改善孩子们的经验在一个移动EdTech通过推荐系统平台

文摘

微笑,学习是一个EdTech数字出版商提供了一个智能图书馆近100教育故事和游戏为移动设备应用程序旨在2至10岁的儿童和他们的家庭。鉴于导航内容的复杂性,推荐系统的开发。系统由两个主要组件:一个生成内容的建议,另一个为家长和教育工作者提供相关的解释和建议。前者是实现为一个混合推荐系统相结合三种建议。其中,我们引入协同过滤与年轻用户相关适应克服特定的限制。描述的方法在这个工作是测试平台的实际用户。实验结果表明,这一建议模型是适合儿童建议应用程序和增加他们的订婚的使用时间和数量的比赛。

1。介绍

微笑,学习是一个EdTech数字出版商创建和分发教育移动应用为2 - 10岁儿童和他们的家庭。大约100公司提供智能图书馆的故事和游戏应用程序提供一个完整的教育经历。

除了提供内容,图书馆有一个智能组件,收集用户信息和分析性能跨应用程序获得详细的快照。随着时间的推移,信息可以使用国家和进步家长和教育者都作为一个早期预警机制,跟踪儿童发展。

使用技术来提高学习的想法并不新鲜。然而,电子设备应用的普及,教育环境和在家里,创造了新的机会来研究用户行为和性能。这使得开发范围广泛的应用程序执行任务像监测进展1和学生疲劳2],脚手架学习者[3),建议开放教育资源(4],学习者建模[5),或预测未来的表现6,7),和其他很多。在这些系统的一些工作方式对用户不透明,其他人提供直接反馈给用户或者教育家8]。

微笑和学习打算逐步添加这种功能智能库,基于元数据来自越来越多的应用程序之间的交互。与其他工具和一个有限的范围,关注搜索进展有限区域像编程9),甚至更像一个泛型类(10),智能库遵循更多的全球方法。它是接近的目标系统所描述的Lopez-Fernandez et al。11)工程领域的学生,因为它涵盖了广泛的认知能力与学习的价值。

由于大量的替代品,该公司认为有必要开发一个推荐系统来帮助用户浏览图书馆,增加他们接触和应用程序,他们使用的多样性。在本文中,我们将彻底描述实现推荐系统的功能。此外,我们将评估系统的性能而言,建议建议用户如何影响游戏和上场时间的数量。

推荐系统是一个非常活跃的研究领域12- - - - - -14]。应用程序显示更多潜在的领域中,我们可以提到教育。的研究工作致力于这个领域是非常重要的,所以是输出的学术出版物和报告在会议(15,16]。

推荐系统用于教育目的的实现和利用充满挑战的17]。他们的评价也充满了困难18]。从算法的角度来看,有很多方法的复杂性和适用性程度有很大的差异,这取决于上下文(19]。最受欢迎的,我们可以提到一些在最近一次讨论基准测试运动的学习环境Kopeinik et al。20.):最受欢迎的21),协同过滤(22),基于内容(23),使用基于上下文相似度(24),基础水平学习方程关联组件(25),或维持26]。

正如我们将在后面详细讨论,推荐系统中实现智能库依赖于人口和使用收集的数据平台的其他元素。这是符合文献中描述的其他教育系统(27]。系统由两个主要组件:一个面向用户生成内容的建议,另一个为家长和教育工作者提供相关的解释和建议。值得注意的是,前者是为了克服特定限制与年轻用户,比如困难提供有意义的反馈。

文档的其余部分组织如下:部分2提供了一个通用的描述系统,包括介绍应用程序包含在智能图书馆,和数据的获取和处理。接着就是一节3讨论具体的推荐系统的实现情况。节4,我们报告实验分析的结果用于评估算法的性能。最后,部分5将致力于总结和结论。

2。智能数字图书馆

在本节中,我们介绍了智能数字图书馆。为此,我们提供一个简短描述的结构、内容、和与系统的交互,紧随其后的是细节关于数据捕获和分析的方式。

2.1。结构和使用

智能数字图书馆(SDL)是一个单一平台的互动游戏和故事,还提供了访问专有应用程序设计原则后,霍华德·加德纳提出的多元智能理论(28]。据,情报可以分化成特定的“形式”,而不是由一个单一的综合能力。因此,每个应用都集中在一个特定的能力描述的理论。

有三种类型的应用程序在SDL:游戏、故事、和测验。他们加强多元智能和认知技能与记忆,注意力、协调、和逻辑。他们启发教育内容,包括一系列的难度水平适应不同年龄的儿童和发展水平。

SDL是多语言,可以在家里使用,,或在学校和提供建议,孩子,家长和教育工作者。

智能图书馆工作方式如下:孩子们通过一个应用程序访问图书馆,由他们的父母或教师通过下载谷歌玩(谷歌玩是一个数字发行服务操作和由谷歌开发的,http://play.google.com)或应用程序商店(App Store是一个数字发行平台,由苹果(aapl . o:行情)开发和维护,为移动应用程序在其iOS操作系统),这是唯一的访问点和存储空间的所有游戏和互动的故事。从这个程序,家长和教育工作者可以为孩子下载内容使用,将保存在设备后玩。

每个孩子的进步是注册,及相关的详细资料就可以通过学习分析家长和教育者仪表板(小伙子)。这个组件,从应用程序本身或访问一个网站,提供了关于孩子的进步和上场时间的信息,以及改进的建议。目前,SDL有超过11 k月度活跃用户和超过1.2总应用程序记录。

2.2。数据采集和处理

孩子的进步是由系统监控。平台跟踪领域用户还显示了更好的性能和那些孩子面临更多的困难。老师和家长能够访问的数据平台,使用的小伙子。

为了提取应用玩和学习之间的相关性,我们使用一个反馈平台,它提供了带时间戳的输出app-related事件(得分、失败、奖金、游戏模式、类型的应用,水平,等等)。记录字段取决于应用程序的类型。不同类型的应用程序记录的信息如下:(我)故事:时间花在阅读这个故事,加上水平和阅读模式(类型的信件,阅读,听力,或象形图)。(2)测试:测试水平,完成测试的时间,数量,失败,和总数量的问题。(3)游戏:打击,失败,总可能来袭,完成游戏时间,分数,奖金,和水平。

这些数据是用来丰富孩子的形象。,系统估计根据多元智能的掌握水平。这些信息然后推荐系统采用的个性化推荐列表。

小伙子显示孩子的进步和时间的比例,用户致力于每个应用程序。节中解释3所示。2构思,每个玩家的学习阶段有效地沟通,包括对家长和教育工作者的建议。其设计关注众多采访专家提供的见解。

推荐系统中起着关键作用的平台。我们在接下来的部分中描述了实现解决方案。

3所示。推荐系统

推荐系统(RS)在这种情况下用于个性化在线体验。他们是基于人们的口味一般遵循的模式。人们倾向于喜欢那些类似于其他东西之前他们喜欢,他们往往有一个类似的味道和他们亲密的人们。替代品在介绍中提到的,这两个最流行的基于内容(CB)和协同过滤(CF) [29日]。CB使用物品的描述和一个概要文件用户的偏好做出建议。与此同时,CF生成建议基于相似用户的偏好。正如之前提到的,对推荐系统的研究是一个非常活跃的领域。教育是其中的一个领域应用方面显示了很大的潜力。

我们的目标是在提供个性化的推荐,使孩子与SDL更好的交流。SDL的第一个版本显示应用程序分组的世界(图1(一))。这些世界与七个智能提出了加德纳的理论;然而,这种用户界面设计有一个限制:对孩子是很困难的找到他们想要的应用程序。因此,他们总是使用相同的应用程序,因为他们已经知道他们的位置。

鉴于所提到的使用模式,RS的目标之一就是设计一个无摩擦的SDL。我们旨在提供交互控制的元素抑制人们直观地和轻松地实现他们的目标在一个数字接口。为此,我们提出了一种新的使用体验设计的七个建议应用底部的屏幕(图1 (b))。节4,我们提出一个分析这个新设计的好处。

RS使用收集的数据反馈平台来估计孩子的偏好。我们还包括一个解释模块推荐系统将提供解释的建议父母和教育者的小伙子。正如我们将看到的部分3所示。2RS,解释提供了信心和信任。

SDL的个性化关注估计用户的兴趣将会在应用程序中。为此,我们结合在一个混合推荐系统30.几种类型的算法,每一个关注我们的应用程序和用户的一个相关的方面,因为它是解释如下:(我)热门应用:推荐两款应用最广泛的在我们的SDL新用户。这些建议往往包含应用程序由于其性质是非常愉快的玩不管用户配置文件。(2)月的惊喜:建议每月两个应用程序从新的版本。(3)协同过滤:建议三个应用程序(没有用户)基于相似用户的偏好。

从每个推荐结果组合成一个独特的结果列表,没有任何进一步的处理,在此订单中列出的建议:首先,趋势显示应用程序。这些是紧随其后的是这个月的惊喜,最后,CF的建议。鉴于订购可能产生影响,这一事实尚未优化,我们的结果可能低估了CF推荐系统的潜在好处。

我们有有限的推荐列表的大小七,因为在某些屏幕显示一个更大的数字可能会困难,因此恶化的用户体验。从这个列表中,大多数的建议(三)生成的CF推荐,我们的策略解释在以下小节进一步的细节。

3.1。协同过滤的推荐策略

协同过滤推荐系统的主要目标是选择最感兴趣的应用目标的孩子根据其他SDL用户的偏好。CF是评估项目的过程中使用他人的意见。SDL, CF技术帮助识别那些更有用的应用程序,尤其是更感兴趣的每个孩子。

我们已经探讨了使用著名的基于用户近邻算法(31日CF)。该算法为用户生成预测基于相似用户的评级。首先,该算法识别的用户,在过去,表现出类似的行为。接下来,分析了它们的评级来确定目标用户的项目应该像。这些相似用户的邻居。

我们一般的CF过程适应域。邻居的孩子玩至少一个共同的应用程序与目标用户。总的来说,适应流程运行如下:(我)社区的形成。我们形成了社区为了找到那些孩子更类似于目标孩子使用收集的数据反馈平台。这一步需要近距离测量生成志同道合的同行和选择top-K邻居。(2)评级预测和top-K选择。对于每个应用程序由邻居,我们使用邻居的生成一个预测评级。最后,top-K应用选择。

接下来的部分描述过程的每一步。

3.1.1。社区的形成

CF过程的第一步是选择的孩子更类似于目标的孩子,形成了社区。独生子女演奏至少一个共同的应用程序与目标孩子候选人形成社区的一部分。

孩子概要文件包括人口统计信息(如年龄、性别和教育)。每个应用程序的反馈还存储信息的IP连接,设备信息,和持续时间的会议。这些信息将被用来衡量每个用户的距离以附近的形式。

传统上,CF考虑评级由每个用户分配到每个产品生成社区和预测。这些RS关注用户能够提供明确的反馈。然而,在我们的领域,用户将孩子。值得注意的是,儿童的注意力和交互模式与成人有很大不同(32),他们不能够分配评级应用他们以一种有意义的方式。出于这个原因,相似矩阵的指标用于构建我们的CF推荐系统旨在依靠隐式而不是显式反馈。

我们选择一个相似性度量定义为加权和的两个发表的:年龄相似(ageSim)之间的儿童和常见的应用程序的数量(appSim)。在这个方程中,常见的应用程序解释发现用户提供类似的偏好,但指标也收到反馈基于用户的年龄,在儿童的上下文相关,偏好可以改变在快速增长。为了计算年龄相似,我们选择了基于距离度量使用一个阈值。计算appSim,我们使用这个应用程序使用记录。我们将考虑应用程序最扮演的孩子与他的总应用程序。因此,应用程序的两个孩子的共同点越多,他们就越相似。最后,两个指标组合如下: 在哪里 。这种相似性度量报告一个值在[0,1],表示类似的两个孩子是如何根据自己的配置文件。然后,top-K具有较高相似度值与目标的孩子孩子选择邻居。我们使用这些用户的隐式反馈执行我们的建议。

3.1.2。预测计算和Top-K选择

最后,我们必须为该应用程序生成预测。对于每个应用程序,我们分析孩子的记录在目标孩子的邻居和我们计算的加权平均评级。每个重量直接相关的价值目标的相似的孩子和相应的邻居,计算在社区的形成。一旦我们计算的预测候选应用程序,我们根据这个值排序。这种方式,最有趣的应用为目标的孩子(top-K应用)将最终建议。

3.2。解释和建议家长和教育者

我们的推荐系统的最后一个组件是解释模块,考虑每个应用程序的特征和潜在的好处,它可以提供给孩子。它高度信息推荐的应用程序的列表,显示所有这些信息在童子(图2)。我们的目标是提供反馈教育者和父母如何使用特定的应用可以提高学习,分析的基础上观察到孩子的使用和进展。在生成推荐应用的解释,一个短语中选择一组预定义的模板和充满信息应用和孩子。这些信息将帮助家长和教育工作者更好地了解推荐的应用程序将会影响孩子的教育过程。这些模板基于智力开发的应用程序和不同阶段的学习,为了提供更多的定制体验。一个真实的例子可能是以下这样的解释:“通过玩泡泡,亚历克斯可以发展多种能力,如空间定位,注意力、视觉记忆和logic-spatial推理。”

显示一个合理的解释和建议可以在几乎没有成本,创造奇迹。,没有做任何修改底层推荐算法。解释的影响已经被Tintarev和Masthoff[广泛的研究33]。的优势,我们可以提到它增加信任智能库,有效帮助家长和教育工作者做出正确的决定为孩子选择最合适的应用。

4所示。实验分析

推荐系统实现的主要目的是为了方便使用SDL,通过限制用户的信息量要经历实际上开始玩之前,并使SDL吸引更多的用户通过实现个性化建议。

我们在座的评价将让我们知道如何使用SDL的模式是推荐系统的影响。为了做到这一点,我们将分析是否有影响使用的应用程序在上述背景。具体来说,我们将研究的影响推荐系统对用户参与比赛的数量和时间,记住我们是在一个场景,在该场景中,玩家可能会限制访问他们的数码设备。

这个分析中使用的数据集涵盖了六个月的时间在3月和2018年8月,包容。SDL是用于教育设置,如学校,和国内的。考虑到交互前通常是由教师,因此,推荐系统不太可能有任何影响,我们忽视这些用户。由此产生的样本包括4876独立用户和78的应用程序。最后,我们的用户过滤掉不完整的信息,让我们最后的4712用户。

我们只考虑SDL中可用的应用程序,可以适当描述为交互式应用程序;这种区别是相关的,因为应用程序的研究有非常不同的相互作用动力学(其中大部分是可以被认为是故事,故事的内容是有限的)。

我们继续给指标的详细描述,以及相应的结果。正如我们提到的,我们将把重点放在两个方面。

游戏的平均数量的正式定义每个用户推荐应用我, ,被定义为以下表达式: 在哪里游戏由用户的总数吗我在应用推荐她,应用建议的总数吗我。为了这个,我们定义“游戏”作为一个事件,用户完成一个水平和注册得到一个分数。

的补充指标将 。它们之间唯一的区别是,后者会考虑nonrecommended应用的总数,和他们的次数由用户。

第二个指标定义接触的时间,而不是游戏的数量。因此我们定义每推荐应用程序用户平均游戏时间我, ,作为 在哪里是总累积时间(以秒为单位),用户吗我玩应用推荐她,应用建议的总数吗我。

再一次,补充指标, ,认为nonrecommended应用的总数和总时间的积累用户我他们玩。

总结了实验结果表1。,我们报告的意思是,中位数,和标准偏差,建议两个指标超过了六个月的时间从2018年3月开始到8月底。正如我们可以看到的,证据支持的积极影响推荐系统的参与。似乎有一个强大的积极联系被推荐更多的游戏和使用SDL花更多的时间。

报告的统计显著性差异的指标推荐应用和nonrecommended的正式测试。一旦正常的零假设被拒绝使用Lilliefors四项指标的分布测试( ),我们应用Wilcoxon测试评估的差异。这些被发现是重要的传统水平(1% )。

为了提供更好的理解RS的重要性,我们报告使用强度的接触指标表2。

我们确定了SDL的用户玩游戏的时间,不管是否应用程序被推荐,由四分位数和分类。我们可以看到,建议有更多的影响绝对最活跃用户。然而,最活跃用户,他们有时会限制他们的活动来打开一个或两个游戏一点时间,然后继续卸载软件,效果相对而言往往是更重要的。这些用户,还不知道图书馆和没有机会识别他们喜欢的游戏,往往依赖于推荐的建议开始SDL的探索。

5。摘要和结论

微笑和学习的数字图书馆包括大约100个教育故事和游戏应用程序旨在2至10岁的儿童和他们的家庭。鉴于导航内容的复杂性,介绍了一个RS缓解process-improving订婚。

推荐系统往往是基于显式的用户反馈。然而,这是一个因素,因为该方法需要用户提供足够复杂。这对一个孩子的教育技术的主要限制空间,关注和与应用程序交互的模式与成人有很大的不同。特别是,孩子有能力有限的将评级分配给他们的应用程序。为了解决他的问题,我们引入一个方法,考虑上述问题,以提高孩子们的SDL的经验。

我们现在的RS结合三种建议。其中,我们介绍了一个基于协同过滤旨在推断潜在感兴趣的用户可以考虑过去user-item交互。方法,基于隐式反馈,适应儿童教育的标准算法应用程序域作为一个两步的过程开始于一个社区形成和结尾评级预测和top-K选择。附近的形成是基于相似性度量,根据这一领域,认为年龄和普遍应用的用户数量。RS模块还包括一个解释父母和教育者。

在这种背景下,我们研究了在部分4到什么程度的RS增加参与的目标实现。结果支持使用RS和之间的直接连接两个密切相关的方面的这种构造游戏内容:游戏和上场时间。推荐应用程序显示更高的平均每个推荐的游戏数量比nonrecommended的应用,每个应用推荐和平均游戏时间用户显示了同样的模式。RS的积极影响是实质性的和统计学意义。

即使我们发现了不同的模式取决于使用的强度,RS具有积极的影响无论用户最或最不活跃的。所不同的是,绝对值的影响是更高的最频繁的用户之一,而影响最频繁的是更高的相对而言。更多的普通用户更多地依赖于建议的初步探索。

后一个方面是相关的,因为它表明,第一次接触SDL可以有效管理支持积极的体验。鉴于此,根据数据,一个很重要的程度上,第一个选择并不来自SDL的整个目录的理性分析,但冲动的选择基于RS提供的备选方案,该系统可以选择提交给新用户关注热门应用。这种可能性,有待测试,会忽视其他两个算法,可能会偏向选择增加一个令人满意的经历的可能性,因此改善订婚。

我们正在探索新的个性化通过聚合信息的方法与能力相关的用户在每个级别的认知领域。在未来,我们将创建一个衡量profile-similarity基于上述功能能够提供建议,使学习过程更加有效。这profile-similarity措施将被用来识别不同的学习风格和演奏习惯挖掘他们的反馈记录。这种方法也可以用于一个聚类过程,认为孩子的习惯和兴趣来获得更好的个性化推荐。

最后,这个长期的愿景将辅以近期进展在两个方面:管理流程的优化组合和代表的三个子系统的输出描述混合RS和基准测试其性能与其他先进的算法。

数据可用性

使用数据用于支持本研究的发现是由微笑和学习许可制,所以不能免费提供。数据可从亚历杭德罗Baldominosalejandro.baldominos@smileandlearn.com用微笑和学习许可,在合理的请求。

信息披露

所有的作者都还是隶属于微笑,学习作为雇员或顾问。微笑,学习和赞助商的资金有任何作用的设计研究,分析和解释数据,写的手稿,并决定发表的结果。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究已经收到了欧盟的资助下地平线2020研究和创新计划资助协议。756826年。

引用

1. 查理,a . v . Moere j . Klerkx k . Verbert和t . d . Laet“学习分析仪表盘支持adviser-student对话,”IEEE学习技术,11卷,不。3、389 - 399年,2017页。视图:出版商的网站|谷歌学术搜索
2. s . Goncalves m . Rodrigues d . Carneiro f . Fdez-Riverola和p . Novais“促进学习:非侵入性的监视学生的效率,”先进的智能系统和计算卷,374年,第80 - 73页,2015年大会1日国际会议上技术强化学习方法和智能系统(MIS4TEL 2015), 2015年6月。视图:出版商的网站|谷歌学术搜索
3. m .上野和y Miyazawa IRT-based适应性提示支架学习编程”,IEEE学习技术,p . 2017。视图:出版商的网站|谷歌学术搜索
4. A . Ruiz-Iniesta g . Jimenez-Diaz和m . Gomez-Albarran”语义丰富环境敏感OER的推荐策略及其应用计算机科学在库,”IEEE教育卷,57号4、255 - 260年,2014页。视图:出版商的网站|谷歌学术搜索
5. t·卡瑟Klingler, a·g·等和m .总值”学生建模、动态贝叶斯网络”IEEE学习技术,10卷,不。4、450 - 462年,2017页。视图:出版商的网站|谷歌学术搜索
6. m . Al-Saleem n . Al-Kathiry s Al-Osimi和g·德尔”,挖掘教育数据来预测学生的学业成绩,”在计算机科学的课堂讲稿卷,9166年,第414 - 403页,2015年,国际会议会议11日在机器学习和数据挖掘模式识别(MLDM 2015), 2015年7月。视图:出版商的网站|谷歌学术搜索
7. h . Bydžovska“学生成绩预测使用协同过滤方法,”在计算机科学的课堂讲稿卷,9112年,第553 - 550页,2015年,教育会议17日人工智能国际会议(ay 2015), 2015年6月。视图:出版商的网站|谷歌学术搜索
8. r .身体和k . Verbert”的研究评论student-facing学习分析仪表盘和教育推荐系统,”IEEE学习技术,10卷,不。4、405 - 418年,2017页。视图:出版商的网站|谷歌学术搜索
9. m . l . Barron-Estrada r . Zatarain-Cabada f·g·埃尔南德斯,r . o .•布斯蒂略斯和c·雷耶斯-加西亚a很“学习编程,情感和认知辅导系统”先进的人工智能及其应用:14日墨西哥人工智能国际会议上,MICAI 2015o·皮查多拉古纳,o . Herrera阿尔坎塔拉,g .阿罗约菲格罗亚。,卷。9414,pp. 171–182, Springer International Publishing, Cuernavaca, Morelos, Mexico, October 2015, Lecture notes in Computer Science.视图:谷歌学术搜索
10. m . h . Dlab和n . Hoić-Božić“提高学生的学术教育推荐策略,结果在课件设计中使用”17国际会议的程序对计算机系统和技术2016 (CompSysTech 16)a . Smrikarov和b . Rachev Eds。,pp. 391–398, ACM, Palermo, Italy, June 2016.视图:出版商的网站|谷歌学术搜索
11. d . Lopez-Fernandez p .提问,大肠坠毁,“评估和横向的发展基于学生的自主学习能力,”2016年Proceeedings IEEE全球工程教育会议(EDUCON),页482 - 487,IEEE计算机协会,阿布扎比,阿拉伯联合酋长国、2016年4月。视图:出版商的网站|谷歌学术搜索
12. g . Adomavicius和a . Tuzhilin”向下一代的推荐系统:一项调查的最先进的和可能的扩展,“IEEE工程知识和数据,17卷,不。6,734 - 749年,2005页。视图:出版商的网站|谷歌学术搜索
13. 答:Hernando j . Bobadilla f·奥尔特加,a·古铁雷斯推荐系统调查,“以知识为基础的系统,46卷,第132 - 109页,2013年。视图:出版商的网站|谷歌学术搜索
14. 毛m . j . Lu d . Wu, w . Wang和g·张,“推荐系统应用程序开发:一项调查,”决策支持系统卷。74年,12-32,2015页。视图:出版商的网站|谷歌学术搜索
15. h . Drachsler k . Verbert o·c·桑托斯和n . Manouselis“全景推荐系统来支持学习,”推荐系统手册f·里奇,l . Rokach和b . Shapira, Eds。,pp. 421–451, Springer US, Boston, MA, USA, 2015.视图:出版商的网站|谷歌学术搜索
16. m . Erdt a·费尔南德斯,c .仁瑟”评价推荐系统技术强化学习:定量调查,“IEEE学习技术,8卷,不。4、326 - 344年,2015页。视图:出版商的网站|谷歌学术搜索
17. j . Tarus z .妞妞,“学习者和研究者的调查在电子学习推荐系统相关的挑战,”通信在计算机和信息科学卷,734年,第132 - 122页,2017年第六届国际研讨会会议学习教育技术挑战(LTEC 2017), 2017年8月。视图:出版商的网站|谷歌学术搜索
18. m . Lombardi和A . Marani”比较框架技术强化学习的评价推荐系统:一个案例研究中,“在计算机科学的课堂讲稿卷,9414年,第170 - 155页,2015年,墨西哥会议14日人工智能国际会议(MICAI 2015), 2015年10月。视图:出版商的网站|谷歌学术搜索
19. 葡萄牙,p·阿伦卡尔·d·考恩,“使用机器学习算法在推荐系统:系统回顾,“专家系统与应用程序卷,97年,第227 - 205页,2018年。视图:出版商的网站|谷歌学术搜索
20. s . Kopeinik d . Kowald大肠Lex:“哪个算法适合的学习环境?“在推荐系统的比较研究学报》电话。自适应和自适应的学习:11日欧洲会议技术强化学习(EC-TEL 2016)k . Verbert, m . Sharples和t . Klobučar, Eds。,卷。9891,pp. 124–138, Springer, Lyon, France, September 2016, Lecture Notes in Computer Science.视图:出版商的网站|谷歌学术搜索
21. r . Jaschke l .马里奥a . Hotho l . Schmidt-Thieme和g . Stumme“标签建议大众分类,”在数据库中知识发现的程序:PKDD 2007: 11日欧洲会议在数据库知识发现的原理和实践j . n .灭世狂舞,j . Koronacki r·洛佩兹de Mantaras s Matwin d . Mladeniča skowron4月份,Eds。,卷。4702, pp. 506–514, Springer Berlin Heidelberg, Warsaw, Poland, September 2007, Lecture Notes in Computer Science.视图:出版商的网站|谷歌学术搜索
22. j·b·谢弗d··j . Herlocker森和美国,“协同过滤推荐系统”自适应网络:Web个性化的方法和策略。在计算机科学的课堂讲稿a, p . Brusilovsky Kobsa, w . Nejdl Eds。,卷。4321,pp. 291–324, Springer Berlin Heidelberg, Berlin, Heidelberg, 2007.视图:出版商的网站|谷歌学术搜索
23. j . Basilico t·霍夫曼,“团结协作和基于内容的过滤,”21学报》国际会议上机器学习ICML 04ACM, p。9日,班夫,阿尔伯塔,加拿大,2004年7月。视图:出版商的网站|谷歌学术搜索
24. k . Niemann和m . Wolpers”使用context-boosted过滤推荐系统的电话,”诉讼扩大学习的持续影响:8日欧洲会议技术强化学习(EC-TEL 2013),HernA¡ndez-Leo, t·雷,r . Klamma和a . Harre Eds。,卷。8095, pp. 246–259, Springer Berlin Heidelberg, Paphos, Cyprus, September 2013, Lecture Notes in Computer Science.视图:出版商的网站|谷歌学术搜索
25. d . Kowald s Kopeinik p . Seitlinger t·雷·d·艾伯特,和c . Trattner“精炼frequency-based标签重用预测通过时间和语义语境,”学报挖掘、建模和推荐的“东西”社交媒体:第四届国际研讨会,缪斯MSM 2013年和2013年a, m . Atzmueller下巴,c .朔尔茨和c . Trattner, Eds。,在计算机科学的课堂讲稿,Springer International Publishing, Cham, Vol. 8940, pp. 55–74, Prague, Czech Republic and Paris, France, September 2013 and May 2013.视图:出版商的网站|谷歌学术搜索
26. b .爱,d·曼迪和t . Gureckis”维持:网络模型的类别学习。”心理评估,卷111,不。2、309 - 332年,2004页。视图:出版商的网站|谷歌学术搜索
27. m . El Mabrouk s Gaou, m . Rtili”对一个智能混合推荐系统为电子学习平台使用数据挖掘,”国际期刊的新兴技术的学习,12卷,不。6日,52 - 76年,2017页。视图:出版商的网站|谷歌学术搜索
28. h·e·加德纳21世纪的情报重新定义:多元智能、基本书,桦榭,英国,2000年。
29. f·里奇,l . Rokach b Shapira, p·b·坎特推荐系统手册施普林格,柏林,德国,2015年。
30. r·伯克“混合推荐系统:调查和实验,”用户建模和user-adapted交互》12卷,第370 - 331页,2002年。视图:出版商的网站|谷歌学术搜索
31. p . Brusilovski a Kobsa, w . Nejdl自适应网络:Web个性化的方法和策略卷。4321年,施普林格科学与商业媒体,柏林,德国,2007年。
32. Y. Deldjoo, C. Frà, M. Valla et al., “Enhancing Childrenâ™s systems,” 经验 建议学报11日ACM研讨会会议儿童和推荐系统(KidRec 17),米兰,意大利,2017年8月。视图:谷歌学术搜索
33. n Tintarev和j . Masthoff”解释在推荐系统中,一项调查”学报2007年IEEE国际会议23日数据工程研讨会,页801 - 810,伊斯坦布尔,土耳其,2007年4月。视图:谷歌学术搜索

版权

版权©2018雅慕黛娜圣母Ruiz-Iniesta等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。