文摘
这项研究提供了一个英语课程推荐技术的深入研究和分析通过蜜蜂的结合蚁群算法和神经网络算法。在这项研究中,获得文本由深度学习训练与文档向量模型,结合协同过滤方法为用户推荐合适的课程。基于分析技术的研究现状和发展相关的课程资源推荐,深度学习技术应用于课程资源推荐基于当前问题的稀疏数据和低精度的建议。学习资源的重要性的问题给用户随着时间的变化,本研究提出了时间信息融合到神经协同过滤算法通过聚类分类算法,提出了一种基于深度学习课程资源推荐算法更好的推荐用户想要学习的课程在这个阶段迅速。其次,课程余弦相似性计算模型改进的推荐算法。考虑用户的次数的影响率课程和用户评级之间的时间间隔不同课程相似度计算,活跃用户的贡献的余弦相似度降低和时间衰变点球给用户评级课程在不同时期。通过改善混合推荐算法和相似性计算模型,误差值,回忆,当然推荐结果的准确性优于其他算法模型。需求分析确定了个性化网络教学系统与农村中小学学生为主要服务目标,然后设计了推荐系统的总体架构和功能模块和数据库表结构来实现用户注册,登录,和个人中心功能模块,课程发布,欢迎推荐,个性化推荐,问答,评级功能模块。
1。介绍
随着科技的进步,人们已经开发出各种各样的群体智能优化算法,如人工蜂群算法,鸽子的蚁群算法,猫和蚁群算法,通过研究蜜蜂的社会行为,小鸟,蚂蚁,和其他生物在自然界中,用于解决许多复杂的优化问题(1]。这些算法搜索人口个体之间的合作具有较高的灵活性和鲁棒性和广泛应用在许多领域,如自动存储系统、模式识别和控制器调优。然而,随着研究的进展,相关算法的缺点慢慢凸显,如灵敏度算法的初始种群,收敛精度,减轻分为本地和其他缺点。如何优化这些缺点结合实际问题已成为一个研究热点2]。在机器学习领域,集成学习分类方法基于人工蜂群算法调优参数构造的分类器模型有更高的分类精度;物流行业领域的空气,多目标人工蜂群算法优化货物自动存储系统的空间分配问题在实际运输过程中,对问题的局部最优解、收敛精度低的算法本身,一种改进的人工蜂群算法基于群体协作模型和应用提出了提高物流运作效率的分配在机场货物终端(3]。因此,关于这个主题的研究是非常重要的智能算法的广泛应用。算法性能是接收关注不断增长的科学和技术,增加和优化方法是新兴发展的数学和电脑,和每个优化方法都有其特点。对于不同类型的优化问题,可以选择最相关的一个中可用的许多优化算法根据他们的本性。传统的优化方法通常基于梯度搜索,包括梯度下降法,牛顿和Newton-like方法,共轭梯度方法和拉格朗日乘子方法(3]。这些方法通常可以解决只有连续可微的目标函数和不一般的优化问题,需要操作,比如multi-order衍生品和矩阵求逆。此外,传统的优化方法更依赖于初始值的选择的问题,当问题的初始值设置不当,一个贫穷的优化结果通常是获得。因此,传统的优化方法并不是很有效的更复杂的优化问题。
学生用户离线学习的时间和空间的双重影响,而在线学习是相对自由(4]。广大网络上可用的资源供用户选择使他们能够随时随地在线学习,然而如何选择正确的学习课程是网络教学的一个重要组成部分。由于大量的网络资源,这将不可避免地导致冗余资源的质量好与坏,或过量的信息来源,以便用户损失,寻找很长时间才能找到他们所需的资源,并在这个时候,用户可能一直在寻找合适的学习资源的整体情绪抑郁,这是不利于发展的在线学习(5]。有成千上万的用户在互联网上,只有不同的学习课程对不同的用户的建议,不再统一页面,在线教学是进一步转变为个性化在线课程基于比传统线下教学建议。但与此同时,当前的在线教育的缺点也会高亮显示。在线教育是不同于传统的课堂教学,教师交付方法和教学策略应该改变。教师无法看到自己的学生在讲座和理解他们的听力状况,使原本丰富的课堂交互成一个单一的叙事模式,这不仅影响了教学质量,而且也使得教师缺乏动力。学生失去与老师沟通,改变学生的情感与感觉得不到老师的关注和及时的干预。尤其是年轻的学生自学和自律的能力较低,进一步影响到学习效果。教师、学生和家长把更高的要求在教学模式上,交付,质量和在线教育的教育环境。
目前,协同过滤算法课程建议一直相对较好,但可能有一些问题,例如,推荐的准确性和稀疏数据的问题。协同过滤使用大量的评级数据为用户提出建议,但在我们的现实生活中,用户不会她接触的一切,所以用户的评级数据项的不是很完整,导致推荐精度低的问题。在这项研究中,传统的协同过滤算法结合深度学习,以确保更好的课程资源的推荐,因为课程和人的学习重点改变随着时间的推移,以确保建议“最新”和个性化的用户。在这项研究中,我们使用集群和统计处理time-assisted信息和保险丝神经协同过滤算法来减少“旧课程”的影响用户的当前课程推荐,从而增加整个推荐的准确性。
2。现状的研究
各种推荐算法组合起来形成一个推荐系统,所以推荐算法是一个推荐系统最重要的部分。推荐算法的工作通过发现相关信息用户从大量的信息和使用这些信息(如经常观看)。当年GroupLens研究小组进行了一项长期研究开发电影推荐系统给用户带来个性化的体验(6]。同时,他们更进一步,想出了一个新想法的使用协作算法作为推荐系统的关键技术(7]。本研究提出了三个原则应遵循的组合算法设计和组合算法选择,即普遍性、可计算性,和更少的冗余信息,和他们相互关系的初步分析。这三个原则是整个组合算法设计的主要思想和数学模型和算法优化的方向。我们工作生活的变化是由于互联网技术的不断创新和发展,以及网络的进一步扩张,这使得网络资源的便利更明显,但信息过载的现象带来的互联网的不断发展也已成为新的麻烦,带来了新的挑战,互联网的新变化。一方面,互联网的兴起给我们带来了便利,但是随着资源的不断扩大,使得信息过载用户获取信息已经成为一种负担。另一方面,互联网资源开始被高质量的内容,并没有很好的利用。都是一种资源浪费从经济的角度来看8]。搜索引擎的出现缓解了一些担忧的信息过载,同时仍然工作到目前为止(9]。例如,谷歌,基于传统的搜索引擎,结合用户配置文件和用户历史推荐更有效的搜索结果为用户的搜索行为,这是一个传统的方法更有效的补充。这种组合的搜索引擎和推荐系统,必须要指出的是,这也带来了新的改变。
必须要指出的是,这些成功案例的增长道路也是一个时代的不断发展的产物,电子商务范畴的不断扩大,显示的基本类别和分类,甚至应用程序的后续搜索不再能满足用户的需求信息轰炸快速扩张的电子商务类别,因此,引入一组用户的个性化推荐系统已成为一个新的要求,电子商务的发展道路,这也是提高用户的先决条件。林等人介绍了局部和全局信息交互机制在算法的搜索策略10]。不同于上述文学、Yadav和Vishwakarma提出了一个全面的ABC算法探索最优的解决方案通过扩大每个解决方案的搜索区域所有维度(11]。虽然该算法具有更好的优化性能的高维优化问题,时间成本显著增加,而传统的ABC算法(12]。此外,取代了独特的搜索策略的算法与多个搜索策略也可以提高该算法的性能。Kardani等人介绍了微分进化更新方程来加速收敛的雇佣蜂阶段和使用全局最优解决方案指导,提高局部搜索能力(13]。文献[14)提出了两种搜索策略基于最佳解决方案信息和两个随机的解决方案并使用一种自适应机制来动态调整策略的选择概率,和文献[15)使用三个搜索策略具有不同特点构造一个候选人的策略。随着时代经济和社会的变化和不断发展变化,互联网使社会信息传递的速度更快速、更广泛的人与人之间的沟通,人们可以购物,聊天,和通过互联网不离开家里工作,但由于互联网是一个新事物,国家政府和社会没有有效地控制和管理他,所以有一些年轻人沉迷于互联网,甚至个别大学生的过渡沉迷于互联网,和中断大学的学习和生活,和一些肆无忌惮的元素利用互联网进行网络犯罪,危害人民生命和财产安全。
平衡能力的人工蜜蜂群算法探索和收敛精度,改善人工蜜蜂群算法与自适应集团合作模式是创造性地提出并应用于机场货运站调度问题。算法利用小组合作机制引导聘请了蜜蜂的进化方向和下一步搜索下面的蜜蜂。实验数据表明,该方法可以产生复杂的调度问题的最优解,提高解的收敛精度,证明改进后的算法优于原算法。模型的质量往往取决于你的训练数据的质量。我们提出了推荐的方法,因为我们相信课程推荐方法在将来有可能被引用。我们也不否认课程的学术研究进展的建议。它只是表明,现有的研究对实际应用是不够的。需要确保使用的数据是最有效的数据问题。深入学习和其他现代非线性机器学习模型更好地工作在大型数据集,特别是深度学习。这是其中一个主要原因深度学习方法是令人兴奋的。 Methods including improvements to the position update equation, improvements to the dimension update strategy, and improvements to the overall search strategy have been heavily studied and have shown good results on the standard set of test functions. However, as practical applications and the difficulty of the test functions continue to escalate, the artificial bee colony algorithm should be further investigated to make the algorithm more robust or to design a reasonable form of improvement for specific problems.
3所示。群算法结合神经网络算法在分析英语课程推荐技术
3.1。群算法与神经网络相结合的推荐算法的设计
收敛缓慢的主要原因之一,人工蜂群算法的精度不足,只有一个维度更新时,更新食物来源,严重影响搜索的效率(16]。为了克服这个问题,本节提出了一个新的更新战略,其中包括一个多维更新策略和一个高质量的蜜蜂指导策略。蜜蜂在招聘阶段,一个线性变化策略是用来控制维度更新和更新维度变化从一个维度全面维度在整个迭代过程,然后减少再次返回单维度在稍后的阶段,这平衡算法的搜索和开发能力,可以有效地克服过早收敛的问题,加快收敛速度。在观察蜜蜂阶段,提出了一种新的高质量的蜜蜂指导战略给殖民地更多的机会学习宝贵的个人。此外,观察蜜蜂更新更新通过比较他们的位置与当前最优的蜜蜂,然后另外选择一个尺寸,最有可能改善结果,提高算法的精度。
本研究重点是推荐算法的理论基础,和推荐算法一般分为两种形式:非个性化推荐和个性化推荐;非个性化推荐是受欢迎的建议,重要用户行为的数量如评级,浏览,点击物品,物品和大量的行为选择和推荐所有用户为了使每个用户的受欢迎的建议都是一样的内容,所以在一定程度上第一建议可以缓解系统启动问题。和个性化推荐考虑了个体特征和行为数据的用户或项目,并使相似性匹配建议通过分析用户的历史浏览记录和标记。在这项研究中,准确地向用户推荐课程受欢迎的建议是作为辅助建议,关注个性化推荐算法。推荐算法是为了解决信息资源过载的问题在今天的网络,帮助用户找到用户所需要的大量数据;例如,用户已经购买电脑相关的书籍,当用户想要再次购买商品时,系统会优先推荐书籍在电脑上给用户。推荐系统不仅帮助消费者快速找到他们所需要的信息,也提高了系统的保留率和用户体验,所以推荐系统的准确率是特别重要的。
基于内容的推荐的基本思想是向用户推荐项目等项目,用户喜欢,分析用户的历史浏览行为,预测用户的首选内容根据项目内容标记用户,然后推荐顶部N物品标签相似性高的用户,这个建议一般只依赖用户的行为推荐给用户。基于内容的推荐模型图如图1。
首先,项目得到的元数据和信息提取的元数据和数据可用于标签和物品的特征值分解,这一步被称为特征提取。然后,使用这些特征值标签为一组向量和用户特征进行相似性匹配计算,和用户的偏好可以推导出,因此,项目建议。
因为每个推荐算法都有其优点和缺点,我们一般采取混合推荐算法在算法的过程中练习。混合推荐算法结合几种不同的推荐算法在某种程度上,使用一个推荐算法的长处来弥补另一个推荐算法的缺点,结合混合推荐算法有更好的推荐结果比单一的推荐算法。混合在这里不仅是一个混合的算法也选择数据的混合,混合不同的场景,等等,所以,整个推荐算法是最优的(17]。这种方法反映每个推荐算法的推荐的贡献给予不同的权重几个推荐算法和提出建议基于加权后的排名结果候选项集。
协同过滤推荐不需要严格的用户或项目,造型和机器不需要了解项目的具体特点和可以使用用户行为数据提出建议;没有必要获得用户或项目数据,但是也可以使用其他用户的推荐行为的反馈数据,可能会发现用户的潜在兴趣;系统只要获得运行用户行为信息,它可以做协同过滤推荐。在正常情况下,未标记的图片需要被丢弃;否则,标签数据集的总体精度将降低。标签数据集的质量是一个重要的因素,影响算法的训练模式,它有一个相对较大的影响结果。领域的数据仓库元数据分为技术元数据和业务元数据根据其目的。首先,元数据可以提供基于用户的信息。例如,数据项的元数据记录业务描述信息可以帮助用户使用数据。其次,元数据能支持系统的管理和维护的数据。 For example, metadata about the storage method of data items can support the system to access data in the most effective way. The data carrier stores the connection information of the data. It can be a relational database, file system, etc. The task of data ETL (extract, transform, load) operations is completed. For example, the description information of the fields in the database (whether primary key, field type, length) is metadata. The algorithm is based on historical user behaviour data, so there is a cold start problem; when the user behaviour data are sparse or the accuracy of the data cannot be guaranteed, the recommendation is not effective. User-based collaborative filtering is suitable for cases where the number of users is smaller than the number of items and can obtain item recommendations with high novelty; item-based collaborative filtering is an optimization of Amazon’s user-based recommendation algorithm and is suitable for websites with a small and stable number of items and many users. Item-based collaborative filtering algorithms are often used in recommendation systems because some recall methods need to be issued promptly in system development and item-based recommendations are better than user-based recommendations in real time.
深度学习可以处理的低级特征目标到抽象的高级特性计算和描述和表示目标数据具有层次特性。常见的深度学习递归神经网络模型,深信心网络卷积神经网络,递归神经网络(RNN)模型等。主要应用于序列数据的处理。在序列数据操作,首先输入和递归序列的进化方向,和后来的输出取决于前面的计算,所有复发单位以连锁的方式连接形成一个递归神经网络。复发性神经网络有一个很大的优势在学习序列的非线性特性,主要用于语音识别等自然语言处理。一些常见的复发性神经网络双向递归神经网络和长期和短期记忆网络。
一般来说,浅卷积层产量低层特征,如边缘、边界,和线条,随着网络水平的加深,卷积层越深越具体可以获得高级特性。协同过滤推荐技术是比较流行的技术之一。它可以应用于商品的推荐,推荐的电影,和许多其他的地方。它发现这些相同的用户首选项通过分析他们的一些过去的偏好,然后推荐合适的目标用户通过这些用户看到的信息项。这种想法是很好理解的,就像在生活中,人们会做出一些选择通过他们好朋友的建议,如图2。
神经网络的结果取决于网络结构,如激活功能,重量、连接(18]。激活函数的过程中有一个非常重要的角色de-learning和训练人工神经网络。在一个网络中,节点在每一层输入数据转换成输出到下一个节点。
整个优化过程, ,学习速率,需要计算和成本函数的偏导数必须找到反向传播。反向传播一般经历两个阶段,激励传播和重量更新。这两个过程交替周期和停止当达到期望的目标区间。激励传播的过程中,两个主要的阶段,一个是向前传播阶段,这是将输入数据发送到网络的结果。反向传播算法比较结果获得向前传播阶段与目标训练得到的输出输入响应误差。重量更新是更新单个神经元的神经网络的权重,结果从向前传播阶段获得乘以响应误差得到权重得到的梯度误差的方向扩张。这需要倒梯度,然后添加到权重完成权重的更新。
3.2。推荐实验设计的英语课程
Scrapy框架由Python Web爬行的框架,是快速和容易提取页面的内容,在这个框架中,每个人都可以根据自己的需要修改它。它通常是由五个主要部分,一个是调度器;调度程序的主要目的是选择爬下一个网址。一个下载器主要是下载网络上的资源。履带也是整个框架中最重要的部分,和下面这个链接可以自己的需要提取所需的数据。一个是实体管道,这板是存储我们提取到他们想要存储的数据,如数据库,方便搜索。一个是Scrapy引擎,这相当于计算机的CPU对整个Scrapy框架,是整个框架的中心。侦察蜂的搜索操作阶段的人工蜂群算法可以在一定程度上,解决这个问题的算法陷入局部最优,但是它也遭受同样的缺陷与其他启发式优化算法,如局部搜索能力差,减少了搜索效率接近最优解和停滞的可能性,该算法在解决复杂问题时陷入局部最优。改善这一缺陷,本研究提出了一种改进的人工蜂群算法基于纳米算法来代替随机产生个体机制的侦察蜂阶段人工蜂群算法,希望提高局部搜索能力差的缺陷和改进人工蜂群算法的搜索效率,基于优秀的算法的局部搜索能力。
Scrapy框架的操作期间,首先,履带需要Web页面的URL,用户想要爬行和将其传递到调度器通过Scrapy引擎。排序过程后,下载中间件通过Scrapy交给下载引擎。下载器发送一个请求到互联网接收下载响应,它传递给爬虫模块通过Scrapy引擎。爬虫程序下载响应,提取数据,并将其传递到Scrapy引擎为存储实体管道,这是我们想要存储的数据。之后,继续提取下一个周期的URL。爬虫模块后的程序可以停止不发送任何更多的URL请求,如图3。
当模型训练,是一个固定长度的单词是slide-sampled从一个句子,其中一个单词作为预测词和其他人作为输入的单词。单词对应的向量输入单词和段落句子对应的向量作为输入的输入层,和单词在句子中的向量和向量的单词在这个示例是平均或总结,形成一个新的向量X。这个向量X然后用来预测预测词在这个窗口(下一个单词的句子)。每个训练也幻灯片的一小部分单词在句子中的训练,和段落向量训练几块之间共享相同的句子,所以同一个句子多次训练,包含段落的输入向量在每个培训。它可以被认为是句子的主要意思,,,这句话的主要思想是把输入每次培训的一部分。以这种方式在每个训练,不仅词汇训练,而且词向量。同样,正如一个句子是滑带一些单词一次培训,共享段向量为每个训练输入层的一部分,这个向量表达的主要思想变得越来越准确。当预测一个新的句子,单词向量模型和将SoftMax重量投影层到输出层的参数不变,和段落向量随机初始化,放入模型,然后重申基于随机梯度下降法来获取最终的稳定句子向量。在预测过程中,这个词向量模型和将SoftMax投影层到输出层的重量不变,所以只有段落向量更新在连续迭代和所有其他参数都是固定的,它需要很少的时间段落向量计算与预测。
关联规则挖掘技术的建议是非常常见和典型的推荐技术。这种方法也广泛应用在实践层面上,因为它相对简单的实现。它是实现两个主要阶段:首先,过滤最发生的内容数据在所有用户数据和第二定义项目的关联规则。因此,用户的行为是一个重要的基础在关联规则的建议,这个建议,并最终生成个性化推荐的目标用户相互匹配。使用这种方法的困难是,关联规则的挖掘是最关键和耗时的,其次,同义的问题的项目也是一个困难的问题关联规则如图4。
基于用户的协同过滤算法的选择很多邻居用户将如何影响计算结果;邻居的数量越多,精度越高。实验结果如图4指示,可以得出结论,预测误差的改进算法比改进前低。然而,时间损失,皮尔森的相似性的比较,改进的用户相似度,改进后的计算时间维度需要更长的时间,36和51女士,女士分别,但在可接受的范围之内的。在这项研究中,相似性度量是合理改进,减少预测误差(19]。
实验结果对改进的用户相似性措施:本实验使用皮尔逊相关系数和修改Jaccard相似度衡量用户相似度,分别。首先找到的项集都是由两个用户共同评价,但是忽略了的物品不被用户,这可能会让发现邻近用户不准确,尤其是在稀疏的情况下视频评级数据。用户相似性:如果两个用户有大量的共同评价项集,那么他们的相似性可以被认为是高;如果其中一个有很多评级和其他几个,那么它们之间的相似性很低。根据用户的兴趣和行为,它建议他们需要的信息,帮助他们很快发现他们真正需要大量的信息。因此,推荐系统来解决这个问题,用户没有明确的需求和信息过载。推荐系统通常必须建基于以下:流行的标准的产品,用户信息,用户的行为和社会关系。
4所示。结果和分析
4.1。算法性能结果
首先,验证有效性MFABC用人DABC优化的算法,使用的资讯和RF算法为例,分类和比较功能设置只使用分类器(资讯,RF)和分类特征子集后再DABC和分类器优化(KNN-DABC RF-DABC)如图5。在实验中,DABC优化的迭代次数设置为10代,平均分类精度设置为20分。在数据集,有大量的噪音和冗余信息,这扰乱了分类过程在大多数情况下,和DABC的组合分类器可以有效地消除无关信息的特性集,从而提高分类效果。从图5,KNN-DABC和RF-DABC算法分类精度最高的33.34%和23.22%高于资讯和RF算法,分别为4.6%和2.56%,最低的是更高,分别平均高出17.25%和8.92%,分别,所以训练特性集在分类精度有显著改善当使用分类器分类。
DABC训练时只有一个分类器,射频的分类器分类精度最高的是递给蜿蜒,递给螺旋数据集,都在96.83%。支持向量机,广告增加、精细和贝叶斯为PD语音数据集都可以达到100%的准确率。是最好的为PD声学数据集分类支持向量机和侦破具有相同精度95.83%。推荐系统的任务是解决,当用户不能准确地描述他们的需求,搜索引擎过滤无效的问题。连接用户和信息,一方面,帮助用户发现对他们是有价值的信息,另一方面,允许将信息显示在他感兴趣的人,从而实现信息提供者和用户的双赢的局面。侦破为PD语音数据集的分类精度为91.97%。分类器分类有不同的适应性不同的数据集,使用多个分类器可以同时五个数据集进行分类并获得最佳分类结果。因此,使用multi-classifier优化可以准确地获得最合适的分类器和特征子集,有效解决不匹配问题的分类和特性集,因此低精度造成使用单一分类器。
实验中使用的数据从第三章预处理数据,评估标准是均方根误差(RMSE)和平均绝对误差(MAE),和一系列实验后得到的结果。图6分别显示了评价结果的RMSE和梅。RMSE的比较结果表明,五种算法的均方误差实验中超过0.6相比,提出的方法在这项研究中,doc2vec融合基本协同过滤,减少了均方误差小于0.6,0.58113,和几个实验,证明该方法在本研究提出改进大于上述算法的评价结果。美比较的结果表明,所有五个算法的平均绝对误差大于0.2,而doc2vec融合协同过滤算法获得较低的0.19552的平均误差评估。的有效性doc2vec-based协同过滤推荐算法在本章。
执行高性能数值计算可以为机器学习提供强有力的支持和深度学习,和其灵活的数值计算核心是广泛应用于许多其他科学领域。在这项研究中使用这个框架使训练模型的快速和灵活的建设。向量维度”这个词通常约100维,所以本研究从100维度和比较的准确性训练结果100 - 150年,200年,和250 -维词向量,分别。实验结果表明,200 -维词向量训练结果比其他的结果。不同单词的训练向量维度和评论数据集大小比较。100维词向量遭受underfitting,而词向量与大尺寸(250 -维)遭受过度拟合。审查数据集的大小是60000年相比,80000年和100000年和120000年,培训结果为100000年数据集比其他情况下。Underfitting发生在一个数据集的数量是80000由于小数量的数据集,和过度拟合发生在数据集的数量是120000由于大量数据,和准确率降低。因此,在这项研究中,100000个文本数据中使用这个词向量训练过程,和矢量的维数设置为200维度。在这项研究中,通过数据收集和处理在第3章,8000人气带注释的数据得到作为CNN情绪分类模型的训练数据。 Among all the data, more than 100,000 texts of users’ comments on courses are used, and these data are used to do sentiment prediction and classification in the experimental process.
5。英语课程推荐实验的结果
确保用户可以使用系统的正常学习网上课程,本部分对整个系统进行功能测试,防止系统中的漏洞。系统功能测试分为用户功能测试和功能测试。mini-batch送入网络是64,和学习速率是0.001。后300时代,网络逐渐稳定,平均准确率达到98.11%。测试集,测试训练网络,每个表达式如图的准确性7。
进行在线的实验之前,一个情感识别模块需要安装在每个主题的电脑,和在线学习模块后开始运行。学习者使用电脑摄像头捕获的照片当前学习者在学习过程中每10秒和识别照片中的面部表情。在一门课程,知识的难度分,老师解释了它们的方式,学习者的兴趣的课程将直接影响到学习者的学习状态。有情况下,知识是困难的,但学习者学习容易和显示中性或积极的学习状态好老师的教学风格;也有一些情况下,学习者显示消极的学习状态由于困难的知识和教师缺乏教学经验;也有一些情况下,学习者显示消极的学习状态由于低利率的学习者。通过记录学习者的学习状态的时间序列,可以想象在不同的时刻不同学习者的学习状态。如果老师可以了解变化的学习者的学习状态时间序列下,教师需要调整教学策略,改进教学方式,实时和提高教学技能。
在这项研究中,不同的迭代次数设置下人力资源指标和NDCG评价指标,分别观察模型,该模型性能改善与越来越多的迭代。NCF模型执行更好的开始训练,但是这仅仅是早期的训练当模型性能缓慢停止改变,和模型相比,本研究可以实现更好的建议与NCF模型和BPS模型。从实验结果,结合神经网络和矩阵分解可以学习两种线性和非线性用户和项目之间的关系,比单独使用神经网络和有更好的推荐结果。考虑时间因素的影响用户的课程,可以选择更合适的课程推荐给用户,这也显示了改进方法的有效性在这项研究中对课程资源的建议。数据集的爬行,以及处理,主要是介绍,和模型训练和验证实验结果在两种情况下,分别显式和隐式反馈,反馈。在实验评价指标,我们选择几个评价指标RMSE,梅,人力资源,和NDCG进行相关的实验和讨论不同的实验因素对模型的影响。通过实验评估,在这项研究中提出的推荐算法是有效的课程资源的建议,如图8。
应用课程资源推荐算法的推荐是一个重要的推荐系统在生活中的应用。对于学习者来说,课程资源的建议可以推荐相应的课程根据不同的学习需求,更好地提高学习效率;对于课程资源本身,它可以加速消除无效的资源,有较强的研究意义。在算法方面,本研究增加了深度学习传统的协同过滤算法通过不断探索和学习,进一步提高了推荐效果,通过融合time-assisted信息。推荐推荐算法应用到课程资源是一个重要的推荐系统在生活中的应用。对于学习者来说,课程资源的建议可以推荐相应的课程根据不同的学习需求,更好地提高学习效率;对于课程资源本身,它可以加速消除无效的资源,有较强的研究意义。在算法方面,本研究增加了深度学习传统的协同过滤算法通过不断探索和学习,进一步提高了推荐效果,通过融合time-assisted信息。
6。结论
传统的推荐算法更有效;对于这个话题,作了一些改进算法来提高课程推荐效果。首先,相似度计算是提高,和这一主题选择余弦相似性计算用户的相似度和课程,但考虑到如果用户评级为所有课程或行为数据,然后用户参与的价值相似性计算不满足个性化的需求;在这种情况下,我们采取的倒数的对数的课程将由用户评为用户贡献的价值重量;为用户评级,评级的时间课程也可以过滤用户的意图课程,和额定时期课程作为一个负幂函数作为处罚;最后,混合以上两项余弦相似度的改进,实验结果表明,混合模型的误差小于模型的其余部分,所以改进的余弦相似度提高个性化课程推荐的效果。这个系统只使用流行的建议,基于项目协同过滤推荐、基于内容的推荐,,希望用户点击行为的分析和用户评价内容可以添加后,和自然语言处理的介绍来分析用户语义和提供更个性化的推荐效果是下一个关键的研究部分。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
本研究支持的特别资助湖北教育科学规划重点项目2020:研究英语网络教学的质量检测和评价post-epidemic时代za18批准号2020。