文摘

在学生的教育、其他教育方法不能代替审美教育。本研究主要探讨审美教育资源的创建和使用和开发这些资源的推荐模型基于CF算法。传统的CF算法也增强了这项研究。一个接一个,并给出了解决方案,关注传统CF算法的冷启动和数据稀疏问题。此外,该系统的需求、业务流程和功能结构检查的部分系统设计。前端诊断测试,背景教学资源管理系统,和教学资源的推荐都意识到在实现部分。根据实验发现,该算法的95.8%推荐精度是5.87%高于基于用户的推荐算法和基于项目的推荐算法高出6.03%。结果表明该算法的准确性和可靠性。它可以显示合适的审美教育资源,培养学生的审美教育的有益健康的增长。

1。介绍

追求、评估、欣赏和创造美丽的东西都是活动,属于美学的伞。为了促进素质教育和学生的全面发展,审美教育是必不可少的1]。艺术语言和它的所有功能是审美的基础。艺术欣赏要求美感和情感。为了欣赏和生产的艺术作品基于艺术语言和基础知识的理解和掌握,学生有必要掌握的艺术语言和知识(2]。我们想要传授这通过艺术审美教育。根据哲学、审美教育的目标是塑造人的整个思想,追求“团结。”的建立,人们的审美意识的精神生活得到很多关注审美教育为了诱发一种恍惚的状态有限的生命的教育对象,从而极大地提高人们的情绪水平(3]。现在许多在早期审美教育差距明显的崭新的当代审美文化的背景。美学教学在学校经常局限于审美知识的传播,忽视了发展学生的审美兴趣,单数形式和效率低下等问题的方法。的问题如何修改自己的策略、目标、计划和方法目前面临的审美教育。今天的审美教育应该发展成为一个广泛的形式的教育(4]。此外,一些大学生缺乏美学知识和不洁净的审美情趣是缺乏审美的结果方向和指导。今天的快餐文化的媒体无处不在,和消费已经取代了美学。人们越来越缺乏审美的内涵,因为他们没有积累,雅致,或思想深度不够。因此,促进正确的审美原则,建立正确的艺术审美标准都是文化素质教育在学校的任务。

其他传统产业的发展加速了中国互联网的持续发展5]。是至关重要的有效结合的价值逻辑教育部门与互联网行业的运作逻辑,因为跨境教育也悄然发生。现代教育包括大量的数字化学习。除了提供教育资源日益增长的需求,各种平台的出现为这些资源也改变人们如何访问这些资源。人们是非常简单的收集和获取资源借助互联网的强大的信息资源,强大的搜索引擎,和快速的传播手段(6]。学生使用互联网的数量正在迅速增加,用户下载和发布教育材料。教育资源呈指数级增长的可用性在这样一个相对自由的环境,导致“信息过载”(7]。人们同时发现越来越多的具有挑战性的快速和准确的找到他们需要的信息。因此,推荐技术是创建并展示了强大的生命力,以帮助人们找到适合自己从大量的数据信息。有许多不同的推荐算法,但每个算法都有独特的优点,缺点和限制。通过检查评分数据,CF协同过滤推荐算法确定该用户的相似用户组,然后推荐给用户的前N项类似的用户组最高的分数,从而实现个性化推荐的目标(8]。目前,它使用的推荐技术是最个性化推荐系统。然而,两个主要的问题,防止进一步促进CF推荐算法本身的问题和数据稀疏问题。这个查询的答案将提出相关的解决方案来处理这两个问题。该模型可以有效地推荐适合审美教育的资源,因为它表明是有效的和精确的资源。本研究的创新如下:(1)在算法方面,本研究深入研究CF算法的原理,分析其缺点,改善和优化。在这项研究中,最新的学习资源列表,流行的学习资源列表和用户资源介绍了标签匹配在CF算法解决本身的问题。同时,用户浏览的用户下载矩阵和矩阵介绍协助用户评分矩阵来解决数据稀疏问题的CF算法。结果表明,该算法具有一定的准确性和可靠性。它可以提供一些技术支持领域的审美教学。(2)在功能方面,本研究改进的CF算法适用于各种推荐功能,并设计和实现了下载推荐,评级推荐、个性化检索,和电子邮件推送功能。系统的使用和推荐效果调查问卷的形式。结果表明,94.8%的用户满意的资源推荐的这个系统。大约有95.1%的用户使用该系统的经验感到满意。

2。相关工作

一方面,是压倒一切的社会和经济发展的速度有多快。加强审美教育尤为重要,因为学生常常迷失在审美价值和经常表现出审美缺陷,忽视和扭曲的美。另一方面,“互联网+教育”模式已经改变了人们的学习方式由于网络技术的持续发展。推荐系统被创建为在线学习资源的增殖的结果。个性化推荐技术的使用近年来中国以外的显著增长。在中国,这项技术还处于起步阶段,所以它并不理想。经过一段时间的使用,某些领域有非常发达的应用推荐系统,和反馈是积极的。可以分为电子商务推荐系统推荐,电影和视频推荐、音乐推荐、社会建议,新闻阅读建议,电子邮件的建议,建议教育资源的基础上,应用领域中使用。在教育领域,一些研究人员目前使用建议技术,产生了一些研究成果。

Tuomi等人提出审美教育有着独特的意义升华人们的精神领域。它的方向和价值在于影响整个教育的最终目标,即实现全面发展的教育对象9]。斯坎伦等人提出,学校开展审美教育时,他们应该坚持校内和校外的组合形成一个三维的审美教育网络(10]。墨菲P等人提出,当代审美教育的目标应该是培养一种新的文化特征,包括价值观的塑造,提高人格境界,精神人格的发展,和有趣的风格的培养11]。完全理解的基础上利用博物馆的资源的重要性对于大学生的审美教育,桑托斯等人把审美教育与博物馆资源的实践为例,探讨了审美教育博物馆资源的内涵,并阐述了一些关于博物馆资源的使用实施审美教育对大学生(12]。Iddings D S等人认为,艺术的审美是一种创造性的活动。想象力,协会的帮助下,娱乐和情感,学生进入艺术的境界,形成了统一学生的思想和艺术作品;最后,他们创建了一个生动的艺术审美的形象在他们的思想13]。

Tabuenca B等人设计和实现一个资源个性化推荐系统14)通过改进最近邻用户组的形成方法在传统的基于用户的CF推荐算法的推荐学习资源,满足用户的实际能力水平。结合具体的学习资源推荐对象,H·尼奇克分析当前主流的推荐算法,决定使用CF算法来优化推送信息。同时,考虑到目前的跨平台网络学习者的学习情况,学习资源个性化推荐系统的设计和开发支持个人电脑,移动电话,垫(15]。明斯基在用户的在线教学平台上进行研究和分析这个特殊群体的特点。然后,结合项目特点,教学资源,一个特定的推荐过程设计;推荐过程中使用的相似性算法改进;和一个混合CF个性化推荐算法提出了基于用户和项目(16]。Vagt C深入检查,促进相关理论研究,设计和开发个性化的学习资源推荐系统的示例程序和实施,不断测试和维护系统(17]。帕帕斯I O等人应用的融合算法CB-ItemCF教育资源项目推荐系统(18]。它不仅考虑了相似内容的问题而且措施的困难问题的数量根据错误的问题。最后,根据学生做错了的问题,这些问题同样的困难和建议类似的内容。通过分析教育资源的特点,沃尔顿K研究推荐系统的一般体系结构和涉及的相关理论和技术。根据目前的研究成果,基于教育资源的推荐系统是设计和实现19]。系统采用一个基础课架构系统,用户界面层,建议层、离线层和数据层从上到下。

本研究总结了各种推荐方法的优缺点,提出一种CF算法对审美教育资源的创建和使用基于相关文献的深入讨论和分析。提出了一种改进的融合方法在本研究中,目的是解决问题与传统的CF算法,如项目,冷启动的用户,和较低的推荐精度。学习者的个性特征和学习风格特征是同时添加到CF推荐算法按照教育资源推荐系统的特点。仿真结果表明,该方法提高了预测评分的准确性和推荐的资源更适合用户的需求,最终提高用户的满意度。

3所示。方法

3.1。当代审美文化和审美教育

审美教育生成自己的美感通过美的对象,并重建人们的感知、思维和道德的价值取向。通过这种方式,适当的个人与自然和社会团体之间的关系可以有效地建立,可以欣赏到人生的意义和利益从这种关系,并能有意识地使用社会需要限制,规范,引导他们的全面发展20.]。当代审美文化是一个重要的区别,以前的文化形态。它已经进入经济运行的轨道在很大程度上遵守市场力量,成为一种消费文化。如今,由于经济和社会的不断进步,人们不堪重负,大学生失去了审美价值。大众媒体的快餐文化溢出,和美学成为消费。人没有足够的积累,回火,和反思,他们越来越短的审美内涵。审美教育是基于道德教育、知识教育和体育教育,和涉及的范围很广,如生活、历史、社会和自然。一个人必须有一个广泛的知识背景和一定的理解能力,为了美丽的概念,形式的艺术作品有一个美丽的感觉,美丽的经验积累。由于当代审美文化的泛化的趋势,当今的审美教育必须形成相应的新概念。它不应该坚持传统的定义,但是去一个更广泛的文化领域,并极大地扩大其功能和范围的限制,因此成为一个广泛的形式的教育,和一个大的教育形式。

审美活动培养审美教育的真正影响。的培养教育的正确的审美观点和审美能力是审美教育的一部分,它是一个全面的教育。这个系统工程的最终结果是受过教育的人可以有意识地创造自己的精神世界依法美和发现、欣赏和创造美。一个新的文化现代审美教育的目标是培养性格是什么。文化特征是由多种元素,包括价值观、个性、灵性、有趣的方式,等等。我们可以组织学生离开校园,寻找、挖掘,广阔的海洋和经验的美丽的社会,以提高他们的欣赏和创造审美的能力,尤其是社会的发现和感受美。例如,经常去博物馆是一个很好的方式来进一步的教室外的审美教育。审美教育必须从发展和实践的艺术美感为了这个话题不断形成艺术审美联想,唤起人们审美的情感,产生共鸣的艺术作品,并在此基础上,增加个人的审美创造力。广义上说,这种创建包含不仅各种各样的发明和发现,也aesthetic-related思维过程。我们必须要求教育评估和直接自己的生活使用标准的美丽为了开展审美教育,建立一个文明的生活方式。 Aesthetic education must work closely with cognitive education and ethical education if it is to accomplish the anticipated goal of enhancing educators’ spiritual realm. In essence, the development of people’s spirituality is the culmination of intense collaboration in numerous facets of education.

作为一种人格教育和发展教育,审美教育教学形式也有其天然的优势。不仅是限制、指令和教化,还指导,灵感,说服。它没有一些预先设定的价值观和规范强加于人,但实现一定的审美原则的过程中生成价值系统,这样人们可以开发和完善他们的个性成长的精神。我们应该采取的艺术审美教育作为文化素质教育的突破,利用艺术的交流本身和其优势在发展中人们的个性和激活人们的思想,并利用艺术的优点是更容易认可和接受的学生相比,文学,历史和哲学教育,这样我们就能更有效地开展大学生文化素质教育,提高人才培养的质量。审美教育强调“知识和行动的统一。“提高学生的审美能力,培养和美化他们的精神领域不仅要完成在审美实践中,但也被测试在审美实践中,应该对社会有积极的影响。审美教育中发挥着不可替代的作用在促进促进个性。它的目的并不是教人们谋生的能力,但是,帮助他们探索和发现发展和进步的一种方式。

3.2。个性化的推荐和CF算法

CF推荐算法不同于其他推荐算法(21];在这一点上,它可以应用于非结构化的复杂对象,如视频、音频、图片,压缩包。其中,最著名的是CF算法基于用户和基于项目的CF算法。它的核心理念是,用户需要的是用户喜欢他需要的物品。CF技术是基于相邻用户的兴趣方向,使用其他用户的首选项资源项目获得相似的用户,或预测用户的评价资源通过常见的好恶相似的用户。根据这些数据,系统可以使个性化推荐精度高。基于用户的CF算法的核心思想是向用户推荐感兴趣的项目类似于用户。因此,该算法的关键步骤是构建user-item评级矩阵描述用户行为评级数据,计算用户之间的相似度。建设的步骤如下:预测评分矩阵⟶搜索类似的物品⟶代的预测结果和建议。该算法适用于场景物品的数量远远小于用户的数量,数量和相似的物品是相对稳定的。 Because the similarity between items is fixed, in the collaborative recommendation algorithm based on items, the similarity between items can be calculated offline. This can save the calculation time and solve the real-time problem of the system to some extent. However, whether it is the similarity filtering algorithm based on users or the CF algorithm based on items, when the score data are not large enough, the similarity calculation results between users and items are often not accurate enough, thus affecting the personalized recommendation results. Figure1显示了功能需求和审美教育资源推荐系统的建模过程。

CF和基于内容的推荐算法的最大区别是,它充分利用所有用户的反馈行为信息,通常使用user-item得分矩阵作为数据源。当CF推荐算法应用到一个特定的个性化推荐服务,它不需要注意类型、属性和结构系统的项目。它的特点广泛应用范围的建议项目,准确的推荐,推荐效率高。这是该算法的优势,也使CF算法得到一致赞扬。计算的数据的推荐结果CF算法来自得分记录系统上的所有用户。该算法有两个缺点。首先,用户的数量是不断变化的,和它的可伸缩性是相对贫穷的;第二,它也有数据稀疏的问题,也就是说,有那么几个有效得分user-item得分矩阵中的数据,是不可能找到一个相邻的用户为目标用户。在实践中,随着越来越多的用户和项目,user-project得分矩阵将变得越来越稀疏。

3.3。基于CF算法推荐的审美教育资源

在第一阶段,用户建模主要是获取知识与维护用户利益,用户需求,或习惯。用户建模的结果是生成一个用户模型表示用户的独特背景知识或利益和需求。系统的核心功能主要分为两个部分。第一部分是学习资源的共享功能,主要包括用户上传、浏览、评论、评分、下载、删除学习资源;第二部分是学习资源个性化推荐。数据库是整个系统的存储层和持久层。它包括数据库用户信息,学习方式信息、资源信息,信息的学习者操作学习资源。作为该系统的推荐对象,教育资源需要以某种方式表达他们的特点,并建立与其他资源和用户兴趣模型。本研究主要采用向量空间模型。系统的组件交互和推荐过程如图所示2。

推荐系统的基本组成部分是推荐算法,也作为一个重要基地,各种各样的推荐功能。鉴于这个系统是教育资源的基础上,需要设计相应的推荐算法按照教育资源的特点和当前状态。分享学习资源,系统的基本构建块,提供数据支持定制的建议的学习资源和采用CF计算。数据采集的目的是收集用户首选项的详细信息,特点,和活动。它提供了一个用户建模的重要信息来源。用户必须自愿提交他们的利益和偏好在明确收集信息。用户的使用隐式方法时不需要人工参与。然而,在用户的典型活动,系统自动完成任务。建议为在线实时使用,收集用户的行为数据后,离线处理预处理数据,分析用户行为日志,和火车模型用户的功能。交互性、安全性、稳定性和可扩展性都是优先考虑在这项研究的系统设计。 The data model developed in this study not only keeps track of the fundamental data about the learning resources, such as the name of the resources, a detailed description of the resources, the storage address of the resources, the category, type, and degree of difficulty of the resources, but it also keeps track of how the learners use the resources, such as the quantity of learners who download the resources, the keywords used for the resources, and the resource uploaders. In order to create a final user model with structured representation, one must interpret and reason about the data that have been gathered, remove noise from it, form useful knowledge about the user’s interests, and format this knowledge. The user-project scoring matrix is constructed as shown in the following formula:

其中,的行数代表用户的数量;列数代表物品的数量;和价值在矩阵表示的评级数据项由用户 。的计算方法类似的用户,大多数当前的个性化推荐系统主要使用以下:余弦相似度,修正余弦相似性,相似性和相关性。余弦相似度的计算公式如下:

修改后的余弦相似度如下:

相似之处如下:

其中,和 ,分别代表用户的矢量值和用户在空间向量模型;所代表的项目集代表那些用户的项目和用户评价;和代表用户的平均项目得分和用户 ,分别;和 ,分别代表用户的等级值和用户对项目 ; 和 ,分别代表了得分的一组用户和用户的项目。类似用户基于显式反馈数据的相似度可以通过以下方法:计算皮尔逊相关系数的方法:

其中, 记录的是用户之间的相似性和用户皮尔逊相关系数的计算方法。符号代表用户的平均评级 。 和代表用户和用户的一个项目的评级 ,分别。欧氏距离如下:

其中, 记录的是用户之间的相似性和用户通过使用欧氏距离计算方法。我们假设的项集被目标用户和用户 ,分别为:

为项目这不是被用户在 ,评级的用户为项目预计的类似的项目集吗的项目如下:

上述方法是毛圈预报值填充到得分矩阵,这样用户和对所有项目的项目集有分数吗 。使用皮尔逊的相似性算法,目标用户之间的相似性和如下:

我们在整个搜索用户设置和选择用户的最大相似用户作为最近邻组的用户 。预测的分数的目标用户的项目如下:

其中,和由用户代表的平均评级项目和用户 ,分别; 代表用户之间的相似性和用户 。在计算用户的的偏爱不同的项目,项目有更高的偏好,不选择用户的自我报告项目集的前N推荐集。

MVC体系结构将系统划分为三个基本部分:模型、视图和控制器。架构由数据层、业务逻辑层和显示层。清晰的层次结构的系统可以让它更容易理解系统架构在开发过程中,提高开发效率。作为教育资源共享平台,该系统为教师和学生提供了丰富的教学资源。提供的用户信息系统的用户注册时,以获得用户的基本信息有很大的影响在资源推荐系统推荐的。个人中心系统包括用户信息、公告、最新公告,公告。资源中心包括用户资源、系统资源、个性化推荐、用户评论、资源评估、最新资源排名,排名和热资源。审美教学资源包括以下的分类:媒体材料,问题银行,测试纸材料,情况下,文学、常见问题解答、资源目录索引和在线课程。

4所示。结果分析和讨论

为了验证改进的CF推荐算法的有效性在这项研究中,相关的实验设计。相比与传统的基于用户的CF推荐算法和基于项目的推荐算法,该算法证明了它的优越性。在实验中使用的机器硬件配置英特尔酷睿2双核处理器,512 m内存,1 t硬盘。操作系统是Windows;编程语言Java;和数据库系统是MySQL。在这个实验中,梅(平均绝对误差),这是使用最广泛的和直观的统计精度测量方法,采用的评价标准。根据预测用户之间的偏差的项目和实际用户评级的评级,这三个算法的精度进行了分析。梅的计算公式如下:

其中,的预测评分值项,是用户的实际评价值。计算美越小,精度越高的推荐算法。不同算法的美测试结果如表所示1。

在实验中,数据集的稀疏程度也被认为是,被定义为项目的百分比在user-item得分矩阵不得分。这个实验的数据稀疏是0.92。得分越高,越高对资源用户的偏好。我们比较和分析不同的推荐算法。不同算法的运行时间比较图所示3。

最近的邻居的数量有很大的影响在推荐的准确性。一般来说,越是最近的邻居分配给用户,推荐精度越高,美越低。在这个实验中,最近的邻居是10到50,邻居之间的差异是5。实验结果如图所示4。

可以看出,改进的CF推荐算法的美是低于传统CF的推荐算法。这个结果表明,改进的CF推荐算法的准确性高于传统CF的推荐算法在任意数量的最近的邻居。预测评分的准确性结果如图5。

作为一个通用的方法,系统测试,功能测试指的是用户级测试的功能模块在系统开发完成。在这个过程中,系统通常被部署到服务器上运行。测试时,测试人员只关注测试结果是否符合预期结果的功能。系统功能测试结果如表所示2。

根据表中的信息,测试结果符合预期的目标,和推荐系统基于审美教育资源实现。系统的使用和推荐效果调查问卷的形式。用户在使用推荐系统的分数,和主观评分数据的用户在图所示6。

结果表明,94.8%的用户满意的资源推荐的这个系统。结果是高于比较模型。这表明,大多数用户都满意这个系统的经验。这是一个相当大的结果。比较不同算法的推荐精度结果如图7。

从比较结果可以看出,该算法的推荐精度达到95.8%,高于5.87%的基于用户的推荐算法和基于项目的推荐算法的高出6.03%。这一结果表明,这个算法更好的性能。本章通过实验,结果表明,该算法具有一定的准确性和可靠性。此外,本章还测试这个系统的每个功能模块和性能,以及测试结果符合预期的目标,从而实现推荐系统基于审美教育资源。模型研究了在这个研究可以推荐合适的审美教育资源,促进学生审美教育的积极健康发展。

5。结论

为了防止学生被迫审视自己的审美心理和行为使用统一的标准和模式,审美教育应注意共性和个性。传统的教师和学生之间的障碍必须被打破为了给学生机会均等参与沟通而经历的审美空间,教师和学生在教育过程中共同创造。大部分学生有一个审美欲望。学生应该能够直接体验视觉和听觉的文化素质教育提供的学校,和一个艺术氛围应该培育校园。当代大学生审美教育是一个重要的方式来解除压力的要求的学术和社交生活。本研究构建了一个审美教育资源推荐模型的基础上,深入分析了CF算法和审美教育。该模型可以为审美教育提供了精确和有效的资源,提高学生的审美意识的水平。根据实验发现,该算法的95.8%推荐精度是5.87%高于基于用户的推荐算法和基于项目的推荐算法高出6.03%。该算法的准确性和可靠性是肯定的。这个系统的性能和功能模块测试,和测试结果与预期结果一致,实现基于审美教育资源推荐系统。 It can suggest appropriate resources for aesthetic education, fostering the beneficial and healthy growth of students’ aesthetic education. There are still some issues that need to be resolved, despite the fact that the research in this study clearly produced some positive results. The benefits and drawbacks of real-time updating and timing updating must be carefully weighed in the future research process in order to choose the best updating method for updating and maintaining the model.

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。