东科技大学

学位级别：硕士

近年来,慕课平台得到了空前的发展,可以提供来自著名大学的数百万门高质量的课程,因此受到了越来越多用户的欢迎。尽管用户可以自由学习丰富的知识,但其可能很容易因信息过载而感到迷茫,因此,在慕课平台中采用推荐技术是一种有效的解决... 详细信息

近年来,慕课平台得到了空前的发展,可以提供来自著名大学的数百万门高质量的课程,因此受到了越来越多用户的欢迎。尽管用户可以自由学习丰富的知识,但其可能很容易因信息过载而感到迷茫,因此,在慕课平台中采用推荐技术是一种有效的解决方案。与许多其它在线推荐系统不同,在慕课平台中向用户推荐课程面临着许多特有的挑战。首先,用户的教育背景千差万别,由于其知识背景的差异性导致他们的学习目标也是不一样的;第二,各知识点之间不是完全独立的,而是有着一定的依赖关系,代表着知识点学习的先后顺序,这也就意味着网络课程不是独立的,而是通过它们之间的依赖关系关联起来的。另外,网络课程的知识大多存在于课程视频中,因此从视频字幕中提取代表知识点的概念便是基础且重要的一步。本文首先提出了一种基于条件随机场的半监督学习方法,用于从课程视频字幕中提取概念;然后提出了一种基于神经注意力网络和依赖关系嵌入的课程推荐算法,用于向慕课平台中的用户推荐课程。具体来说,包括以下两个方面的工作:(1)提出一种基于条件随机场的半监督概念提取算法。该算法适用于慕课场景下的课程概念提取任务。该算法优化了特征选择,使用了来自字幕的一组特征。同时对半监督学习框架进行了改进,并对自训练进行了适当的设置。在不同数据集上的实验结果表明,该算法能够通过少量的标记数据获得接近有监督学习算法的性能。(2)提出一种基于神经注意力网络和依赖关系嵌入的课程推荐方法。该方法首先使用一组与语义无关的基于结构信息和统计信息的特征提取字幕中的概念级依赖关系,然后使用一组特定的规则提取课程级依赖关系,最后使用依赖关系信息改进注意力系数的计算,并将其嵌入到基于注意力机制的神经网络(神经注意力网络)中,使其可以有效区分用户选修过的不同课程对推荐效果的贡献。在真实数据集上的实验结果表明,提出的慕课课程推荐方法可以有效提高推荐系统的性能。

关键词：课程推荐概念词提取依赖关系注意力网络慕课

来源：评论

学校读者我要写书评

暂无评论

面向课程推荐的异质信息网络表示学习方法研究

面向课程推荐的异质信息网络表示学习方法研究

引用

作者：毛倩山东师范大学

学位级别：硕士

面对在线教育平台提供的海量课程资源,如何快速精准地为学习者推荐适合的课程是学术界和企业界共同关注的问题。虽然传统的课程推荐方法具有一定的效果,但是存在着冷启动和推荐效果不佳等问题。随着在线教育数据量的增长和异质信息网络... 详细信息

面对在线教育平台提供的海量课程资源,如何快速精准地为学习者推荐适合的课程是学术界和企业界共同关注的问题。虽然传统的课程推荐方法具有一定的效果,但是存在着冷启动和推荐效果不佳等问题。随着在线教育数据量的增长和异质信息网络的深入研究,异质信息网络表示学习方法为课程推荐提供了新的解决思路。面向课程推荐的异质信息网络表示学习方法研究成为当前在线教育领域的研究热点之一。目前,利用异质信息网络表示学习方法进行课程推荐面临重要挑战:未能充分利用隐式反馈数据导致推荐算法的性能不佳;显式反馈数据利用不足造成推荐效果不理想;冷启动问题和高方差问题导致实际应用效果不尽如人意。针对这些问题,本论文以大型开放式网络课程(Massive Open Online Courses,MOOC)平台为依托,开展面向课程推荐的异质信息网络表示学习方法研究,并通过学习者-课程链路预测和课程推荐等教学应用验证所提方法的有效性。论文的主要创新成果如下:(1)提出了基于多粒度在线学习行为数据的异质信息网络表示学习方法(MGOLBD),解决未能充分利用隐式反馈数据导致推荐算法性能不佳的问题。首先,基于多种相似度计算生成学习者-学习者相似度矩阵和课程-课程相似度矩阵,基于学习者的隐式学习行为反馈数据生成学习行为隐式反馈矩阵,依据这些矩阵得到的多粒度学习行为构建了一个包含直接交互信息和间接交互信息的在线学习行为异质信息网络(Online Learning Behavior Heterogeneous Information Network,OLBHIN);其次,利用图卷积神经网络(Graph Convolutional Network,GCN)学习元路径的表示,并使用注意力机制学习元路径的重要性,对多条元路径表示进行加权融合生成高质量的学习者表示和课程表示,进一步增强OLBHIN的表达能力;最后,将学到的表示用于课程推荐以验证所提方法的有效性。(2)提出了基于多源教学数据的异质信息网络表示学习方法(MSTD),解决因显式反馈数据利用不足造成的推荐效果不理想的问题。首先,基于学习者在线评论数据依次构造显式学习行为反馈矩阵、学习者-学习者相似度矩阵、课程-课程相似度矩阵,并融合不同节点之间的隐式反馈矩阵构建了一个学习行为异质信息网络(Learning Behavior Heterogeneous Information Network,LBHIN);其次,使用平均编码器编码元路径实例,将学到的表示经过两次加权求和以获得学习者和课程的高质量表达;最后,将得到的学习者表示和课程表示用于学习者-课程链路预测以验证所提方法的有效性。(3)提出了融合多源异构数据的在线教育异质信息网络表示学习方法(MSHDF),一定程度上解决了冷启动和高方差等问题。首先,融合上述LBHIN和OLBHIN,构建在线教育异质信息网络(Online Education Heterogeneous Information Network,OEHIN),旨在解决由于冷启动问题导致的课程推荐效率不高的问题;其次,使用GCN学习元路径的表示,利用多头注意力机制得到元路径的权重,并对元路径的表示进行加权求和得到节点的最终表达,在降低方差的同时,防止过拟合;最后,将学到的学习者表示和课程表示用于课程推荐以验证所提方法的有效性。本文分别在Xuetang X数据集、MOOCCube数据集和Xuetang X平台706门课程对应在线评论数据集上进行了大量实验,采用多种评价指标评估方法的有效性。实验结果表明,本文提出的一系列方法在一定程度上提升了课程推荐的性能,达到了预期的推荐效果。

关键词：课程推荐异质信息网络表示学习多源异构数据多头注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于慕课的在线开放课程推荐算法研究

基于慕课的在线开放课程推荐算法研究

引用

作者：马文蕴山东师范大学

学位级别：硕士

在全球疫情的大爆发的背景下,由于大型在线开放课程(massive open online course,MOOC)平台可以不受地域、时间的影响,在慕课(MOOC)上学习课程成为一种比较简单、便捷的学习方式,人们对于线上课程的需求越来越多。与此同时,越来越多的... 详细信息

在全球疫情的大爆发的背景下,由于大型在线开放课程(massive open online course,MOOC)平台可以不受地域、时间的影响,在慕课(MOOC)上学习课程成为一种比较简单、便捷的学习方式,人们对于线上课程的需求越来越多。与此同时,越来越多的老师、专家学者在慕课上发布自己讲授的课程,为学习者提供了更多的课程选择。但这也带来了信息过载问题,如何在众多的课程列表中选择适合自己的课程成为一个挑战。为了应对这个挑战,慕课上的课程推荐任务(MOOC course recommendation,MCR)成为许多专家学者研究的热点。在慕课上学习课程有以下特点:(1)慕课上拥有类型广泛、数量众多的课程,但这些课程的质量参差不齐。(2)慕课上的课程学习与传统的坐在课堂内的学习不同,学习者大多采用零碎的时间进行学习。(3)在慕课上进行学习的人大多互不相识,他们的历史课程、教育背景和学习目的不尽相同。因此,慕课上的课程推荐任务有以下挑战:(1)学习者的选课数据非常稀疏。由于历史选课记录有限,很难获得每个学习者对于课程的偏好。(2)学习者之间的联系很难直接表示。由于学习者学习课程的时间和空间具有灵活性,课程选择具有多样性,学习者之间的关系与以往线下班级的同学关系不同。为了解决上述在慕课上的课程推荐任务中出现的问题,本文通过考虑不同学习者的选课行为序列,对现有的图神经网络和超图神经网络模型作了适应性改进,用来推荐课程。具体内容如下:(1)本文提出了一个基于图注意力网络的课程推荐算法(CSGMC)。CSGMC模型与一般的课程推荐算法不同,将视角扩大到全局,将跨序列的课程信息考虑进来,根据时间顺序关系构建一个课程顺序图(CSG),然后借助两层加权有向图注意力层对全局视角下的课程顺序图中的课程进行建模,通过注意力机制赋予不同的权重,得到课程嵌入。之后,通过序列编码器(SE)对课程之间的短期顺序关系进行学习。最后,将全局视角下学习到的课程嵌入与短期顺序关系相结合得到学习者对于课程的偏好。(2)在上述算法的基础上,提出了一个基于超边的图神经网络课程推荐算法(HGNN),进一步考虑建模学习者之间的关系。首先,本文将学习者用其所选的课程集合来表示,并进一步将学习者用超图中的超边(hyperedge)来表示,用两个超边之间的重叠关系来表示学习者之间的相关性。之后,应用一个基于超边的图神经网络来推断学习者的表示,并使用注意力机制赋予相邻学习者不同的权重。与通过课程关系图的学习到的序列级的学习者表示进行内积操作,得到最终的学习者表示,从而推断出学习者偏好信息。(3)为评估本文所给出的两个模型的有效性,在慕课(MOOC)数据集Xuetang X上开展了实验。本文同时在真实数据集Movie Lens上开展了实验,以证实本文的解决方案的可扩展性。在实验结果中,能够看到本文提出的两个模型能在两个数据集上都高于其他已有的相关方法,展示了综合考虑课程的全局顺序信息和短期顺序模式的必要性,以及在超图中用超边来建模学习者关系的有效性。

关键词：课程推荐超边嵌入图神经网络注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于隐式反馈的深度强化学习的MOOC课程推荐方法

基于隐式反馈的深度强化学习的MOOC课程推荐方法

引用

作者：张力安徽建筑大学

学位级别：硕士

近年来,随着我国高校招生规模的逐渐扩大,高校人数不断增加,给教师的课堂教学也带来一些困难,如教师在课堂上很难及时了解和把握每位学生的学习情况,导致教师无法及时调整教学方案以更好地满足学生的需求。为了更有效地提高学生自主学... 详细信息

近年来,随着我国高校招生规模的逐渐扩大,高校人数不断增加,给教师的课堂教学也带来一些困难,如教师在课堂上很难及时了解和把握每位学生的学习情况,导致教师无法及时调整教学方案以更好地满足学生的需求。为了更有效地提高学生自主学习效果,在线课程资源推荐显得十分重要,如何在大量的学习资源中快速找到符合学生的课程资源尤为重要,因此课程推荐受到越来越多的关注。通过优质课程资源推荐,学生可以更准确、快速地找到合适自己的个性化学习资源,提升每位学生的学习效果。本文针对在线课程推荐方法进行分析和研究,提出基于隐式反馈的深度强化学习的MOOC课程推荐方法。具体工作如下: (1)实验首先采用公开的Mooc Data数据集,从其中抽取307 224个实体和5种关系构建学生选课信息的知识图谱。然后将学生观看视频的时长作为学生对课程的隐式反馈并且将学生观看视频的实际时长和视频时长的比值作为学生对课程的评分。最后通过知识表示模型将实体和关系映射到同一个向量空间表示知识图谱。 (2)本文提出基于深度强化学习的MOOC课程推荐方法,简称MCRDRL,提高推荐结果的准确度和可解释性。首先采用深度学习领域的多层感知机模型作为深度强化学习的决策网络,对输入的用户对话历史和候选课程数量信息进行提取,得到询问知识点或推荐课程的动作输出。然后以问答交互的形式,多次询问课程的知识点,当用户多次对询问的知识点都是给予正反馈后,此时就是一个合适的推荐时机,系统将会为用户推荐包含用户有过正反馈知识点的课程。 (3)本文提出基于动态图的知识点裁剪的会话推荐方法,简称ACDG,优化候选知识点集合,提高对话质量。首先,推理模块使用图结构的约束特性获得大量候选知识点,然后知识点裁剪模块通过计算候选知识点集与用户当前偏好知识点的相似度过滤与当前用户偏好高度不相关的知识点,最后将用户正反馈知识点的数量也作为状态输入到深度残差Q网络,得到询问或推荐的动作输出。当用户多次对询问的知识点都是给予正反馈后,此时就是一个合适的推荐时机,系统将会为用户推荐包含用户有过正反馈知识点的课程。

关键词：在线教育知识图谱深度强化学习课程推荐会话推荐隐式反馈

来源：评论

学校读者我要写书评

暂无评论

融合语义信息与层次注意网络的课程推荐算法研究与实现

融合语义信息与层次注意网络的课程推荐算法研究与实现

引用

作者：周如鹏桂林电子科技大学

学位级别：硕士

随着互联网技术的不断发展和在线教育的兴起,课程推荐算法的研究变得越来越重要。在线教育平台通过提供大量的学习资源,为学习者提供了便利的学习途径。然而,海量的课程资源也带来了信息过载的问题,学习者需要花费很多时间和精力去筛选... 详细信息

随着互联网技术的不断发展和在线教育的兴起,课程推荐算法的研究变得越来越重要。在线教育平台通过提供大量的学习资源,为学习者提供了便利的学习途径。然而,海量的课程资源也带来了信息过载的问题,学习者需要花费很多时间和精力去筛选符合自己需求的课程。在这情况下,个性化的课程推荐算法成为了解决这个问题的有效方法。课程推荐算法能够根据学习者的个性化需求和兴趣,为其提供更为准确和有用的学习资源推荐。尽管推荐算法的研究工作在其他领域上取得了较好的成果,但在在线课程推荐系统中的应用还相对较少。首先,使用传统课程推荐算法时,存在数据稀疏、冷启动、课程简介等文本中的语义信息未得到充分利用等问题;其次,用户的兴趣偏好是随时间推移而变化的,忽略这一问题导致推荐结果还有待进一步提高。本文提出了融合语义信息与层次注意网络的课程推荐模型来解决上述问题。此外,本文还设计并开发了融合语义信息与层次注意网络的课程推荐系统来验证模型的应用性。具体研究内容如下:(1)针对以往课程推荐中存在在线课程数据稀疏性,忽略了课程简介等属性特征信息的问题,本文提出了基于语义信息提取的课程推荐模型。该模型利用Text CNN来提取课程介绍中的语义信息,得到属性特征更丰富的课程Embbeding;同时针对用户的课程交互会话记录,使用注意力网络挖掘用户对不同课程的兴趣权重,得到用户与交互课程的深层次特征表示,以提高推荐准确度。(2)针对用户的动态兴趣偏好是随时间的推移而变化的问题,本文使用层次注意网络来模拟用户的动态兴趣偏好变化,并充分利用课程的语义信息来进行推荐,进而提出了融合语义信息与层次注意网络的课程推荐模型。该模型使用Text CNN进行语义信息提取后生成课程嵌入向量;为了捕捉用户的动态兴趣偏好,先利用一个注意力网络从用户的学习历史记录中捕获用户的长期兴趣偏好,然后使用另一个注意力网络将长期兴趣偏好与短期会话记录中的不同权重的课程相结合,得出用户最终的兴趣偏好,最终将两者融合并根据其对课程的得分进行推荐。实验结果表明,该模型能生成更加有效的推荐结果。(3)在上述算法改进的基础上,设计并开发了融合语义信息与层次注意网络的课程推荐系统。该系统可以根据用户的学习行为记录生成个性化推荐结果,提高用户的学习效率;同时,该系统收集到的用户行为数据集也为下一步的研究工作提供了数据支撑。

关键词：语义信息课程推荐兴趣偏好注意力网络个性化推荐

来源：评论

学校读者我要写书评

暂无评论

学术社交平台中网络课程推荐模型的研究与应用

学术社交平台中网络课程推荐模型的研究与应用

引用

作者：黄畅华南师范大学

学位级别：硕士

随着社交网络的发展，人们对学习方式的要求同样也在提高，人们已经厌倦了传统的面对面的学习方式，网络教学的学习模式便油然而生，并且受到了广大用户的喜爱。这种教师学生双方自由式的教学模式让人们在学习中感到很轻松，并且提高了... 详细信息

随着社交网络的发展，人们对学习方式的要求同样也在提高，人们已经厌倦了传统的面对面的学习方式，网络教学的学习模式便油然而生，并且受到了广大用户的喜爱。这种教师学生双方自由式的教学模式让人们在学习中感到很轻松，并且提高了学生的学习效率，老师也可以及时的了解学生的学习情况，及时给出对应的教学计划，另一方面对于学生用户来说，打破了传统的面对面学习的模式，避免了只局限于和同班同学之间的交流与学习方式，让学生用户认识了更多兴趣相似的学者，随着学习用户和教学用户的数量不断增加、课程数量猛增以及各种教学资源日益增多，用户便会迷失在这海量的教学资源和信息之中，如何帮助用户在海量信息的社交网络中找到自己感兴趣的课程来进行学习是本文研究的重点。\n 本文提出了课程混合推荐模型，从不同角度和方面来研究社交网络中课程推荐的相关内容，主要内容:基于四度合成的课程混合推荐模型，它是从用户的角度出发，为用户推荐感兴趣的课程来进行学习。模型主要分为四个部分，第一部分主要通过利用当前用户的好友拥有的课程包括已经创建、管理和学习的课程，结合协同过滤的思想，将好友拥有的课程（当前用户未拥有）进行累加，全部作为候选的课程推荐列表;第二部分是对潜在好友所拥有的课程进行推荐，也就是说寻找当前用户的好友的好友所拥有的课程，然后结合第一部分的思想，对潜在好友所拥有的课程进行累加，并全部加入到课程推荐列表;第三部分是通过找出当前用户所拥有课程的教学队伍所拥有的课程，然后结合第一部分的思想，对当前用户所拥有课程的教学队伍所拥有的课程进行累加，并全部加入到课程推荐列表;第四部分是通过找出当前用户学习的所有课程中同班同学所拥有的课程，然后结合第一部分的思想，对当前用户学习的所有课程中同班同学所拥有的课程进行累加，并全部加入到推荐课程列表。通过以上四次推荐的计算，可以得到四种课程推荐列表，然后对四种课程推荐列表进行合成、去重分析，通过随机算法获取最终的课程推荐列表。通过最后的实验对比表明，基于四度合成的课程混合推荐模型的准确性、有效性和稳定性明显更优。

关键词：社交网络课程推荐随机算法网络教学

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的课程推荐与学习预测模型研究

基于深度学习的课程推荐与学习预测模型研究

引用

作者：朱柳青浙江工商大学

学位级别：硕士

随着互联网的迅速发展,网络学习社区已经深入到了广大互联网用户的生活中,其正在以惊人的速度不断地影响着互联网用户的学习。与此同时,也出现了知识过载、学习迷航等新的学习问题。而学习资源的推荐可以解决此类问题,同时也是学习者进... 详细信息

随着互联网的迅速发展,网络学习社区已经深入到了广大互联网用户的生活中,其正在以惊人的速度不断地影响着互联网用户的学习。与此同时,也出现了知识过载、学习迷航等新的学习问题。而学习资源的推荐可以解决此类问题,同时也是学习者进行快速、有效率地学习的一种重要手段。因此,研发学习资源推荐系统,通过分析学习者的学习记录、学习偏好等信息,判断学习者类型,并向学习者推荐符合其学习兴趣的学习资源,这已成为网络学习社区与教育领域的研究热点。本文主要做了以下工作:(1)本文概述了网络在线学习资源的发展状况与未来的发展趋势,同时详细阐述了个性化推荐系统中的一些主要技术及方法,并对个性化推荐技术的原理做了深入的阐述。(2)本文提出了课程资源推荐模型,该模型在NeuMF模型的基础上进行了改进,实现了在用户潜在特征和课程潜在特征训练过程中加入用户信息和课程信息。该方法在原有模型只使用用户编号和项目编号的情况下,通过扩展加入用户性别、职业、课程方向、课程分类等信息特征来进行模型训练。为了验证使用这种方式训练模型的有效性,本文使用慕课网中的实际数据集进行对比实验,结果表明通过该方法获得的训练模型能够比原模型具有更好的性能。(3)本文提出了基于卷积神经网络的学习预测模型,实现了将用户信息和课程信息融入到隐因子分解模型中。该方法通过卷积神经网络从用户ID、用户个人信息提取用户特征信息,从课程ID、课程分类中提取课程特征信息,来构建描述用户和课程关系的关系向量,最后通过计算关系向量获取最终预测结果。为了验证模型的有效性,本文使用慕课网的真实数据进行了与其他模型的对比实验,实验表明该方法能够获得更好的预测效果。

关键词：学习资源深度学习课程推荐学习预测

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的个性化在线课程推荐与管理研究

基于深度学习的个性化在线课程推荐与管理研究

引用

作者：曾彦雨杭州师范大学

学位级别：硕士

“互联网+教育”时代下,各大网络教学平台发展迅速,在线教育用户规模以前所未有的速度增长,使得在线教学逐渐在全国范围内普及。相比于传统教育模式,在线教育不受限于时间和空间,汇集了种类丰富且优质的学习资源,满足了众多学习者的学... 详细信息

“互联网+教育”时代下,各大网络教学平台发展迅速,在线教育用户规模以前所未有的速度增长,使得在线教学逐渐在全国范围内普及。相比于传统教育模式,在线教育不受限于时间和空间,汇集了种类丰富且优质的学习资源,满足了众多学习者的学习需求,实时、详细地记录了学习者的在线学习行为数据,有助于监督学习者养成良好的学习习惯。然而,当面对海量的课程资源和学习资源时,学习者无法在短时间内准确地选择合适的课程资源,当面对庞大的在线行为数据,教师难以直观地了解每个学生的情况,导致对学生学习状态的感知力不足。针对上述问题,本文分别从课程推荐和课程管理两个方面进行研究和解决。 (1)提出融合贝叶斯个性化排序与神经协同过滤的在线课程推荐模型。单一的推荐算法模型只能对低阶的特征信息进行提取,无法挖掘高阶的隐含特征信息,易导致推荐结果不够准确。以神经协同过滤算法(NCF)为切入点,利用贝叶斯个性化排序算法(BPR)提取选课排序信息,有效缓解因数据稀疏产生的问题,并融合多层感知机(MLP)的非线性内核提取高阶特征信息,提升在线课程的推荐质量。通过对比实验证明了该模型的有效性,能缓解数据稀疏导致推荐效果不佳的问题,在一定程度上减少学习者选课的盲目性,提升在线课程的推荐质量,实现在线课程的个性化推荐。 (2)提出基于改进K-Means聚类算法。对传统聚类算法的初始聚类中心选取进行改进,以此来减少算法的不稳定性和随机性。在线学习行为数据具有隐含性,仅输入观看时长、讨论次数、考试成绩等粗粒度行为数据会导致部分信息的丢失,因此,需要构建细粒度行为特征,如:有效学习时长、知识点接受度等,将数据分为学习习惯数据和行为表现数据,从两个角度进行聚类分析,能建立更加全面的聚类模型。实验结果证明了该方法计算能更快地获得最优聚类效果。根据聚类结果为不同类型学习者制订更科学、合理的教学管理方案,针对不同类型的课程提出更准确、更高效的指导意见,有助于提高在线教育课程的管理与实施,获取更好的教学收益,实现在线教育的精确化教学。

关键词：在线教育课程推荐神经协同过滤在线学习行为聚类分析

来源：评论

学校读者我要写书评

暂无评论

基于课程画像的在线教育课程推荐方法研究

基于课程画像的在线教育课程推荐方法研究

引用

作者：刘吴颖哈尔滨工业大学

学位级别：硕士

近年来智慧教育获得快速发展,使得学习者可以获得丰富的学习资源以及自由的学习时间,也使平台积累了海量的在线教学和学习数据,这些数据进一步被用于优化教学质量,从而受到广泛的关注。然而,当前在线教育平台仍然存在以下问题:（1）在... 详细信息

近年来智慧教育获得快速发展,使得学习者可以获得丰富的学习资源以及自由的学习时间,也使平台积累了海量的在线教学和学习数据,这些数据进一步被用于优化教学质量,从而受到广泛的关注。然而,当前在线教育平台仍然存在以下问题:（1）在线课程质量良莠不齐,评价标准亟需规范;（2）同类型课程数量众多,使得学习者难以区分不同课程之间的优劣,无法真正为学习者推荐个性化的课程资源。因此,在线教育亟需规范在线课程评价标准确保课程质量,其次,需要从利于学习者的角度,提高不同课程之间的区分度以及推荐个性化学习课程。因此,有必要对在线课程评价方法进行优化和创新。为实现这一目标,本文提出了一套课程画像指标体系,即一种新的针对课程内容的在线课程评价指标体系,该指标体系包含4个一级指标和14个二级指标,其中有5个指标是课程的隐式特征。本文首先利用三个算法进行指标特征的抽取:使用改进的Fast Text算法对课程介绍文本进行分类,抽取了与课程难度相关的三个特征;使用SVM算法对课程评价进行情感分析,抽取了与课程好评度相关的特征;使用Jaccard相似度对同类课程进行细粒度聚类,计算出了每门课程的知识点覆盖度。进一步地,本文结合AHP层次分析法和熵权法确定了课程画像各级指标的权重,最后,通过使用一种能够反映课程画像突出指标的线性加权模型计算出了课程画像的各指标值,实现了课程画像的构建。综合而言,在课程资源推荐方面,本文基于当前在线教育的场景分析了现有教育资源推荐方法的优缺点,将课程画像和学习者画像进行结合,提出了融合学习者特征和课程特征的基于深度置信网络的课程资源推荐方法。通过使用在线教育平台的真实数据集对实验构想进行了验证,结果表明:课程画像的定义、课程特征的抽取、课程画像指标值的计算方法具有良好的合理性;相对于传统推荐算法,本文提出的融合学习者特征和课程特征的推荐模型在性能上获得了显著的提升。本文提出的研究方法被成功用于构建课程画像及推荐系统并获得初步应用,这对于规范在线课程质量,提高个性化在线教学,提供了有力的参考。

关键词：课程画像特征工程课程推荐在线课程智慧教育

来源：评论

学校读者我要写书评

暂无评论

基于知识图谱的个性化课程推荐算法研究

基于知识图谱的个性化课程推荐算法研究

引用

作者：陈艺桂林电子科技大学

学位级别：硕士

随着云计算、大数据和互联网的迅猛发展,“互联网”已经渗透到人们的生活的方方面面。“互联网+教育”成功地克服了传统线下教育时间和空间的限制并取得了快速的发展。这些公开的在线教育平台通过在线渠道向用户免费提供课程视频观看权... 详细信息

随着云计算、大数据和互联网的迅猛发展,“互联网”已经渗透到人们的生活的方方面面。“互联网+教育”成功地克服了传统线下教育时间和空间的限制并取得了快速的发展。这些公开的在线教育平台通过在线渠道向用户免费提供课程视频观看权限,人们享受着互联网带来的便利的同时也产生了一些问题。在线教育平台的课程数量爆炸式的增长,用户难以高效地选择自己感兴趣的课程,为了解决这个问题,课程推荐系统成为了解决在线教育平台信息超载的有效解决方案之一。虽然推荐算法在其他领域(如:电商平台、新闻推荐等)表现出色,但是在线课程推荐领域的应用仍相对较少。数据稀疏性和冷启动等问题仍是当前在线课程推荐算法需要重点研究的问题之一,而知识图谱所携带的丰富语义信息可以很好地缓解上述问题。针对这些问题,本文提出了一个融合知识图谱的协同过滤推荐算法和基于知识图谱和卷积神经网络的课程推荐算法模型,探究如何利用知识图谱改进现有的课程推荐算法。具体研究内容如下:(1)针对协同过滤推荐算法难以区分隐式反馈历史交互课程的重要性和数据稀疏性等问题,提出了一个融合知识图谱的协同过滤课程推荐算法。该算法利用知识图谱中丰富的语义信息对协同过滤推荐算法进行优化,同时为了更好地区分用户对不同课程的感兴趣程度,提出了一个隐式反馈转化公式,尝试量化用户对不同课程的感兴趣程度,并在清华大学公开的MOOCCube数据集上证明了本文提出的融合知识图谱的协同过滤课程推荐算法的有效性。(2)当学习者对某个学科或领域产生兴趣时,他们更有可能在下一次选课时选择相关的课程,但现有的在线课程推荐模型往往忽略这些信息。针对这个问题,提出了一个基于知识图谱和卷积神经网络的课程推荐算法,使用对应的特征提取模块将用户历史交互信息中的视频、知识点和课程领域等特征信息转换为嵌入向量,将这些向量融合到用户和课程的嵌入表达式中,通过消息传播算法将这些信息传递给相邻节点,这可以更好地建模用户的兴趣和课程的特征,从而提高推荐的准确性。

关键词：在线课程知识图谱课程推荐协同过滤卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共9页 << < 1 2 3 4 5 6 7 8 9 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：