文摘

一个完美的金融教育资源库,可以促进资源交换和慈善工作必须建立。传统的推荐算法是本文改进的基于粗糙集理论,避免了传统的相似性计算的问题不匹配实际的相似性判断。使用时资源聚类的金融领域的教育,改进后的算法具有近似的概念集边界问题。它可以更准确地描述资源的边界组织分类。用户模型是离线的时候,一个粗略的k - means聚类算法;用户分配到K的上、下近似类基于相似集群中心,创建初始的邻居集的用户。找到目标用户的最近邻居从最初的最近邻设置网络,预测项目的评分,并提供建议。评价结果表明,该系统可以实现94.35%的精确率。此外,与传统的方法相比,推荐的召回率较高为95.94%。该算法可以有效地提供高质量的金融教学资源虽然克服了传统推荐算法的缺点,提高推荐精度。

1。介绍

建设一个专业的高校教学资源数据库是一个重要的衡量国家促进教育教学改革,提高人才培养质量和社会服务能力,是目前高校的一项重要任务1]。教育信息化的快速发展的背景下,它具有十分重要的现实意义构建一个网络教学资源平台结构合理和完整的系统。其意义主要表现在以下几个方面:(1)促进信息技术与课程的整合,提高教学质量;(2)改善知识结构,促进自主学习;(3)实现资源共享、加强合作的感觉。作为主要建立在经济管理、金融市场的不断开放和发展,金融不仅广泛的使用,在大学也已经日益强劲需求的金融知识在社会2]。银行金融资源有机地结合专业教学标准,课程库、教学内容、实验培训、学习评价、和其他元素来构建一个学习平台,满足学习、研究和教学的需要,学生,教师,和公众。然而,深化专业教学资源建设的数据库中,一些问题逐渐浮出水面3]。同时,国家强调有必要提高模型水平大学作为一个整体,加强专业建设,提高整个社会服务能力。这提出了更高的要求,各种教学资源的建设银行专业(4]。随着越来越多的金融教学资源和更广泛的来源,人们很难快速获取他们所需的资源,和他们经常花很多时间但是找不到他们所需要的资源。

创建一个个性化的学习资源推荐系统在应对这些情况下解决用户的迫切需求,教育,教学,同时也注意到每个用户的独特需求和偏好(5]。它给双方一个有效的信息交换平台,有效地解决了资源定向障碍和信息过滤的问题。然而,传统的协同过滤推荐算法正在经历一些重大问题由于快速增长的用户和项目,如实时推荐,冷启动,可扩展算法,和稀疏数据6]。这些问题的贡献,无论是直接还是间接的,推荐质量和准确性大幅下滑。这是一个聚类数据挖掘技术的关键。如果一个集群算法可以合理地教育资源,聚类的结果可以通过学生快速定位所需的信息(7]。使用聚类搜索的结果的教育资源是教育资源检索的发展趋势。不确定性和不完全性使用粗糙集理论可以表达。它可以分析和处理所有类型的完整信息,包括信息不准确、不一致的,或不完整的,也可以揭示隐藏的知识和建议潜在的法律。金融教育资源的知识推送模型和建立一个push-oriented资源数据库进行了研究本文也介绍了粗糙集理论的聚类问题。用户应该能够迅速、准确和有效地找到他们需要的金融资源。本文的主要贡献如下:(1)从专业教学资源建设和管理的数据库系统,本文反映的定位、内容、和管理的教学资源数据库,发现存在的问题,并提出了相应的对策和建议。在算法方面,传统的推荐算法改进以避免这一现象,传统的相似度计算是不符合实际的相似性判断。改进的算法具有近似的概念集在处理边界问题,它可以更好地描述资源的边界组织分类时使用领域的金融教育资源集群。(2)本文粗略的等价类的应用程序集群和填充方法是扩展到个性化推荐方法,和相应的算法和新模型改进结合后形成新的应用背景。评价结果表明,该系统的精确率可以达到94.35%。,推荐的召回率高达95.94%,高于传统方法。这个模型可以有效地提高推荐精度,具有较强的可行性和现实意义。

根据研究需要,本文分为五个部分。具体安排如下:第一部分介绍。本节解释的内容、重要性、方法和相关概念的定义,从论文的研究和创建一个简单的图的结构。接下来的文献综述。本章提供了研究这篇论文使用的概念和技术,以及相关的国内外文献的摘要。方法部分是第三个组件。推荐算法的相关理论概述在这一节中,随着当前推荐模型的优缺点。提出了相应的改进,提出一种粗糙集方法处理基于用户的多元和利用用户的间接评级信息的方法。然后提供实施过程,其次是金融教学资源管理系统的建设基于粗糙集理论的。部分4本文进行实验与模型开发和评估其对实际应用的结果和影响。论文的总结和前景都包括在部分5。本节介绍了潜在的未来研究方向,总结了本文所做的工作,分析了其缺陷。

随着教育信息化的加速改革,网络教学已经蓬勃发展,网上教学资源数据库的建设日益成熟。目前,许多学者研究了建设教学资源数据库。

算法中席尔瓦初级等人提出了一个协同推荐基于粗糙集模型。主要针对个性化推荐的低精度,并相信多元的用户和用户间接得分的利用率不足导致的传统计算用户相似度不能反映用户之间的相似性。因此,提出了粗糙集方法引入到协同过滤推荐方法(8]。朱镕基设计知识管理工具开发模型图,讨论了知识管理工具在网络教学中的应用(9]。太阳讨论战略和建设大学教学信息资源平台的实现方法方面的服务目标,信息组织原则、资源收集、定位技术、数据库结构、网站框架(10]。解决协同过滤推荐的稀疏问题,Almohammadi等人利用粗糙集理论预测和填充目标用户的未分级的项值,然后执行模糊用户集群基于user-item评级(11]。克拉克等人介绍了粗糙集的聚类问题,提出了一个粗略的聚类算法(12]。上下近似的算法介绍了思想的归因在计算样本,并将样本划分为上、下近似的集群来描述样本属于或可能属于这个集群,提高集群的集群边界类精度。李等人提出了一个基于粗糙集协作推荐模型,应用粗糙集理论的用户聚类和项目值预测和填充,取得了良好的推荐结果13]。必应等人提出了一个基于贝叶斯模型和资源推动模型资源融合和网络建设机制基于模糊c理论(14]。它侧重于开放、扩张和金融教学资源的更新。使用数据挖掘方法来找出资源之间的关系,有效地实现资源的整合,使他们能够迅速和有效地推到用户需要他们。Sun指出,由于教学资源建设图书馆的方向在于“学习中心”,有必要建立“以人为本的建设理念。“写作、生产和设计的所有材料应根据总体规划和整体设计从学生的角度来看,教师,和一般公众15]。谢等人粗糙集引入基于用户聚类的协同过滤提高推荐质量(16]。尼基提出一个粗略的集群用户事务数据的聚类方法分析用户交易行为和缓解稀疏问题[17]。Jalkanen等人提出了一种基于粗糙集和协同过滤推荐算法18]。基于粗糙集,它集成了协作信息和内容特点,共同预测用户首选项来解决传统推荐算法的缺点。提高教育资源的检索效率和准确性,Yz等人提出了一个基于本体的教育资源检索模型和粗糙集19]。

介绍粗糙集理论的相关文献作了彻底的研究,和教育资源的创建和个性化推荐技术覆盖的主题。在此基础上,粗糙集理论基础金融教学资源管理系统。数据和较低的使用偏好新项目评级数据扩展本文从用户的角度参与模式和有效利用评级推荐系统中的数据。用户模型是离线的时候,一个粗略的k - means聚类算法;用户分配到K的上、下近似类基于相似集群中心,创建初始的邻居集的用户。找到目标用户的最近邻居从最初的最近邻设置网络,预测项目的评分,并生成的建议。评价结果表明,该系统比传统的执行模型。该模型具有较强的可靠性和可行性,可以有效地提高推荐精度。

3所示。方法

3.1。金融教学资源基础和粗糙集理论

随着教育教学改革的深入,信息技术越来越广泛地应用于教学,已成为一个有效的方法促进教育的跨越式发展。作为网络信息传播的载体,它为教育信息化提供了必要的技术支持。信息资源建设是教育信息化的前提和基础。因此,网络教学资源数据库的建设是实现教育信息化的核心内容和重要组成部分。近年来,建立一个共享教学资源数据库已成为许多学院和大学的重点。分享专业教学资源数据库的一个重要体现信息技术在教育中的应用。使用信息技术(20.),将全世界共享优质教学资源,充分发挥优质资源的示范和带动作用,促进高校的整体发展。在教学实践中,教师常常收集一些工程实例对学生课后自学参考。然而,如何准确定位和工程实例进行分类,让用户搜索对应的资源全面、准确地反映迫切需要解决的问题。与此同时,如何合理整合资源和有效利用成为关键。建设教学资源数据库的目的是集成的复杂的网络教学资源,为用户提供方便和快速访问功能。为管理者提供高效的存储管理,从而实现教学资源的广泛共享,促进资源的交换和更新,提高教学资源的利用率,以便教学资源更好地为教学活动。

在当今社会,互联网已经成为一个庞大的信息资源库,用户可以方便地发布和共享信息。在实现网络教育的过程,教育资源是整个系统的一个重要组成部分。它突破传统教育资源的多个限制人员而言,地区,时间和空间,并提供大量的全面和开放的资源,它提供了必要的保证在线教育的成功发展。在网络教学中,学生可以随时登录到平台,利用资源,比如文件、课件,microcourses,练习,平台作业自主学习和培训。如果你遇到问题在学习和训练,你可以从讲师提问的平台和快速反应。这种教学方法为学习者提供了一个方便的服务利用零散的时间来学习专业知识和技能。网络教学资源有其独特的特点。它主要包括(1)大量的信息;(2)丰富的内容和多种形式;(3)共享范围宽; (4) strong interactivity; (5) uneven distribution and uneven quality; and (6) update speed is fast. The financial instructional resource database collects the instructional resources of hundreds of teachers in many schools, and it is constantly being updated. The content of the resource pool is continuously updated, injecting living water into the construction of the resource pool. Improve the construction and management mechanism of professional instructional resource bank, and realize the continuous updating of teaching materials of the financial professional resource bank. This requires the integration of resources from different sources, finding out the relationship between resources and building a resource network. The framework of financial instructional resource recommendation model based on the rough set theory is shown in Figure1。


图1
金融教学资源推荐模型的架构基于粗糙集理论的。

聚类是基于简单的想法“鸟以群分,物以类聚。“其数据对象分为几类或集群根据他们的相似性,这属于同一个类的对象有很高的相似性,而不同类别的对象是完全不同的。传统的k - means聚类算法识别出每个对象只属于一个类,类特性是一致的。然而,在现实生活中,一个对象可能属于这一类,因为一系列的特性,因为其他特性属于另一个范畴,甚至大量的类中的对象互相重叠。它属于硬聚类。在这种聚类方法,数据对象是严格分成特定的集群和与其他集群无关。聚类分析问题可以描述如下: 向量的 维空间 ,每个向量分配给一个的 集群,每个向量及其集群中心之间的“距离”是最小的。聚类分析的本质是一个全局优化问题。基于用户聚类的推荐算法使用相似用户的评级集群用户,用户在相同的用户相似度较大的集群。当目标用户出现,最近邻搜索用户集群目标用户所在地,大大减少了搜索空间,提高了推荐算法的速度和可伸缩性,在一定程度上减轻了稀疏问题。然而,也有一些缺点在使用这个方法,例如,用户之间的相似性的边缘集群和集群的中心低,和该用户的推荐算法的精度很低。粗糙集理论用于处理不精确、不一致、不完整的信息,发现隐藏的知识,并解释其潜在的法律。同时,粗糙集理论是一种有效的概念模型建模工具来描述信息系统语义,可以描述事物的本质。网络教学资源建设的数据库是一个沉重的系统工程,它的特点是大量的数据,复杂的结构,和困难的分类。到目前为止,没有统一的标准建设的资源池。本文通过粗糙集理论和聚类方法,实现资源整合和网络建设。

3.2。建设金融基于粗糙集理论的教学资源管理系统

校园数字化建设的一个重要组成部分,教学资源数据库系统为教师和学生提供服务,如收集、检索和教学资源的应用程序。要求系统不仅可以满足课程教学的需求而言,资源的数量,还考虑大用户访问的问题和系统负载的功能。实现快速、有效推动的金融教学资源,有必要首先分解用户的资源需求。因为用户对不同的目的对教学资源的需求,这种需求可以分解成几个subdemands。不同的用户,根据他们的知识组成,行业,等等,需要不同的资源和内容同样的目标。本文设计的模型分为两部分:离线和在线。离线时,判断用户关系形成一组初始的邻居。搜索的上、下近似最近邻用户类的网络可以有效地缩短搜索时间和空间,提高推荐的速度。user-project偏好的基础上,本文使用不完整的数据填充的优势基于粗糙集处理用户相似类。同时,得分模糊性是用来排序的模糊相似性在集群中的用户和目标用户。最好是结合这两种方法来填补次级品项的值比只使用得分域值统计数据来填补次级品项的值或基于宽容等价。 The idea of a rough clustering algorithm thinks that the polymorphism of data object attributes leads to the uncertainty of cluster boundary, which is very similar to the description of users’ multi-interest. In the financial instructional resources pushing system, users input the purpose of inquiry, and the system pushes out the most suitable instructional resources according to their situation. The content of this financial resource database includes six aspects. Specifically, it is (1) course instructional resources, (2) material tool resources, (3) exercises and test questions resources, (4) practical training resources, (5) research paper resources, and (6) multimedia case resources. Given a knowledge representation system ;为每一个对象子集 和模糊关系 ,下近似和上近似集 可定义的基本准备好了吗 如下:

其中, 的部门是 的模糊关系 ,也是的 基本论域的设置 。下近似和上近似集的概念也可以定义为集:

也就是说,当且仅当 当且仅当 。一组 在粗糙集可以被描述形式根据等价关系 。对于粗糙的基于集合的集群,集群中心的宣传可以修改如下:

其中, 和 ,分别代表的下近似和上近似集 th集群; 和 ,分别代表的权重的下近似和上近似集 th集群当发现集群中心,在那里 。因为下近似集对集群中心的影响大于上近似集,一般 。 和 代表对象的数量下近似和上近似集的 分别th集群。

k - means聚类的基本原理,扩展了原有的k - means概念,是将每个集群作为一个区间或粗糙集,实现快速、精确的目标,使用粗糙集理论在本文中检索使用数据从现有金融教学资源在互联网上。粗糙的k - means方法还用于模型,以及用户信息之间的相关性检查和教学资源。此外,该模型具有离线和在线组件。当用户离线,修改后的余弦相似性方法用于计算集群中心的相似性。用户然后大约集群根据这种相似性用户使用粗糙k - means聚类算法。然后分配给所有用户的上、下近似K用户集群创建初始的邻居集的用户。在网上找到目标用户的最近邻居,预测用户的项目评分,并产生一个头n个建议。教育资源和知识分之间的关系是最亲密的,这是发现在分析了教育资源,和知识的考虑点经常搜索的起点来提高特定知识的理解和应用点。检查资源建设的质量是很重要的,因为它被完成了。资源可以通过以下几方面进行评估:(1)教育的资源,(2)资源的科学性,(3)技术性质的资源,(4)的艺术资源,(5)资源的科学性。 For the rough set clustering proposed in this paper, the clustering result is no longer a cluster with a definite boundary, and each cluster consists of two parts, the lower approximation set, and the upper approximation set. The lower approximation set contains certain objects belonging to the cluster, which can be obtained by its properties. Objects in the lower approximation set must be contained in the upper approximation set. The objects contained in the upper approximation set include not only the objects contained in a lower approximation set but also the objects on some other approximation sets. In this paper, the modified cosine similarity is used to calculate the similarity in the rough K-means user clustering algorithm. The calculation formula is as follows:

其中, 代表项目的评级 由用户 ; 和 由用户代表的平均评级项目 和用户 ,分别; 代表一组物品由用户共同评价 和用户 ; 和 代表用户 和用户 ,分别一组项目得分的JJ。相似的文档推荐可以以两种方式描述:

其中, 代表余弦相似性的重量, 代表时间的重量。时间重要性的形式化公式描述如下:

其中, 代表最常见的存在时间的文档库和资源 代表的存在时间文档资源推荐。的公式计算相似度随着时间的重量

其中, 是文档的关键字向量的资源; 是用户的兴趣度向量; 这类用户的兴趣度的资源; 文档的归属是推荐这类;和 是时候重要的文档推荐。在本文中,一种常用的测量方法,评价推荐系统的推荐质量,也就是说,平均绝对偏差作为测量标准。其公式如下:

相关域的域是一个词汇表术语及其关系,使人达到一个共同的理解的术语规则在相关的领域,即“本体可以被定义为一种规范共享的概念化。“金融本体库检索模型的基础。财务管理系统包括六个模块:资源存储模块,资源管理模块,资源检索模块,资源推送模块,资源需求模块,并把任务模块。该系统的用户注册和检索过程如图所示2。


图2
用户注册和检索系统的过程。

摘要用户提供不同的相似性分为低近似类。用户相似性差异分为小的上近似类。这就避免了这种情况,用户类的边缘。此外,用户上近似通常属于多个类,以反映用户的多元。将聚类分析应用于教育资源的检索结果可以让用户更快地找到他们所需要的教育资源,这有利于教育资源的充分利用。对于那些不属于严格的教育资源分类,人们希望找到他们在两个或两个以上的类别。利用基于粗糙集的聚类算法在这篇文章中,这个问题可以很容易地得到解决。在这篇文章中,当粗糙的k - means算法用于集群用户,一些定义的k - means算法修正问题的考虑到用户的多个利益。因此,下近似和上近似可用于描述用户的关注和偏好的多元和兴趣持久性属性值,和聚类结果的可用性可以改善。之间的差异的聚类算法和一般的聚类算法是上、下近似的概念介绍在计算样本的归因的关系。 According to the similarity between users and clustering centers, samples that are certain to belong to a certain class are attributed to their corresponding lower approximations, and samples that are uncertain to belong to this class are attributed to their corresponding upper approximations.

4所示。结果分析和讨论

实施英语教学资源管理推荐系统后,本文设计的评价实验模型和算法。本章的主要内容是比较实验的模型和算法并分析其结果。数据库建设和推动模型的有效性验证本文提出的与财务相关的课程在一个开放的类。搜索关键字“金融”系统,并提取相关课程的属性。此外,500用户的个人信息,他们的课程,和100000年得分记录被选中,他们分成五个不相交的subdatasets。四个结合为基础设置,另一个作为测试集。选择前200名用户和相应的项目成绩的实验。实验数据的统计数据,如表所示1。

表1
实验数据的统计。

从表中的数据可以看出,数据稀疏水平达到93.16%,表明它是非常稀少的。粒度的关键字相关的用户的搜索结果实例。为了更好的描述这个例子中,确定关键词的粒度。关键字的粒度划分遵循两个原则:针对性和独立。即没有明显包含关键字之间的关系,它可以正确描述示例的特点。不同系统的运行时间图所示3。


图3
比较不同系统的运行时间。

从图可以看出3这个方法运行得更快。下近似集,用户在对聚类中心的计算更大的影响力比上近似,这也是符合现实。本文改进的粗糙k - means聚类用于集群用户,和最初的邻居类的用户形成。每个类由下近似和上近似集和标记。相似性是用来反映的绝对差异的区别相似之处,这是非常适合粗糙的用户聚类用户关系作为判断的基础。很大相似性差异意味着归因关系是明确的,而一个小相似性差异意味着归因的关系还不清楚。梅(平均绝对误差)不同算法的结果如图所示4。


图4
美不同的算法的结果。

美价值越小,更准确的分数预测,建议质量越高。从图可以看出4提出的方法优于其他比较推荐的方法在推荐的准确性。100用户选择使用这个系统,结果是相比其他两个系统。结果如图5。


图5
用户的主观评价结果。

从结果可以看出用户的主观评级与这个系统用户满意度高。它能更好的满足用户的需求。本文推荐的两个最适用的索引模型的精确度和回溯选来验证该模型的推荐质量。表2实验结果显示两个评价指标。

表2
实验结果的评价指标。

在该算法中,用户大致集群根据它们之间的相似度和聚类中心,和用户被分配到K用户的上近似和下近似的集群,它允许类之间的重叠,从而反映出用户的多元和避免边缘的情况,用户类。根据相关数据,教学资源适合用户可以被预测。的检索效率模型如图6。


图6
检索效率模型的结果。

实验表明,该系统可以实现检索效率高,和用户反馈的引入使得检索结果更准确。比较推荐不同的模型显示在图的准确性7。


图7
比较不同模型的推荐精度。

从图中的数据7,可以看出,金融教学资源管理本文推荐系统可以快速、准确地预测用户对教学资源的需求,推动适当的资源,并提高查询速度和资源池的利用效率。其性能优越的比较系统。通过大量实验数据的分析在这一章,可以看出,金融基于粗糙集理论的教学资源管理系统是稳定的。推荐的精确率可以达到94.35%;,推荐的召回率高达95.94%,高于传统方法。金融教学资源管理系统基于粗糙集理论具有良好的性能。使用该系统,可以有效地提高用户的满意度。它可以有效地提供合适的金融教学高质量的资源,可以更好地满足用户体验。

5。结论

资源数据的管理和存储正逐渐成为一个新的区域资源数据库开发由于不断增长的资源数据库建设的发展。合理的数据存储和资源管理技术可以帮助管理员管理和维护系统更容易在使用更少的硬件和人员。他们还可以显著提高网络的速度和资源访问的效率。另外,个性化资源建议可以帮助学生提高学习效率的快速、准确地定位相关的,高质量的资源。金融的建设和实现教学资源管理系统基于粗糙集理论是本文的主题。首先,本文分析了资源池建设现状,借鉴成功的资源池施工方法和经验,并提出了具体行动资源池的应用和推广。然后看着金融教学资源池的发展,为后续的项目作为参考不同的专业。研究表明,该系统的精度可以达到94.35%。此外,推荐的召回率高于传统方法在95.94%。粗糙集理论基础金融教育资源管理系统是可靠的。 Furthermore, it effectively satisfies a variety of user experiences and increases resource users’ satisfaction. However, given that the financial instructional resource system is a complex learning platform and is constrained by both technological and time constraints, there are still some issues that need to be resolved in the research and development of this system. The financial instructional resource management system will be further enhanced by taking into account how different initial clustering centers affected the clustering outcomes. This study is intended to increase teaching support and aid in raising student achievement.

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者没有任何可能的利益冲突。

确认

本研究支持的2018个研究项目湖南省普通高校教学改革,研究高质量的网上开放课程资源结构模型的基于OBE概念在“互联网+”时代,湘交通大学((2018)号436)。