文摘

与互联网的快速发展和各种学习平台,资源的爆炸性增长领域的教育使得推荐学习资源越来越重要,它已逐渐成为学术界的研究热点。本文发展一个英语精确性教学平台基于组合优化的CF算法准确地推荐英语学习材料,满足学习者的个人喜好,实现精密教学。这种优化算法充分利用用户的背景信息,计算用户之间的相似度,并形成最好的邻居集,然后推荐学习资源评价邻居有相似兴趣的目标用户,解决数据稀疏和冷启动的问题,从而导致推荐准确性的下降。在不同的数据集,实验结果表明,该方法的推荐精度为94.6%,这是高于multifeature的CF算法融合传统CF算法4.5%和9.7%。研究结果表明,当应用到英语教学资源,这种方法是准确和实用,它可以有效地推荐适合用户的资源实现准确CET(中央东部东京)。

1。介绍

随着互联网的爆炸性发展,人类行为相关数据在互联网变得越来越丰富和多元化。同时,信息技术使不同行业的发展突飞猛进,和各种技术在教育领域中的应用也被反映(1]。在教育领域,智能的渗透将不可避免的带来了高度的集成技术和教室。发展智能教室,进行精密的教学,并提供准确的决策肯定会成为未来教育信息化的新趋势。这有很大的影响在教育领域的深刻变革2]。Quasi-teaching可以提高教学效率,保证我们的教学质量。如何实现精密教学是教育工作者多年来一直在讨论的问题(3]。准确测试应用于教学实践,学生的学习变化与适当的测量工具。它旨在跟踪学生的学习性能和提供决策支持的数据设计的测量过程,为后续教学的进一步分析,提供数据参考和指导教学工作准确(4]。实现准确的整个课程教学的发展,教学平台的选择应结合现代互联网的优点,和线上和线下教学方法应该积极采用系统地分析学生的学习行为。

提供信息的流行方法不再能满足差异化的用户的个人需求随着社会的发展(5]。用户的主动有意识的行为是传统的信息采集方法,和用户的主题。个性化推荐是智能推荐相关的预测和决策,而不是传统的信息获取方法。推荐系统的核心部分是推荐技术,从而影响系统的质量和有效性的建议。信息检索和信息过滤技术支撑个性化推荐技术(6]。个性化推荐技术得到了广泛的应用和认可的主要技术满足互联网用户的个性化需求。这个推荐系统可以主动向用户推荐信息感兴趣,减少搜索信息的时间,提高用户获取信息的效率7]。CF协同过滤推荐技术是目前使用最广泛的个性化推荐技术,它已成功应用于广泛的互联网领域。然而,随着互联网的发展普及和用户和产品的数量增长,CF推荐技术是遇到一些严重的问题。数据稀疏、冷启动、可伸缩性、准确性、多样性、动力学等问题都是它的一部分8]。

本文解决了这些问题,构建个性化的教学资源推荐模型基于CF推荐算法的组合优化。这个模型的资源更加高效和准确,而且他们可以有效地提供一些技术支持精确的大学英语教学。以下是本文的创新:(1)创新结合CF算法的研究和英语精确性教学模型,并构造一个基于组合优化英语教学平台CF算法。平台充分利用移动学习的好处同时也推荐学习资源以满足不同学习者的需要。(2)个性化推荐技术是本文研究和比较,以及一般的CF推荐技术。同时,基于现有的问题,提高CF算法。面对数据的匮乏,本文不单纯依赖项目的用户评分数据,也包括用户的背景信息属性。实验结果表明,相比与传统的协作算法,优化算法提高了推荐精度,证明优化推荐算法是有效的。

2。相关工作

个性化推荐技术已经广泛应用于电子商务,电影,音乐和其他领域,取得了良好的效果。如今,随着网络教育的发展,个性化推荐技术已经逐渐引起了关注和应用领域的教育的需求。推荐系统与国外研究相比,国内的研究起步较晚。大部分的国内研究总结了国外学者提出的基于CF算法,或作了一些改进和优化原算法。本文研究当前开发的CF算法奠定了理论基础,在本文中教学资源的建议。

刘等人提出了一个CF推荐方法基于用户个性化推荐学习资源的影响关系。这种方法并不限于学习资源的组织的异质性和多样性(9]。Yu和李分析聚类算法和遗传算法的工作原理,理解算法的优缺点,同时介绍了遗传k - means算法。遗传k - means和协作算法相结合来计算用户属性之间的相似度,然后形成最好的邻居用户之间设置(10]。基于CF的推荐技术,张周和研究学习资源推荐模型组(11]。东等人研究了精度的实现策略教学教育改革的背景下,信息技术的快速发展12]。王认为,改革教学模式,教师可以提供反馈和分析大量的数据,如教学平台、数字资源、教学评价,找出共性和差异的学生的学习;使调整课堂教学过程和知识分13]。通过分析传统的教学方法,布拉德福德认为,以前的教学方法的缺点在学院和大学教师传授知识时,在一个相对封闭的情况。长期课程教学在这样一个环境中可能导致信息不对称在教学信息的掌握,也有一定的影响教师课程教学和学生的知识吸收(14]。汤普森和其他人相信知识的覆盖面点进行预测问题推行教师上课前是精密的核心教学和教学智慧和策略生成的预备调查分析后的数据精度至关重要的教学(15]。在精确的约翰,约翰提出的教学模式评价模型主要分析学生的学习情况通过智能技术手段,并生成一个视觉评估报告(16]。Cazden精度达到完全覆盖教学在整个线上和线下的大学英语的教学环节。通过整体的数据分析图表类,它是判断学生是否达到预设的教学目标(17]。有效利用user-item评级矩阵在协作算法,Baena-Extremera Granero-Gallegos精炼的特点,基于用户和基于项目相似度计算,并结合这两个计算相似性的优势来优化计算相似度公式(18]。

本文总结了每种方法的优缺点,提出了一个CF推荐组合优化算法基于深入回顾相关文献。用户分类优化通过学习者的背景信息在这篇文章中,实现高效、准确的推荐服务,以及个性化推荐系统适用领域的学习资源。数据稀疏问题的传统CF算法,项目分数预测算法,CF推荐之前,预测未分级的项的得分基于相似用户的评分,从而提高资源分率。同时,灰色关联度作为相似性度量的方法在CF的建议,减少了低分辨率的影响和稀疏的数据在某种程度上。这种方法可以推荐学习资源来满足不同学习者的学习需求,根据这项研究,这对学习者和节省时间和精力有一定的实际意义。

3所示。方法

3.1。个性化的推荐和CF算法

推荐算法可以分为CF,内容过滤和社会过滤根据所使用的数据。CF的建议是最被广泛使用和接受的技术方案在个性化推荐系统中,及其应用和研究领域关注的焦点(19]。CF的基本思想很直观:在日常生活中,人们常常做出一些选择根据亲戚和朋友的建议。CF技术是将这个想法应用到信息推荐和建议根据其他用户的评价某一用户的特定信息。协作推荐的主要内容是系统使用的历史行为,评论,和意见的用户组来预测某些学习资源的趋势,目标用户可能感兴趣的还是会买。CF推荐算法建立用户兴趣模型,通过分析用户的历史行为数据和预测目标用户的兴趣没有浏览之前,为他们提供建议。这种方法可以利用群体智慧探索用户的潜在利益,这是“协作的体现。“CF推荐方法有几个特点。具体来说,(1)通用性好,(2)推荐精度好,和(3)共享邻居的经历更有效的和有针对性的提出建议。CF算法是基于假设提供目标用户与资源他们感兴趣的内容是首先找到其他用户组具有类似目标用户的兴趣爱好,然后推荐资源内容,用户组到目标用户感兴趣。

最基本的方法在信息过滤推荐内容过滤技术,这也是推荐技术。内容过滤推荐技术适用于推荐基于文本的学习资源,但不是多媒体学习资源推荐。信息检索和过滤技术用于开发基于内容的推荐算法。文本的研究方向的建议主要是用于信息检索和信息过滤技术,这两种广泛使用的今天,基于内容的推荐算法在这方面也有重要的应用。基于内容的推荐不依赖于用户以前的项目成绩或反馈信息,而是为他们创建一个兴趣特征模型基于内容特征信息他们感兴趣的项目。然后系统选择最相似的产品用户以前喜欢的物品,例如,different candidate items are compared with the items that users have previously liked, and the items with the highest matching degree are recommended. Alternatively, the user can be directly recommended items that are most similar to their preferences. Today’s content-based recommendation can extract the feature vectors of the processed objects more accurately, thanks to the continuous development of machine learning [20.- - - - - -22)和统计分析技术。贝叶斯分类神经网络和主成分分析两种最常用的技术。基于内容的推荐算法的核心是为用户提供推荐项目基于资源内容和用户的利益之间的关系。基于内容的推荐算法具有一些优势。具体地说,(1)它可以处理的冷启动新项目,(2)不能受制于得分的稀疏的问题,和(3)具有良好的解释能力。

“CF推荐算法”一词指的是一群算法提出建议通过构建用户兴趣模型根据用户的历史行为数据,neighbor-based和基于模型的算法是最常见的(23]。CF的核心基于最近邻的推荐算法是一种算法,基于最近邻信息提出建议。基于模型的CF算法创建一个user-project做项目建议基于它之前评价模型。基于模型的方法是基于一个模型生成的统计和机器学习应用到现有的数据,而不是一些启发式规则预测计算。收集用户数据,这将影响推荐算法的推荐效果,是一个CF的推荐算法的重要基础。用户自己提供的建议基于CF的建议。用户的推荐精度与生成的邻居集和受到类似的用户,以及他们的推荐结果经常与自己的进球记录。没有产品内容和属性分析,CF推荐算法是使用群体智慧发现用户的潜在利益。它有一个广泛的应用领域,并得到了很多研究者的关注。相关技术也非常成功和广泛采用。

3.2。英语教学平台基于组合优化CF算法精度

学习资源是指形成的信息资源规划和总结教育教学标准。学习资源的建设也是现代远程教育的基本内容。在在线教育系统中,资源的组织不均匀,有些资源non-outlined概述和一些资源。它主要包括建立基本的学习资料,建立一个网络资源数据库,开发学习资源系统,开发一个远程教学资源平台。CF只能预测用户可能喜欢的产品根据他们的历史行为数据,这在实际应用中也获得良好的推荐效果。当一个资源得到足够的评估,这个资源评价的平均值可以用来衡量真正的质量或资源的质量。如果平均值高,这意味着资源质量好,这是非常有助于学习者了解主要的知识。因此,对于优质资源的推荐,我们将选择和推荐的资源来自用户的平均价值最高的。英语学习平台基于CF算法主要包括四个功能模块,即学习模块,资源搜索模块,个人中心,个性化推荐模块。个性化推荐模块是这个平台的核心模块。 The difficulty of this module lies in which way and rules to recommend interesting materials to learners. The flow of this algorithm is shown in Figure1。

计算两个用户之间的相似度是用来找到具有相同兴趣的用户和用户的利益表达的项目由用户兴趣向量。向量空间模型中的内容过滤的本质是匹配资源模型与用户模型,即资源和用户之间的相似度计算模型。的利益价值的物品给积极的反馈在本文中只设置为1的数据集的项集用户给积极的反馈,否则为0。新资源将被添加到定期推荐系统,允许用户学习新信息。你可以推荐的最新资源主要向学生推荐最新的资源时不管他们的爱好。虽然传统的CF算法可以使相应的建议,它经常仅仅依赖用户的评级或积极的反馈信息,忽略行为相关的时间序列数据,和用户或项目相关数据。然而,有效的利用这些数据可以帮助推荐算法执行得更好。使用适应度函数是遗传算法的一个因素是计算过程,使算法来找到最好的人口。缺乏得分数据CF推荐算法引起的冷启动问题。在这方面,内容过滤推荐可以是一个有益的CF算法。

让公式(1)是学习者和公式的设置(2学习资源的集合。有趣的功能可以用来预测用户吗资源的评级 。

相关相似性方法用于计算学习者之间的相似性:

其中, , , ,和是学习者的成绩吗和学习者对资源 ,分别;和学习者的平均分数吗和学习者 ,分别:

其中包括:

其中,是一家集资源共同取得的学习者和学习者 。

在这篇文章中,用户的影响关系是通过挖掘用户的评论和回复行为方面的时间序列数据。假设用户影响关系从这个时间序列挖掘的行为数据,稀疏user-item利益矩阵是根据填写获得用户的影响关系,提高推荐的准确率和召回率。遗传算子的作用是驱动算法的搜索过程,和交叉和变异是两个基本的遗传算子。交叉使每个继承父染色体的一些信息,然后重组交易产生新个体。两个点的交集产生两个随机位置,然后交换基因遗传自父母的染色体。CF系统的推荐过程中,用户的历史行为是动态的。也就是说,在推荐过程中使用的数据将改变后的建议或用户的评级行为的变化。及其user-item得分矩阵是稀疏的,即与矩阵维度的增加,其得分值的比例在矩阵规模变得越来越小。因此,对于数据稀疏的问题,我们可以使用项目分数预测算法,它可以预测未分级的项的分数通过类似的用户的分数CF的建议,以提高资源的进球率。同时,在CF的建议,选择灰色关联度作为相似性度量的方法,可以降低低分辨率数据和稀疏的影响在一定程度上。 Predict the user’s score on the target project by the target user’s score on the resources in the similar project set, and present the topN项目预测分数最高的,即头n个,向用户推荐的结果。资源预测用户的评级的公式如下:

用户的预测评分 ,用户的实际得分 ,计算和梅(平均绝对误差)。

其中,推荐的项目价值吗和是真正的用户。

预处理的数据集时,计数时间序列之间的评论和回复用户。计算用户之间的相似性和资源后,N相似度最高的资源推荐给用户。内容过滤并不是终极目标,但只是一个过程,生成某些资源建议新注册用户。所谓关联程度基本上是差异的程度得分分段折线,所以分段折线之间的插值大小可以用作测量程度的协会。该系统包括学习者的学习行为、浏览、下载、收集、资源和评分。教师主要负责资源建设,包括添加新的英语学习资源和保持英语学习资源。在本文的数据集,只有用户是否喜欢某种资源的数据。因此,当初始化用户兴趣矩阵在这篇文章中,资源的利益价值用户喜欢的是1,和用户不喜欢默认值是0。在本文中,设置一个阈值来确定系统目前的状态。稀疏的得分大于阈值,系统被认为是在“冷启动”状态。然后使用内容过滤的建议,推动资源给用户。 When the score sparsity is less than a given threshold, the score of the unrated items in the library is predicted by the method of item score prediction.

3.3。实现精确的教学策略

精密的顺利进行教学是基于英语教学资源系统推行教师在上课前在本文中。教师准备准确的数据挖掘通过上传英语教学资源和先进的作业分配根据教学目标、学生的学习结果,学习的过程,和个性化的数据。因为数据直观、真实的,它最能反映现实的科学实验。教师用于忽视教学数据当教学课程的重要性。即使老师有一些数据处理和分析过程中,很难判断整个数据分析的有效性。本文的学生一边教学平台全面记录学生的当前学习跟踪和效果,创建一个数据源,准确地反映学生的学习情况,及时反映反馈学习效果,学习,为学生提供数据准确。老师收到测试结果和精度来引导他们的教学中使用它们。教师从学生收集全面pre-learning数据,深入挖掘和分析数据,及时调整教学的困难,并解决常见的问题。根据教师个人喜好添加高级英语教学资源,帮助学生完成选择性学习,消除障碍,并为离线课堂教学奠定了基础。

教师设计教学时应该考虑的第一因素是学生的学习能力与专业知识的难度,教学生按照因材施教和个性化教学。教学分析包括学习情况分析,客观分析和内容分析。在传统的教学模式下,需要大量的时间和精力去分析学生知识与个性化数据。只有最直接结果分析等测试方法可以获得的试卷,但是各种各样的行为不能反映学生的学习过程,很难实现个性化和准确的数据分析。同时,有一个理论与实践之间的差距在传统教学学习情况的分析,导致“以学生为中心”教学设计的失败。测试的实施效果教师准确的教学更及时,我们需要建立一个科学的教学评价体系。教学评价应该包括学生评价教师教学和教师的评价学生的学习。通过双向评价体系的建立,我们可以计算数据,调整和实现精确的教学,提高教学质量。教学资源推荐基于CF算法及其具体教学过程如图2。

教学是教学资源建设的核心要素。所有的资源,用户可以使用在学习过程中帮助他们提高他们的知识水平在本文中被称为教学资源。教材、课件、视频、测试问题,小应用程序和其他资源,可以帮助学生实现他们的学习目标都是英语教学资源的例子。精度基于教学资源的教学建议坚持人本主义理论。通过指导学生,预备学生帮助教师了解学生的认知水平的差异。整理相关的英语专业知识时,教师可以利用网络资源的优势屏幕网络题库资源根据大数据。此外,教师应收集和网络资源以多种方式,以及数据分析相结合的教学反馈进行分类和屏幕合理资源,重构知识要点和教学过程,真正教学生根据他们的能力。本文中的平台自动记录每个学生课堂内外的学习活动,生成准确的个性化数据来源和获得量化值为提高学生的自主学习能力和知识应用能力通过数据分析在教学的各个方面。教师可以准确地掌握学习情况,判断问题,在分析和设计教学的学习情况使用大量的结构化和非结构化数据。避免经验主义和textbook-centered教学设计和实现。 When implementing precise teaching, teachers need to design scientific teaching plans based on educational data before teaching, which includes scientific teaching analysis, teaching strategies, and teaching process design. This is the key factor to implement precise course teaching. The data of CET (College English teaching) platform can reasonably refine the corresponding teaching objectives and clarify the final teaching effect. For English teaching, accurately explain and describe students’ knowledge or skill level, and correspondingly decompose and refine each general goal into quantifiable goals. To help students improve their language knowledge and skills, teachers help students create online and offline multilingual environments through classroom teaching. By advocating the establishment of the network connection between knowledge systems, students can make up for the doubts and difficulties encountered in the process of self-learning before class through multiparty interaction and collaborative discussion in class. Teachers should make corresponding adjustments to the progress of classroom teaching, teaching emphases and difficulties according to the similarities and differences in students’ existing knowledge, and study habits and personality characteristics. At the same time, teachers should scientifically analyze students’ thinking habits and learning behaviors through effective teaching feedback data, improve classroom teaching modes and methods, and enhance the teaching effect.

4所示。结果分析和讨论

评价推荐系统及其算法本质上是困难的两个主要原因:(1)不同算法在不同的数据集可能工作好坏和(2)目标实现的评价是不同的。因此,获取实验结果的可靠性,本文使用不同的算法进行多索引实验在不同的数据集。实验验证了本文提出的方法在电影镜头组透镜收集的数据集研究和泰德数据集。在这个实验中设置的数据表包含三个表:用户数据表,项目数据表和数据表。实验中使用的服务器的配置Windows操作系统;手机双核AMD Athlon 64 x2tk - 571900 MHz处理器;36 G内存,1 TB硬盘。实验使用1286块数据从数据集随机选择,包括评级由421用户512件。稀疏的数据是21.6%,每个用户都有得分超过50项。本实验采用的实验设置的比例训练集和测试集,也就是说,8/1。

资源使用情况的统计数据,显示了下载,建议,和收集的资源知识库,根据的次数排名。通过切换选项卡,可以显示相应的排名情况。单击特定资源条目可以显示用户的资源评价和推荐类似的资源列表。因为不同大小的数据的数据集,和大量的输入数据,算法的计算性能影响的实验环境,因此不能完成计算任务。用户的满意是最重要的指数来评价推荐系统,它可以直接反映用户的推荐结果感到满意推荐的人。然而,它不能离线计算,但是只能通过用户调查或在线反馈。不同算法在不同数据集的用户满意度表所示1。

在实验中,数据集分为训练集和测试集。该算法在训练集工作,以及项目的测试集预测的数据训练集。确认测试,也称为资格测试,主要测试是否学习资源个性化推荐系统的功能满足用户的需求。它主要分为两个链接:有效性测试和配置审核。有效性测试是由系统的用户。覆盖的比例项推荐系统可以推荐至少一个用户。这个指数描述的能力推荐系统探索项目的长尾。一个好的推荐系统不仅应该推荐项目,用户满意,而且覆盖尽可能多的物品。覆盖率在(0,1),和覆盖率越大,越长尾可以被发现。不同的算法如图的报道3。

在本节中,传统的CF算法和特征融合CF算法使用不同的数据集,计算在不同的数据集,比较推荐质量在同样的实验条件。多样性的区别是在推荐列表中每两项;多样性和相似性是成反比的,和缺乏多样性将对用户体验造成负面影响。用户满意度会减少如果推荐列表只覆盖一个用户的利益,和推荐的利益不是当前用户的利益。如果推荐列表涵盖了广泛的用户利益,它会增加用户的可能性将会找到他们感兴趣的东西。表2描述了不同算法在不同数据集的多样性。

在该测试中,美是用来衡量推荐学习资源个性化推荐系统的性能。美价值是一种最常用的标准来衡量一个推荐系统的性能。目前,几乎所有的学者引用此标准当预测CF算法的准确性。在本文中,不同的算法在不同的测试集测试,结果如图4和5。

美价值越小,推荐精度越高,也就是说,推荐性能越高。相似的用户组的选择最终的推荐结果有很大的影响。算法稳定性的推荐精度是一个重要的指标来衡量CF推荐算法的效率时,选择不同的邻居集。从图可以看出5改进的CF算法有一个小值,这表明,该改进算法有效地解决了问题,user-item评价矩阵不能度量用户之间的相似性和物品的传统相似性算法非常稀疏。

本文的实验目的是证明该系统可以为用户提供更准确的推荐资源利用优化算法,和推荐精度是一个重要的标准来评价推荐算法。预测精度是衡量能力的推荐算法预测用户行为。在计算这个索引,它通常是一个离线数据集包含用户的历史行为记录。在离线实验中,数据集需要被分成两部分:训练集和测试集,通过构建模型对训练集和预测用户的行为,最后对比计算和预测结果与用户的实际行为的比例在测试集,它是测量。在不同的测试集,选择邻居集大小不同的,和测试和比较传统的CF推荐算法,特征融合CF算法和本文算法优化的建议。对比结果如图6和7。

根据图中的数据7,这种方法的推荐精度为94.6%,高于CF算法的特征融合传统CF算法4.5%和9.7%。总的来说,这个算法的推荐精度最高,其次是单一特征融合CF算法,和传统的CF算法的推荐精度是最低的。这表明这个算法更好的性能。方法在相似度的计算,本文使用的有效信息,预测比分,然后计算相似性通过寻求联盟,而不是相交。该算法提高了计算的精度相似的一组项目,从而有效地改进推荐算法的推荐质量。

5。结论

精密教学有两个组件:精密教学由教师和准确的学习的学生。精度本文提出和构建一个英语教学平台基于组合优化的CF算法准确地推荐英语学习材料,满足学习者的个人喜好,实现精密教学。灰色关联度作为相似性度量的方法在这篇文章中,可以减少低分辨率的影响在某种程度上和稀疏的数据。在不同的数据集,实验结果表明,该方法的推荐精度为94.6%,高于CF算法的特征融合传统CF算法4.5%和9.7%。已经证明使用时间序列数据用户之间交互行为,挖掘隐藏的用户影响关系信息可以提高预测精度。通过纸质试题测试学生的知识掌握是耗时在传统的英语教学中,并收集反馈信息的准确性较低。学生的知识和能力可以进行测试,可以获得即时反馈使用信息技术在教育领域的帮助下在这篇文章中构建的平台。老师可以迅速制定有针对性的学习计划,实现准确的教学策略的转换,提高教学效率。系统构建的支持下在这篇文章中,传统教学的缺点是可以克服的。教师可以进行统计分析学生的掌握知识要点,并解释的重要和困难点,这样学生在学习的过程可以避免弯路。 Obviously, some achievements have been made in this research, but further research is needed on the characteristics of instructional resources.

数据可用性

使用的数据来支持本研究的发现可以从作者要求。

的利益冲突

作者没有任何可能的利益冲突。

确认

本研究支持部分的人文和社会科学青年基金项目教育部,中文和英文的语法化研究和认知动机口头测量结构(20 yjc740013),和部分人文社会科学研究一般项目的河南省高校,语法化研究英语和汉语语言从认知角度测量结构(2021 - zzjh - 151)。