论文部分内容阅读
随着新兴计算机技术快速崛起和在线学习平台数量的增多,学习资源形式也越来越多样化,同时也造成教育资源规模呈指数式增长,导致学习者从海量的学习资源中选择合适资源开展学习的难度随之增大,如何在海量学习资源中筛选有价值的学习资源已成为在线学习领域的一大难题。对于在线学习平台,向学习者推荐个性化学习资源能够有效帮助学习者处理资源过载?知识碎片化等问题,如何为学习者提供个性化学习资源推荐服务成为了在线学习平台的一个挑战。在线学习平台中产生了大量的历史学习数据,在线学习资源中有大量的潜在信息可供获取,因此,构建基于深度学习的个性化在线学习资源推荐方法是可行的。本研究针对上述问题,主要做了以下工作:(1)针对在线学习平台中个性化资源推荐技术研究的国内外研究现状进行了梳理与分析,然后从个性化学习资源推荐研究的角度出发,作了较为全面的文献综述并且总结了相关技术,为本文研究工作的开展提供了理论指导和技术支持。(2)提出了一种多模协同支配的个性化学习资源推荐模型,首先设计基于互信息特征选择模型MIFS的深度神经网络输入优化策略,建立了学习者-资源二部图关联模型下的输出直观化描述,其次利用深度神经网络训练获得资源推荐模型,实现个性化学习资源推荐,实验结果表明该推荐方法适应性较好,且表现出较好的推荐性能。(3)在上述方法的基础上,考虑到学习者兴趣可能会随着时间迁移而发生改变,因此提出一种基于特征加权优化的个性化学习资源推荐模型,该方法聚焦在几个重要的学习者与学习资源关联特征,将推荐问题看作多目标问题,为此构建了若干个子目标函数,并通过深度神经网络动态调整特征的权重值赋予子目标函数,线性加权为最终的多目标函数,最后求解函数并获取个性化学习资源推荐序列,实验结果表明该方法是可行的且具有高效性和稳定性。(4)为了更加直观地展示本文推荐方法的效果,初步实现了推荐平台,实现了深度神经网络算法,主要针对推荐平台的架构设计、数据关联以及推荐模块的结果展示作了阐述,推荐平台主要是基于上述推荐方法,上述推荐方法的性能已经得到验证,推荐平台的初步实现进一步说明了在实际运用过程中是能够向学习者提供个性化学习资源推荐服务的。利用深度学习算法对数据适应性强、处理性能好等特点,将其用于学习者偏好、学习者的特征类型等方面的分析研究,对学习者偏好的预测准确度高,进而改善学习者在线学习的体验与效果,因此研究如何将个性化推荐应用在线学习平台中是具有实践意义与必要性的。