开放网络学习环境中的推荐系统研究

发布时间：2017-08-27 03:21

  本文关键词：开放网络学习环境中的推荐系统研究

  更多相关文章： 开放网络学习环境 推荐系统 遗传算法 多维信息模型

【摘要】：古语云,“秀才不出门,全知天下事”,意思是学识渊博的人,即使不出门,也清楚的知道外面的世界所发生的事情。在遥远的过去,此言犹如痴人说梦。然而科技的发展一日千里。计算机和计算机网络的实现,为人们的生活带来了天翻地覆的变化,也让古人的梦想在现代得到了实现。网络的普及为每个人提供了随时随地获取信息的能力。而开放网络学习环境(Open Network Learning Environment)作为教育系统中的一颗新星,正冉冉升起。它的出现,让人们不用出门,就能获取知识。 然而,信息获取越来越便捷,知识的极速累积,带来了一系列的问题。信息匮乏的时代渐渐离我们远去,新的时代是一个信息过载(Information Overload)的时代。获取信息的可能性已经不再是人们关注的重点。如何慧眼识珠,从开放网络学习环境这张庞大的信息知识网络中寻找到用户所需要的数据,才是当下最大的问题。众所周知,解决信息过载问题的两个代表性方案分别是分类目录和搜索引擎。分类目录的原理是对一些比较热门的网站进行分门别类。用户可以一目了然的根据类别进行查找。搜索引擎能根据关键字,获取用户渴求的资源。但搜索引擎的功能也存在着短板,其原因之一是关键字的选择在搜索过程中起到了决定性作用。这种过分依赖在用户无法准确描述自身需求时制约了搜索引擎的作用。另一方面,仅仅基于关键字的信息检索具有很大的局限性。对那些没有明确需求的用户,搜索引擎无能为力。对于这些客户来说,最好的解决办法是有一种自动化工具能够帮忙进行信息筛选,提出一些可行的建议以供其选择。这时候,推荐系统应运而生。如何得到资源这一问题的解决方案不断变更,已经由单纯的直奔主题的检索过程逐渐进化成了更适应用户使用要求的信息发现。通过分析用户模型,它可以得到用户偏好信息,然后在推荐对象模型进行匹配,并使用适当推荐算法,用于计算筛选对应特征信息,找到符合用户兴趣的推荐对象并进行推荐。 对于开放网络学习环境来说,推荐系统是其至关重要的一个组成部分。它以历史学习者的行为为依据来为现在的使用者提供“智能”推荐服务。这些推荐可能是一些在线动作,比如做一个练习,阅读会议系统上的留言,或者进行在线模拟考试,也可能只是网络中的一个材料。材料推荐是推荐系统在学习环境中最重要的应用之一。推荐系统借助多个用户的意见来帮助某个用户从潜在的大量选择中确定包含自己感兴趣内容的材料和项目。适合当前学习者的阶段性学习材料也能由推荐系统筛选得到。想在特定方面有所进步?学习者将会得到满意的推荐结果。开放学习环境中材料推荐系统的使用,对解决个性化和信息过载这两大问题也有很大作用。 本论文的特色主要有以下几点： 1.设计完成了一个混合推荐系统框架,并在实验过程中成功将该框架应用在日益流行的开放网络学习环境中。 2.为了得到更好更准确的推荐,也为了改善现有学习系统推荐算法中存在的稀疏性问题,本研究把学习者和学习材料的显性属性和隐性属性结合成为了一个统一的模型。本模型包括两个模块。在基于隐性属性的模块中,我们使用了遗传算法,从由历史评价形成的权重向量中筛选出学习者的隐性属性。而在基于显性属性的模块中,我们引入了偏好矩阵(PM),能在一个多维空间中以学习材料的显性属性为基础对学习者的兴趣进行建模。 3.本文把遗传算法和一个多维信息模型组合成为一个统一的模型。利用该模型将学习者的隐性属性和显性属性进行结合,改善了推荐的质量和准确性,解决了稀疏性问题。通过使用本系统,材料提供者可以有方向的提高材料的教学质量,而学生们可以找到合适的在线学习素材。实验结果表明,该方法在准确性度量上优于现有算法,同时能够缓解“冷启动”和稀疏性问题。
【关键词】：开放网络学习环境 推荐系统 遗传算法 多维信息模型
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.3
【目录】：

• 摘要3-5
• Abstract5-8
• 目录8-10
• 第一章 绪论10-21
• 1.1 研究背景及选题意义10-13
• 1.2 发展历程与国内外研究现状13-19
• 1.2.1 发展历程13-15
• 1.2.2 国内外研究现状15-19
• 1.3 论文的架构19-20
• 1.4 本章小结20-21
• 第二章 推荐算法研究21-27
• 2.1 传统推荐算法研究21-25
• 2.2 本文主要工作25-26
• 2.3 本章小结26-27
• 第三章 基于混合属性的学习材料推荐系统27-47
• 3.1 推荐系统框架简介27-29
• 3.2 遗传算法简介29-38
• 3.2.1 产生与发展29
• 3.2.2 基本思想及重要概念29-31
• 3.2.3 算法步骤31-36
• 3.2.3.1 准备工作31-35
• 3.2.3.2 主要步骤35-36
• 3.2.4 性能分析36-38
• 3.3 基于遗传算法的推荐系统38-40
• 3.3.1 隐性属性的优化38-40
• 3.3.2 推荐过程40
• 3.4 基于多维信息模型的推荐系统40-45
• 3.4.1 多维信息建模40-43
• 3.4.2 推荐过程43-45
• 3.5 混合推荐45
• 3.6 本章小结45-47
• 第四章 实验结果及分析47-54
• 4.1 衡量指标和实验数据集47-48
• 4.2 参数设置48-51
• 4.2.1 IAB-CF参数48-50
• 4.2.2 领域尺寸50
• 4.2.3 权重系数α50-51
• 4.3 性能比较51-53
• 4.4 本章小结53-54
• 第五章 结束语54-56
• 参考文献56-61
• 致谢61-62
• 攻读硕士学位期间发表学术论文目录62

【参考文献】

中国期刊全文数据库 前5条

1 方俊;;电子商务系统商品推荐方法浅析[J];大众科技;2010年08期

2 李倩;詹浩;邓阳平;;基于遗传算法的旋转机翼飞机机翼优化设计[J];航空计算技术;2008年06期

3 刘平峰;聂规划;陈冬林;;基于知识的电子商务智能推荐系统平台设计[J];计算机工程与应用;2007年19期

4 马宏伟;张光卫;李鹏;;协同过滤推荐算法综述[J];小型微型计算机系统;2009年07期

5 李德胜;张才仙;陈淑铭;;选择策略对进化算法性能的影响[J];科技资讯;2007年11期

，

本文编号：744128