隨著互聯(lián)網(wǎng)應用的飛速發(fā)展和信息資源的指數(shù)級增長,在線教育資源愈加豐富,但同時也為學習者個性化選擇帶來困難。如何根據(jù)學習者的需求從海量的資源中精準定位相關(guān)資源,并為之提供個性化的在線教育服務,這成為專家、學者共同關(guān)注的問題。本文對協(xié)同過濾推薦算法提出改進,在傳統(tǒng)算法的基礎(chǔ)上采用雙屬性評分矩陣進行屬性劃分并使用BP神經(jīng)網(wǎng)絡(luò)進行評分預測,以填補評分矩陣,解決傳統(tǒng)算法因“冷啟動”、評分數(shù)據(jù)過于稀疏所造成的推薦質(zhì)量下降的問題,并采用公開數(shù)據(jù)集證明了改進算法的有效性。最后利用改進算法為在線學習平臺的學習者推薦學習資源,并在遠程教育學習平臺上設(shè)計并實現(xiàn)了一個學習資源推薦系統(tǒng)。論文的主要工作如下:1、對國內(nèi)外在線教育學習資源和推薦系統(tǒng)的研究現(xiàn)狀進行了闡述,表明了對學習者進行學習資源推薦的實際研究意義和應用價值。2、對推薦系統(tǒng)的發(fā)展歷史進行了綜述,介紹了推薦系統(tǒng)的概念、常用的實驗方法、測評指標等內(nèi)容,并對推薦算法及不同算法之間的差異進行了詳細論述。最后總結(jié)了學習資源的組織形式、神經(jīng)網(wǎng)絡(luò)等相關(guān)概念。3、提出一種基于雙屬性評分矩陣及神經(jīng)網(wǎng)絡(luò)的協(xié)同推薦算法。通過用戶信息以及項目屬性特征,建立用戶屬性-項目屬性評分矩陣及用戶屬性偏好模型,使用BP神經(jīng)網(wǎng)絡(luò)對偏好模型進行訓練,對已知屬性未評分的項目進行評分預測,緩解評分矩陣過于稀疏的問題。在新用戶/新項目初次進入系統(tǒng)時,獲取其特征值,并依次與雙屬性評分矩陣進行匹配,選取匹配度較高的項目/用戶進行推薦,解決“冷啟動”問題。實驗表明,本文所提的改進算法可有效緩解評分矩陣的稀疏性問題,提高推薦算法的質(zhì)量,并在“冷啟動”情況下,也提供了有效數(shù)目的推薦。4、將改進算法應用于在線教育中學習資源的獲取,包括對學習資源的標準化處理、學習者信息及顯隱式評分信息的采集、學習者興趣偏好模型的訓練等。最后采用學習平臺歷史數(shù)據(jù)驗證改進算法在學習資源推薦中的有效性和正確性。5、構(gòu)建基于在線教育的學習資源推薦系統(tǒng),并對系統(tǒng)各模塊進行設(shè)計與實現(xiàn),對開發(fā)平臺及工具進行描述,對實際開發(fā)效果進行軟件測試。通過推薦系統(tǒng)模塊間的整合,為學習者提供較好的個性化資源推薦服務,提高了學習者的學習效率,完善其學習體驗,為今后進一步的研究和應用奠定基礎(chǔ)。
【學位單位】：西安電子科技大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TP391.3;G434
【部分圖文】：

1 研究背景和意義隨著互聯(lián)網(wǎng)與信息技術(shù)的不斷發(fā)展、智能終端的普及、4G 網(wǎng)絡(luò)和無線網(wǎng)絡(luò)覆蓋使得人們的生活、工作都發(fā)生了巨大的變化。人們以網(wǎng)絡(luò)為介質(zhì)，遠程資源的學習方式也在不斷發(fā)展，學習者可通過網(wǎng)絡(luò)課件或其他學習資源進行受時間和空間的限制。E-Learning 即數(shù)字化學習，主要是指以多媒體資源與信息技術(shù)為核心，通過成跨時空、跨地域的教與學的教育形式。學習者可在 E-Learning 平臺完成課、提問、作業(yè)上傳、資源下載等；教師可通過上傳學習資源、錄制音視頻、答疑等完成教學任務。我國遠程教育從 1998 年發(fā)展至今，先后經(jīng)歷了函授、電子遠程、交互式媒體、互動網(wǎng)絡(luò)教學模式等階段，近幾年科學技術(shù)的進戶規(guī)模也得到快速增長[1]。根據(jù) CNNIC 在 2017 年 6 月發(fā)布的《中國互聯(lián)網(wǎng)況統(tǒng)計報告》顯示[2]，我國在線教育的用戶規(guī)模已達 1.44 億，市場規(guī)模也在，已達 1916.7 億元。隨著越來越多的用戶選擇在線學習，在線教育的市場有進一步的發(fā)展，預計 2018 年將達到 2321.2 億元，如圖 1.1 所示。

圖1.2 M-P 神經(jīng)元模型神經(jīng)網(wǎng)絡(luò)發(fā)展至今，在信號處理、模式識別與人工智能等多個領(lǐng)域都取得了究[24]。3 研究內(nèi)容本論文以西安電子科技大學網(wǎng)絡(luò)與繼續(xù)教育學院的學生為主要研究對象，對歷史評價及學習行為數(shù)據(jù)進行處理和分析，對在線教育平臺的學習資源進行標模，最后為學生進行個性化的學習資源推薦，主要研究工作如下：1、首先對本文的研究背景進行了介紹，明確了學習資源個性化推薦對提高習效率的意義，然后對國內(nèi)外關(guān)于學習資源、推薦技術(shù)和神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀理論做了簡要介紹。2、在分析現(xiàn)有學習平臺推薦方法的優(yōu)缺點之上，提出了基于雙屬性評分矩經(jīng)網(wǎng)絡(luò)的協(xié)同推薦算法，對解決傳統(tǒng)推薦算法因評分數(shù)據(jù)過于稀疏、“冷啟動

學習元構(gòu)成元素
【參考文獻】

相關(guān)期刊論文 前10條

1 于洪;李俊華;;一種解決新項目冷啟動問題的推薦算法[J];軟件學報;2015年06期

2 朱揚勇;孫婧;;推薦系統(tǒng)研究進展[J];計算機科學與探索;2015年05期

3 熊頻;胡小勇;;面向智慧校園的學習資源建設(shè)研究:趨勢與建議[J];教育信息技術(shù);2014年05期

4 胡勛;孟祥武;張玉潔;史艷翠;;一種融合項目特征和移動用戶信任關(guān)系的推薦算法[J];軟件學報;2014年08期

5 王國霞;劉賀平;;個性化推薦系統(tǒng)綜述[J];計算機工程與應用;2012年07期

6 辛菊琴;蔣艷;舒少龍;;綜合用戶偏好模型和BP神經(jīng)網(wǎng)絡(luò)的個性化推薦[J];計算機工程與應用;2013年02期

7 張付志;�？★L;王棟;;基于Widrow-Hoff神經(jīng)網(wǎng)絡(luò)的多指標推薦算法[J];模式識別與人工智能;2011年02期

8 滕欣欣;;國內(nèi)遠程教育發(fā)展現(xiàn)狀和趨勢探究[J];中國教育技術(shù)裝備;2011年03期

9 楊現(xiàn)民;余勝泉;;泛在學習環(huán)境下的學習資源信息模型構(gòu)建[J];中國電化教育;2010年09期

10 張磊;陳俊亮;孟祥武;沈筱彥;段錕;;基于BP神經(jīng)網(wǎng)絡(luò)的協(xié)作過濾推薦算法[J];北京郵電大學學報;2009年06期

相關(guān)博士學位論文 前2條

1 尹航;信息推薦系統(tǒng)中的協(xié)同過濾技術(shù)研究[D];東北大學;2012年

2 張磊;個性化推薦和搜索中若干關(guān)鍵問題的研究[D];北京郵電大學;2009年

相關(guān)碩士學位論文 前4條

1 黃濤;基于神經(jīng)網(wǎng)絡(luò)的個性化推薦算法研究與設(shè)計[D];重慶大學;2016年

2 張騰季;個性化混合推薦算法的研究[D];浙江大學;2013年

3 陳紅珍;網(wǎng)絡(luò)學習行為及學習過程監(jiān)控方法研究[D];東北師范大學;2011年

4 蔡俊;基于數(shù)據(jù)倉庫的點擊流技術(shù)的研究[D];江蘇大學;2009年

本文編號：2866718