文摘

与信息技术的快速发展和数据科学、以及“互联网+”教育的创新概念,个性化在线学习已经收到了广泛的关注在学校教育和家庭教育。教育信息化的发展使得网上学习用户的数量迅速增加,爆炸的学习资源,使学习者面临的困境“信息过载”和“学习失去”的学习过程。在个性化学习资源推荐系统中,最关键的是学习者的建设模式。目前,大多数学习者模型通常有一个缺乏科学的焦点,他们有一个单一的方法获取维度,功能属性,和较低的计算复杂度。这些问题可能会导致分歧学习者的学习能力以及推荐学习资源的困难和可能导致认知超载或迷失方向的学习者在学习过程中。本文的目的是构建一个学习者模型来支持上述问题和大力支持个人学习资源推荐学习资源模型,有效地减少了冷启动的问题,并在推荐过程中稀疏。在本文中,我们分析学习者在学习过程的行为数据和提取的三个特征学习者的认知能力、知识水平,和偏爱学习学习者模型的分析。其中,学习者的偏好模型使用本体,构造和语义关系的知识被更好的理解,和发现学生的学习的兴趣。

1。介绍

教育信息化的深入发展,网络教育是非常受人尊敬的多数学习者(1]。在线教育结合了传统的教学模式和互联网技术,克服传统教育的弊端限制时间,空间和环境,使优质教育资源的共享和重用在大范围内(2]。在线学习(学习)大大提高了学习者的动机,帮助学习者了解知识更全面,提高学习效率和学习效率。在线学习用户的快速增长,学习资源提出了以爆炸性的速度,使学习者面临困难,如“信息过载”和“学习失去了”在学习过程中,学习者必须努力找到他们需要的信息从大量的学习资源(3]。因此,适当的学习资源推动不同学习者个性化学习的重点在网络教育环境中(4]。个性化学习强调学习过程是一个促进整个过程,自由,和谐发展的学生在各方面采用适当方法,方式,内容和评价方法根据他们的个人特征和发展潜力5]。

传统的教学模式有很多因素不利于学习者的学习。首先,教学模式是单一的6]。传统的课堂教学系统把学习者作为一个整体,采用“放之四海而皆准的统一模式”和“duck-fill模式”,主要是“以教师为中心的。”老师传播知识和学习者同时接收它。它忽略了不同学习者的知识水平、学习能力和学习偏好的学习过程(7]。很容易导致一些学习者更积极和消极的态度拒绝学习,导致学习的动机较低。第二,学习活动是受到时间和空间的限制。学生在类只能通过教师传递知识。第三,教育资源不平衡(8]。有一定的教育教学水平的差异在东部,中部,和中国西部地区的教师力量,地理差异,教学资源和教学设备9]。现代教育信息技术模型的出现改变了传统的“教师为中心”模式到“教学个性化和有选择性的学习模式10]。老师能够教正是通过学习者的在线学习行为、学习风格、学习偏好,和其他个人特征;学习者可以通过专家通过互联网访问共享资源,他们可以进入一个社区,适合他们的学习和协作学习与社区合作伙伴(11]。教育信息化模式改变了传统教学的教学缺陷,改变教学方法,真正实现“教学根据材料”和“个性化教学”[12]。为了促进教育信息化的进一步发展,教育部提出了一个新概念,“互联网+教育”在“13日教育信息化的五年计划。“这是希望可以找到一个有效的方式和方法来实现教育信息化的目标,因此,信息技术可以完全和广泛应用于教育领域13]。为了实现个性化的推荐资源和创新的概念“网络+”教育、个性化推荐系统已经出现,如蕴藏,网易公开课,和Coursera课程推荐,移动自主学习课14]。

在移动独立学习,学习者进行自主学习、协作学习、个性化学习通过学习平台根据自己的时间和需要15]。经过多年的应用,教学平台存储大量的教材和学习资源和使用教育数据挖掘分析学习者的学习行为、知识水平,和学习偏好的学习过程和学习过程中发现的缺陷和风险,如图1。总之,为了解决问题的盲目性和不恰当的资源在寻找学习资源,合理使用的数据记录在学习过程中发现学生学习资源相匹配的性格特征(16]。在这篇文章中,我们提出一个学生学习资源推荐模型,研究多维数据的交叉使用。通过结合这两个,一个个性化的资源推荐模型,满足学习者的认知能力、知识水平,学习偏好和学习目标设计,教育资源的扩展和应用推荐应用场景有特殊的学术价值17]。个性化的学习资源推荐模型的建设符合教育学的特点和学习者的学习规则,本研究的应用不仅满足学习者的兴趣和偏好,而且也帮助学习者完成学习目标达到更好的学习效果,具有一定的应用价值(18]。

随着信息技术的发展,大量的数据爆炸利用在商业、城市交通、医疗领域、生物学研究领域。越来越多的学者和研究人员正在研究这些数据。在线教育数据挖掘和应用是一个新的研究热点领域的数据挖掘、人工智能、机器学习、复杂的网络最近,高质量和个性化教育网络教育环境。本文以个性化学习资源推荐的研究和学习偏好在网络教育环境中。在本文中,我们分析的要求,对教育资源的个性化推荐系统“信息过载”问题的巨大的教育资源,提出应用CB-Item CF-SVD + +个性化推荐系统算法的教育资源。个性化教育资源推荐系统包含一个资源浏览功能。推荐系统的推荐和搜索编辑的功能,获取和下载相关资源。此外,它还具有输入教育资源数据的函数和数据更新的功能。

2。相关工作

大卫·戈德堡在1992年首次使用协同过滤在一篇名为“使用协同过滤来编织一个信息挂毯”在施乐帕克研究中心。协同过滤的概念最初是在一篇名为《使用协同过滤挂毯编织一个信息。“如今,大多数web站点使用协同过滤算法在各方面;1995年,麻省理工学院的实验室成功地商业化Pattie Maes推荐系统技术和建立代理;同年,卡内基梅隆大学和斯坦福大学的研究人员共同提出了个性化推荐在美国人工智能协会(AAAI) [19]。同年,卡内基梅隆大学和斯坦福大学的研究人员共同提出了个性化推荐AAAI,他们向全世界揭示了个性化推荐系统,网络观察家和里拉,第一次;它赢得了2006年的Netflix百万美元大奖,这反映了个性化推荐系统的普及发展。自那以后,越来越多的研究人员关注这个领域,和个性化推荐技术的研究迄今为止保持在一个较高的水平(20.]。目前,推荐系统广泛应用于电子商务、电影、音乐、广告、新闻、社交网络和其他领域。特别是在电子商务领域,它已经带来了巨大的商业价值。一些著名的外国网站,通过推荐算法包括亚马逊、Netflix和Hulu。其中,亚马逊提出建议为其产品增加用户的购买速度,导致至少20%的亚马逊的年收入。推荐系统的使用随处可见在亚马逊网站上(21]。

例如,亚马逊的今天的推荐模块可以推荐一些新的货架上商品的用户根据当前流行的产品,用户的购买记录,和浏览记录,可以根据项目解决冷启动问题的建议(22- - - - - -24]。捆绑销售模块通过机器学习技术分析用户的购买行为,并建议经常买一些物品一起给用户。也有其他产品购买的模块,这是一个典型的应用程序基于项目协同过滤推荐算法,帮助用户发现感兴趣的商品。Netflix是一个总部位于美国的在线电影租赁提供商。公司提供大量的dvd免费供用户选择,并将他们(25- - - - - -27]。

时减少dvd用户更改用户的雇佣率增加,用户不满意,Netflix使用推荐系统推荐最喜爱的电影和减少租金,不满意和增加租赁电影。由于Netflix是认真致力于推荐系统,我们建议一个推荐引擎比赛奖励的团队可以提高2006年Netflix推荐引擎。这次活动不仅增强了Netflix的推荐系统的准确性也增强Netflix和吸引人才的流行与Netflix,精通推荐引擎的算法。国外推荐系统研究的重要性是显而易见的。通过准确的个性化推荐,产品提交给客户,以便提高用户体验和发现潜在的购买需求和最终销售增加。在教育领域,推荐系统的研究与应用不是电子商务一样,而是在促进电算化的过程中起着重要作用的教育。目前,电子学习,在国外很受欢迎很多个性化推荐技术,适用于电子学习系统智能地满足学习者的个人需求和偏好,促进相关的学习资源,满足学习者的特点,和个性化学习支持国际清算银行。E前面学习,医生,Moodle等代表的产品在这个领域。此外,推荐技术广泛应用于一些数字教育项目。

直到20世纪末,Resnick等人带头提出个性化推荐的定义。随着国家综合实力的提高和全面的技术成果,如大数据条目,互联网,和人工智能进入人类生活,学习者不满意被动学习面对高速在线学习环境,积极参与到学习中,“信息过载”现在网络学习者所面临的一个严重的问题,个性化推荐系统是一个强大的工具来解决这个问题,吸引了许多学者和研究人员的关注。个性化推荐系统已经成功地应用在许多领域,如商业、信息检索、生物医药、智能城市交通,如亚马逊图书推荐,eBay和Netflix电影推荐。

3所示。个性化推荐系统的总体设计和实现

3.1。设计目标

推荐系统基于本文设计的教育资源是基于合理的资源整合方案和推荐策略作为一个子系统的数字出版资源聚合和交付服务系统和用户个性化定制服务。最终,它使教师和学生获得教育资源快速、轻松地,提高他们的学习效率和资源利用率,并实现高效的数字出版资源对于现代教育行业,如图2。满足上面的业务目标,该系统的设计目标如下:(1)该系统可以快速分析用户行为和教育资源,构建相应的模型,提供高效的推荐引擎,有效解决“冷启动”的问题和稀疏数据。(2)系统具有良好的界面交互,提供丰富的推荐功能,可以提供不同的个性化推荐服务根据不同用户的使用场景。(3)系统可以有效地处理高并发请求和支持大量用户并发访问,同时,它还必须有良好的稳定性。(4)好的可扩展性也是一个因素,必须考虑支持扩展的推荐算法。这需要确保用户和资源的数量继续增长,系统仍能保证高绩效。

3.2。需求分析

本文是推荐系统的核心,所以,分析的重点是必要的推荐系统相关功能。图3显示的功能需求,基于教育资源的推荐系统。因此,系统的基本要求如下:(1)模型构建和推荐算法要求教育资源,作为系统的推荐对象,需要代表的特征属性资源在某种程度上,建立与其他资源和用户兴趣模型。本文主要使用向量空间模型的方法。为此,有必要解析教育资源的内容,包括文本内容的分离和提取的主题关键词,构造特征空间矢量的资源,资源主题使用相关的聚类算法进行分类,并计算个人资源之间的相似性在推荐过程中使用。推荐算法的推荐系统的核心部分,是一个重要的基础上实现各种建议。由于系统是基于教育资源,有必要设计推荐算法根据教育资源的特点和实际情况。此外,在推荐系统中,数据刺激问题和“冷启动”的问题是不可避免的。在本文中,我们研究和分析传统协同过滤,以有效地减少对推荐效果的影响,结合基于模型的基于内容的三个算法和基于项目协同过滤和加权混合推理模型。协同过滤推荐算法不能实时计算大量的大数据。协同过滤算法不能实时向用户提出建议,由于大量的计算在大数据的情况下。协同过滤算法基于加权混合推荐模型有效地解决了这一问题。在基于模型的协同过滤算法,该模型与历史数据训练,平均评级的评级矩阵加权的行和列,和相应的α和β应根据设置的贡献平均加权平均加权评级的评级的用户和项目。提出了三个公式,用户的平均加权分数我是计算 在哪里K用户评分项的总数吗我和k未分级的项目的评级吗我由用户k。加权平均用户评级的和普通用户评级的用户的评级和平均偏差的平均评级未分级的项目。的公式计算的平均加权分数项我如下: 在哪里问的总数是评级项目空间的用户u;k的值是用户u的评级吗问。的平均加权评分项的总和项目和平均偏差的平均评级的评级未分级的项目我每个用户的用户设置的平均评级的用户。加权分数然后综合得到的公式 这导致一个综合加权分数后未分级的项目和填充相应的物品,物品的矩阵有一个分数项我和j。通过引入贡献确定参数α和β综合加权评分由两部分组成,用户的主观评分和客观评价因素的物品,和的贡献两个公式是不同的,因为除了测定参数的推荐结果更准确。(2)推荐的功能需求推荐推荐算法的函数是一个特定的应用程序模块。多个推荐算法可以应用于相同的推荐功能,和相同的推荐算法可以应用于多个推荐功能。为了提供丰富和师生更好的个性化推荐服务,该系统将提供以下建议功能:当用户推荐相关的资源下载资源,推荐基于用户评分,当用户搜索和个性化搜索服务资源。(3)用户基本功能需求系统分为两个角色:系统管理员和普通用户。一般用户的角色对应的实际应用场景的大多数教师和学生。因此,系统首先需要提供登录和注册功能,用户进入系统的入口,可以设置用户的等级,主题,兴趣,和其他属性,这也为构建用户模型提供数据。该系统作为一个共享平台在教育资源方面,为教师和学生提供大量和丰富的教学资源,资源检索等功能,在线浏览,上传和下载都是必要的。此外,资源评分和评论功能推荐系统是非常重要的。它不仅帮助其他用户理解资源推荐系统也是一个重要的基础来分析用户的利益和提供个性化服务。对于系统管理员来说,这也是系统中一个重要的参与者。其主要职责是维护这个系统,这系统赋予它更多的管理功能,主要是系统管理、资源管理和用户管理。管理员使用这些函数直接或间接地影响各种模型建设、挖掘算法和推荐策略,因此整个推荐系统的操作。

用户的基本功能需求分为以下功能模块:(1)资源浏览功能模块在成功登录之后,用户可以浏览所有教学资源和查看他们的排名,如发布时间、下载数量、等级和上传。他们还可以搜索他们想要的资源类别下查看和检索关键词他们所需的资源;此外,他们需要视觉上显示用户详细信息资源,如资源名称、资源类别、资源描述,上传。还需要显示详细信息给用户的资源,如资源名称、资源分类、资源描述,上传日期,下载,上传名称和用户类型,资源评价和资源得分,和其他的资源信息。(2)上传和下载功能模块用户可以上传和下载资源,学生用户上传的资源不会立即被释放,直到老师用户登录,进入资源评论,你可以看到所有的资源,这些资源将被释放,如果他们通过审查,如果他们不通过审查,他们通过老师的用户将被删除。当用户找到他们所需的资源,他们可以下载在本地进行研究。(3)评分和评论功能模块当用户使用的资源,他们可以提供反馈和评级的优缺点的资源通过评分和评论,这样优秀的资源可以更全面地认识和使用和帮助其他用户更好的找到他们需要的资源选择。通过评论,用户还可以讨论和分享过程中碰到的问题和学习经验的使用资源的沟通和交流。(4)消息提醒功能模块当学生不通过老师上传的资源的用户评论和删除,学生用户通过现场通知消息,这样学生就可以完全掌握其上传资源的情况;当用户上传的资源获得新的评论,用户也通过现场消息通知,以便用户可以理解的评价由其他用户上传的资源,更好地刺激用户提高其上传资源的质量,从而优化整个教学资源管理系统的目的是优化整个系统。(5)家庭教学资源推荐模块当学生登录系统访问主页,推荐系统将计算教学资源的推荐列表显示在主页上基于当前学生用户的过去偏好教学资源和教学资源的属性目前系统中帮助学生发现用户可能感兴趣的教学资源。(6)教学资源详细信息页面推荐模块当学生登录系统访问教学资源的详细页面,推荐系统将推荐教学资源与教学资源目前浏览和感兴趣的可能是当前学生根据教学资源目前浏览,他们过去的教学资源偏好和教学资源的属性目前系统中。(7)资源管理功能模块教师用户可以编辑和删除资源。编辑包括修改标题、描述和分类的资源和删除无效的或不需要的资源,使图书馆的资源更标准化,合理化。教师用户可以动态地管理资源的分类,包括添加新的分类,修改分类名称,和删除分类操作。立即更新资源分类的目的资源多样化。删除类别可以删除空类别的操作,也就是说,没有资源在一个类别,或删除资源类别下的所有资源,也就是说,当一个类别的资源到期或需要,实现批量删除资源的目的根据资源类别。教师用户可以删除评论,如果有恶意,不准确,或者毫无价值的评论和删除站点达到净化的目的,更好的帮助用户快速、准确地定位资源,找到他们所需要的东西。(8)系统管理模块这个模块主要是由系统管理员完成。对于系统管理员来说,这也是系统的一个重要参与者。它的主要职责是维护系统;因此,这个系统赋予它更多的管理功能,主要是系统管理、资源管理和用户管理。管理员使用这些函数直接或间接地影响各种模型建立、挖掘算法,和推荐策略,进而影响整个推荐系统的操作。

3.3。系统架构设计

推荐系统的架构设计本文分为三层:用户界面层、业务层和数据层。系统的架构如图4。(1)用户界面层用户界面层负责用户和系统之间的交互,响应用户请求和显示内容的结果,如登录和注册,浏览信息设置和资源。此外,这一层还记录了用户的访问网站。用户的访问记录包括浏览资源,收集资源,采购资源,和评论资源。这些用户的行为将被记录在用户行为日志数据库。(2)业务层这一层主要实现了核心业务逻辑的搜索建议,包括以下两个模块。第一个模块是推荐模块。这个子系统主要是分析和计算用户信息、用户行为和教学资源信息和建立一个模型,使用demographics-based,改进的基于内容的推荐算法,改进了基于项目协同过滤算法,和其他的推荐策略来设计自适应推荐组合策略,并选择不同的推荐算法为用户推荐资源根据不同的场景。这一层实现了资源的推荐功能并提交推荐结果显示的用户界面层。这一层包括两个方面:一方面,它使用相关的融合技术来实现合成不同算法的优势互补的优势;另一方面,发展一些过滤规则过滤掉资源产品和运营的角度不符合条件或实际需要。第二个模块是离线模块。离线层的主要功能是分析和处理数据在数据层和推荐算法的推荐提供数据支持层,主要包括以下两个方面:资源模型的初始建设和调整;分析数据的基础上,采用相关的数据挖掘算法。(3)数据层它提供基本的数据存储服务和备份和灾难恢复工作,确保安全、可靠的数据。按照不同的应用需求,存储层细分为一个数据库存储用户信息,存储教育资源信息数据库,日志数据库来存储用户的行为。用户信息数据库主要用于存储个人用户注册时填写的信息,包括用户ID、用户名、登录密码,加密用户的,用户的县,市,和用户的单位和用户偏好信息,包括学校部分科目的成绩,版本,用户关注。资源信息数据库主要用于存储各种教育资源,如课堂录音和其他类型的资源。用户行为日志数据库主要用于存储用户的各种操作行为,如浏览、收集、采购、评论、和其他历史记录,用于建立用户偏好模型在随后阶段的分析,如图5。

4所示。系统优化测试

在设计和实现个性化推荐系统的教学资源,推荐模型需要调整和评估,因此需要评估算法,评估测试主要是由离线方法。评价算法中起着非常重要的作用作为测量标准推荐推荐系统的有效性。用户评价数据的资源也可以从数据库中获得用户的行为,如购买、收藏和评论,然后处理得到综合评级。在这个实验中,超过500用户提供更多的评级,评级数据超过400资源的选择这些用户根据用户评分,这些数据被过滤,过滤掉用户ID、资源ID、综合评级,评级的学生。最后的评级矩阵是通过隐式评分。一般来说,个性化推荐算法是基于开源的数据集,如电影镜头,这是最古老的推荐系统。成立由集团项目组镜头计算机科学与工程学院的明尼苏达大学的非商业,实验地点为研究目的。它的主要功能是向用户推荐感兴趣的电影。为了使推荐算法更广泛使用,为教育技术的发展,在教育实验数据和结果的正确性进行了分析。此外,为了调查教育数据的特殊性,本文还在电影镜头数据集进行实验,最后比较两个实验的结果来分析教育的特征数据。 In this experiment, the CB-Item CF algorithm, SVD++ algorithm, and CB-Item CF- SVD++ algorithm will be compared, and Figure6显示精度的比较得到不同的推荐算法使用不同的K值(最近的邻居)。

根据上面的图,当k是60,圣言+ +算法的精度最高是68.51%,而CB-Item CF的准确性——圣言+ +算法本文是72.52%,这是最准确的推荐算法在这个实验中,所以可以看出,改进算法比原算法更好的性能。在接下来的实验用电影镜头,电影镜头的数据是评价在1 - 5的范围,我们选择美测量CB-Item CF算法的性能,计算+ +算法,CB-Item CF -圣言+ +算法在电影镜头数据。图7显示了不同这三种算法的性能k值。

我们可以看到在图8,CB-Item CF算法执行的相当好,但CB-Item CF-SVD + +本文算法性能更好。通过以上实验,可以看出,本文的算法可以使系统中的推荐结果更准确,和改进算法的性能已得到改进。CB-item需要准备prestudy教案根据学习者的特点和理解能力和发送prestudy教案通过移动学习者自主学习平台,之后根据老师的学习者prestudy prestudy教案和自己的实际情况,而父母也需要宝贵的时间来关注学习者的学习和上课前prestudy和监督他们。

学习平台,学生、老师和家长使用他们的移动设备来交流,相互作用,相互影响和实现各自的目的,如教师完成备课,讲课,作业和课堂评价;学习者完成预试、预试听课,记笔记,画思维导图,等等;父母主要完成监督和指导学习者同时获得实时信息在学习者的学校。父母主要是负责监督和指导学习者,以及获取实时信息对学习者的评估结果在学校,接触后的情况。(1)在进行新课之前,为了确保学习者能更快速的接受新知识,teacher-learner-parent三和弦需要帮助的prestudy新知识。(2)在预试阶段,相关的介绍是专为预试介绍根据教学内容学到的教训,和学习者掌握预试的问题进行了分析。在这种情况下,父母也应该鼓励和表扬学生教。(3)解释的重要阶段和难点,学习者会遇到许多重要和难点进行预测阶段完成后测试问题,因为老师还没有教学习者系统,他们在这一阶段,老师会详细解释的重要和困难点,和学习者应该仔细听并完成写笔记的问题在这个过程中。(4)postpractice链接,为了测试学生的学习在课堂上,教师设计postpractice问题,学习者完成试题从而达到巩固知识的作用,与此同时,家长检查孩子的学习的影响通过postpractice在线。

5。结论

信息时代的不断发展,特别是移动互联网的稳定发展,人口正在迅速进入大数据的时代。相比的信息量的快速增长,人们并没有获得显著的变化的速度获取新知识和获得新的能力。信息的个性化推荐是让用户只需要处理推荐的部分信息近似或超过产生的效应,可以处理之前的所有信息。在学习的过程中,人们掌握的知识将由于各种原因,在教学过程中,教师只能采用统一的课程安排的方法,只需要照顾大多数人由于有限能源的讲座和课外作业。因此,数据挖掘方法的组合可以个性化教学用具对于不同的学生来说,这已成为一个热点研究课题。作为教育过程的重要组成部分,个性化推荐的练习更为重要。

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

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。