论文部分内容阅读
近年来,随着网络的高速发展,相关的应用也得到了长足的发展。基于互联网的在线学习系统使得学习者能够无视时间地理的差异化且更加便捷的学习。其不拘泥于课堂学习的特性,极大的满足了当代教育终生学习的特征需求,也丰富了教育的多样性。随着在线学习系统在社会的逐步应用,学生可以通过应用平台展开端对端的数字化学习以及泛化学习。传统的在线学习系统更多的专注于教育资源的整合,却没有针对不同学生进行个性化的资源推荐。简单的将传统web推荐算法移植到在线学习系统上时,由于没有考虑学生兴趣随时间的迁移,完成个性化推荐学习效果较差。针对传统推荐对兴趣随时间变化考虑的不足,本文引入LDA时间加权协同过滤计算用户的资源兴趣概率分布,结合时间兴趣因子计算用户间的相似度完成协同推荐;为了解决协同算法的冷启动问题并加以考量知识间的关系,引入知识单元闭包,将其与前者组合完成最终推荐分析。本文比较分析几种常见的推荐算法优缺点,基于时间维度上的兴趣迁移与知识单元闭包,提出了满足在线学习系统推荐要求的混合推荐算法。该算法能够通过分析学生学习路径主题来分析学生的学习目的以及兴趣,通过吉布斯采样得到各个主题的分布,以及主题对应学习资源的分布,最终得到用户的兴趣模型,结合最小知识单元闭包关联规则算法,从而实现资源推荐。设计对比实验,根据结果,从准确度、召回率、F-measure以及平均误差角度验证了相较于传统的User-CF、基于项目信息的协同过滤推荐算法(IA-CF),改进的混合算法提高了资源推荐的准确度。研究的主要工作如下:1.研究分析在线学习平台的发展历史,了解了个性化推荐在在线学习中应用的迫切性与可操作性需求。2.从常用推荐算法的优缺点及其与在线学习系统的推荐需求异同介绍出发,分析得出设计面向在线学习系统推荐算法的必要性。3.结合关联规则发现的知识单元闭包和基于LDA时间加权协同过滤分析学习路径,对传统的基于关联规则与协同过滤混合算法进行了改进。该算法基于学习路径主题兴趣分析,结合时间兴趣因子求得学生相似度,结合知识单元闭包完成个性化推荐。4.收集数据,设计对比试验,从召回率,精确度,F-measure角度验证了改进混合算法相较于传统的推荐算法的优越性。5.最后对当下的工作进行总结,针对当前算法不足,对未来的工作展开讨论与展望。