文摘

游泳不仅是一种有趣的爱好也是一种体育赛事。这是一个运动加强身体。尽管有许多游泳教练,有不同的游泳教学课程。然而,选择正确的游泳教练或课程是学习游泳活动的动机。为此,本文进行相关研究对个性化推荐系统基于深度学习的游泳教学的目的,提高推荐系统的准确性,以满足用户的需求,促进游泳项目的发展。本文主要采用实验测试方法,系统施工方法,问卷调查的方法来分析和研究个性化的游泳教学体系和学生的态度,最后得出结论。数据结果表明,系统的精度设计的摘要可以满足基本的需求。因此,它可以给用户带来一个很好的经验。根据调查问卷的数据,85% - -95%的人有很大的个性化推荐系统的信心。

1。介绍

在游泳教学的信息量是巨大的,而且学习时间长。如何选择一个合适的游泳教学过程的大量数据是提高游泳技能的基础。这是一个游泳爱好者优先考虑。与此同时,新一代信息技术、网络技术和数据库和云计算等,不断引入到教育领域,对传统的教学模式。它有一个巨大的影响深度学习方法的使用来提高游泳教学的个性化推荐系统有利于游泳爱好者的选择,节省时间和成本。

有很多种基于深度学习的个性化推荐系统的研究。例如,长胡锦涛说,深学习是神经网络的发展。个性化学习资源推荐系统可以满足个性化的需求和精确的学习1]。毛纺说指数增加的信息在互联网上,它已成为一个复杂和耗时的任务用户选择目标信息从大量的信息2]。冯贝贝认为解决这个问题的方式让用户无法迅速获得信息爆炸的目标信息,因为是建立一个推荐系统(3]。因此,从深度学习的角度,对游泳教学的推荐系统的研究是一个创新的探索基于现有的理论成果。

本文中,首先,研究深度学习的相关技术。然后,推荐系统的相关算法进行了研究。我后来研究了推荐系统的详细设计。

最后,系统框架,进行实验和问卷调查,得到了和实验结果和调查数据。

2。个性化推荐系统的设计基于深度学习游泳教学

2.1。深度学习技术

深入学习是机器学习领域的一个研究分支。简而言之,它是一种技术,可以提高计算机系统基于经验和数据。神经网络是深度学习的基础,也被称为人工神经网络。灵感来自仿生学的研究和模拟大脑神经元的功能(4,5]。深入学习包括学习固有的法律和代表性的样本数据,并在学习过程中获得的信息有很大的帮助在解释数据,如文本、图像和声音。它的最终目标是让机器分析和学习人类和识别数据,如文本、图像和声音。深度学习是一个复杂的机器学习算法,取得了结果远远超过之前的相关技术在语音和图像识别。

人工神经元感知器是一个线性和两个分类功能:一般来说,实例的特征向量的输入,并输出相应的类别。类似的感知器,年代神经元是由多个输入,然而,这些输入可以取任何值在0和1之间。神经网络的基本单元是神经元,从而形成一个结构。非常复杂的神经网络由于各种连接。神经网络是一种重要的机器学习算法,利用梯度下降算法进行训练。像其他机器学习算法,神经网络包括监督和非监督学习方法。在监督学习中,通过神经网络的输入和输出。输出偏离预期的输出。神经网络使用这种扭曲转化整个网络的重量,这样实际计算值尽可能接近期望值。在无监督学习培训、网络结合自己的学习规则来调整权重不断接收动态信息。 The goal of learning neural networks is to find the model parameters that minimize the algebraic function. The gradient descent algorithm can solve this minimization problem well. An important method for calculating these gradients in neural networks is backpropagation [6,7]。

人工神经网络是非常受欢迎的今天,有广泛的应用。深度学习的基础的函数形式如下:(1)较强的学习能力。神经网络的最大特点是其较强的特征提取能力。类似于大脑,它可以从各种输入转换过程。如果输入的变化,它可以调整提取的特征随着时间的推移,这是非常适应(8,9]。(2)并行性。人类的大脑可以同时处理多个事情,反映出人类大脑的并行性。神经网络可以通过模拟人类大脑处理信息的独立和反映相同的并行性。(3)非线性。神经网络对非线性系统是一个非常重要的研究工具。它可以有效地识别模式的输入和输出之间的非线性关系。从外面,神经网络就像一个黑盒子工具,隐藏的其他部分的神经网络结构,除了出入境。(4)鲁棒性。由于神经网络包含许多神经元,每个神经元股票贡献值,每个神经元都有一个相对较小的影响整体的结果。如果某些数据被污染,它会影响网络的整体性能。特别是,对分布式计算语言几乎没有影响。这种鲁棒性可以更强烈反映(10,11]。

因此,一个游泳的推荐系统的设计可以充分考虑神经网络的作用。对推荐系统应用深度学习有利于学习和宣传。

2.2。推荐系统相关算法

由于现代科技的发展,各个方面的推荐系统的普及使他们在个性化发挥巨大的作用。因此,有必要研究相关算法的推荐系统来提高推荐系统的准确性。一般而言,推荐系统可以分为三个部分:用户,推荐对象,并推荐算法。首先,获取用户的兴趣偏好。这两种方法之一是显示方法,另一个是默认的方法。显示模式意味着用户主动提供系统的兴趣偏好。隐式方法意味着过去系统分析用户的行为数据,推荐系统模型,然后基于获得的用户兴趣偏好。获取信息的推荐对象,对象可以表示中提取信息,这些推荐对象模型。然后,使用一个合适的推荐算法流程创建的模型,结合项目推荐,计算推荐对象,符合用户的兴趣,并推荐给用户(12,13]。

推荐算法的优点和缺点有一个重要的对推荐系统的效率的影响。基于内容的推荐算法的基本原理是计算项目相关元数据和基于用户偏好高度相关教程推荐给用户基于用户偏好的历史。简单地说,它是使用用户之前的记录中提取用户的偏好信息,同时,提取的属性项和比较两个推荐一个教程,更接近用户的偏好信息(14,15]。

这些向量代表之间的相关程度,和游泳。重量,首先要做的是计算的频率类,如下: 在哪里X代表的数量游泳课程过程中,代表了一些游泳课程 ,加1的目的是避免分母为0。频率是通常定义如下:

是游泳的频率在这门课 ,和是最常见的单词的频率在这门课 。通过这种方式,体重的单词在这门课表示如下:

通过上面的计算中,路径可以表示为一个向量。然后,建议用户通过计算相似度。作为一个有效的推荐方法,基于内容的推荐是简单和容易理解。推荐的结果也符合人们的认知。没有用户之间的交互。

2.3。游泳教学体系

游泳是一种机能活动,依靠自己的身体运动和水力移动或在水中。它具有较高的适应性和控制身体的要求,以及经验和感觉。

对话教学是师生对话的基础上,发挥教师带领学生“双中心”教学活动。在教学中,引导学生学习积极,独立、合作、探索的方式。准确预测的基础上的发展,学习态度和自主参与创建主动与老师和同伴的沟通和参与。学生的知识水平和他们的个性的构成最终要求每个学生积极参与教学过程实现获得技术技能和发展技能的目的。确定谈话的目的。设计相应的对话,根据对话类的特点和学生的特点。质疑是对话理论的起点,具体包括以下两个阶段:系统分析的专业知识体系的具体内容,具体问题设计的对话内容,评估标准的决心。

除了教学方法、游泳推荐系统还需要有以下特点。个性化推荐游泳教学是一个完整的、相对独立的、抽象与雄厚的技术内容。与此同时,它依赖于数据库,并有大量的数据。因此,需要详细分析了在提取信息时,不同的用户有不同的要求,这个信息。因此,我们必须准确预测所有可能的用户的偏好和他们关心的话题和内容的特点建立相应的模型来提高系统的性能。系统的个人特征是基于数据库技术建立游泳教学信息数据库,进行数据统计和分析。学生的需求预计通过收集游泳的运动学、心率变化,和其他人类生理指数参数,以及时间变量,用户花在调查。然后,基于这些数据建立一个新的模型。根据这一模型,不同的用户组可以分为多个亚型对象集来确定个性化推荐内容和建议为每个特定的目标群体范围。

个性化推荐系统的主要流程游泳教学包括以下:用户注册和登录、管理员发布的课程安排,学生登录和选择的话题,选择培训方法和调查结果。初步评分系统:此模块是原始数据的统计分析和处理。其主要目的是评估学生游泳课的性能。老师教学建议过程:根据用户的登录密码和个人识别信息,它是判断是否选择教学学校的号门作为教学对象或类。与此同时,你可以搜索学习情况,就业问题、和其他相关材料的主要使用关键字。当新学生进入,他们可以进入游泳计划在数据库中查询并返回结果。

2.4。个性化推荐系统的设计

随着网络的发展,网络上的各种信息资源呈爆炸式的增长。当堆叠的方式呈现给用户,用户面临着信息过载的问题,恶化的用户体验。正是由于网络的数据资源的扩张,它是困难的为用户选择适合自己的课程。因此,一代的个性化推荐系统是必要的。此外,网络用户的数量增加,并且有不同的用户之间的个体差异。因此,系统必须考虑不同用户的需求,同时提高系统和提供个性化服务,以满足不同用户的需求。个性化推荐系统基于深度学习的游泳课是一个典型的地产项目。它的目的是为用户提供更多更好的拯救生命的方法,包括游泳技术的分析和治疗、救生设备,和其他相关信息。这个模块主要是针对用户的不同需求和休闲的时代。系统和资源的使用技术要求信息资源映射到用户之间建立一个连接的用户和资源,提高用户的系统适应性。 More specifically, the customization requirements of e-learning platforms are mainly reflected in the following aspects:

用户个性化需求的学习资源是不同的。不同的用户有不同的学习资源的需求。当系统向所有用户提供了相同的内容不管它们之间的区别,结果是用户体验。如果系统的数据处理不好,这不是有利于资源的充分利用。

提高用户对系统的适应性。系统资源持续增长的基础,学习资源的数量也在增加。由于大量的学习资源,学习者容易信息过载。与此同时,由于缺乏学习者之间的连接和资源,有资源分离和隔离现象,这不利于资源的使用和管理被认为是在学习的过程中。提高用户对系统的适应性,使系统更具吸引力,减少用户的损失。用户和资源之间的映射关系建立了一种个性化推荐技术,不仅可以提高资源的使用也提高资源管理的便利。在某种程度上,它可以消除资源和用户之间的差距。

个性化推荐的最大优势是它收集用户的特征信息,为用户提供个性化推荐服务基于这些信息。个性化推荐的作用主要表现在这些方面。第一是减少用户检索资源所需的时间。个性化推荐是积极为用户提供推荐服务。这个过程是由系统自动执行,不需要用户干预。同时,个性化推荐系统可以帮助用户快速找到他们感兴趣的学习内容,从而减少用户获取信息的时间,提高用户学习的效率。二是寻找潜在的兴趣点的用户。相比之下,信息搜索、个性化推荐可以搜索用户的潜在的兴趣点,从而提高信息资源的利用率。

个性化教学基于深度学习的推荐系统是一个多层次的复杂和巨大的融合。在设计模型时必须考虑许多因素,包括用户特点,游泳者的特色,以及相关的环境。首先,分析以下方面:用户数据,即。,the study of the storage structure and processing capabilities of the original database, time difference processing, and the simplification of complex data. Combine the learning model to model and solve the problem, and send the result to the decision engine. To improve the attractiveness of the system, the personalized recommendation system recommends based on the learning resources that users are already interested in. At the same time, the system can analyze the changes in the user’s leisure and information resources and automatically update the recommendation list. The personalized recommendation system can not only provide personalized services but also establish a stable relationship with the users, thereby attracting them, improving their compliance with the system, and reducing their churn to a certain extent.

个性化推荐系统基于深度学习的游泳课主要是用于分析用户的偏好和创建一个游泳训练模型后提取大量数据。算法,首先计算功能的人数和课程之间的关系。然后,输入到神经网络预测结果。经过多次迭代,最优参数集(即。,weight value) and the probability matrix triggered by the most number of right-clicks are obtained, and the final weight vector and the output vector of the mapping rule are obtained as the number of training samples. Fully collect and analyze the user demand information. The deep model is created by digging into the user’s points of interest, sports hobbies, and other related functions. The system supports multiple technical methods, such as multidimensional in-depth modeling and analysis, hierarchical evaluation, and decision trees to describe complex problems, and to a certain extent, solve the problem of a large amount of information in traditional article recommendation algorithms. At the same time, it also provides the users with a new way of “learning-personalization.” The personalized recommendation system based on deep learning is a complex and huge multidimensional nonlinear model. When evaluating the students’ swimming performance, traditional teaching methods often ignore feature extraction. From the user’s point of view, this article proposes a new idea, which is to use the training data sets to predict and identify the sporting goods that may have the same attributes. At the same time, it is also considered that a personalized recommendation system based on deep learning can construct different types of training examples and use the raw data for modeling.

3所示。实现个性化推荐系统游泳和问卷调查

3.1。系统的总体框架

系统主要由两部分组成:模型建设和定制游泳推荐引擎。根据处理顺序,系统主要分为数据处理层,复苏模型构建层和用户层。系统采用B / S体系结构,用户兴趣模型捕获编写的Python代码,和后端系统的逻辑是用Java语言写的。原始数据集不完全满足本文的实验要求,必须处理两次。首先,执行一些常规预处理对文本数据的操作,比如删除停止的话,删除的代码,等等。然后,获取用户的兴趣表达式使用深度学习模型。建模层分为两个层次:研究层和推荐层。研究层应该使用深学习模型来生成基于文本的特征向量,用户感兴趣的。用户查询级别的主要目的是建立一个基准用户研究的平台,为用户提供个性化的搜索结果,并推荐游泳课的研究结果的基础上的游泳池。具体的过程如图1。

3.2。操作环境

本系统采用JavaWeb B / S架构的程序。因为Java语言的多平台特点,该系统可以在不同的系统上运行。系统采用MVC设计模型和导弹系统开发框架。前端交互使用JSP页面和CSS应用于美化前端。背景和前景之间的数据交互是异步完成Json交互。后端数据和数据库与Mybatis交互框架。开源Lucene搜索引擎用于索引结构和查询分析。系统所使用的特定工具如下:操作系统:Windows13开发语言:JavaJVM版本:JDK1.8Python版本:Python3.1.5TensorFlow版本:TensorFlow1.5.0开发工具:Myeclipse13服务器:Tomcat9搜索引擎:Lucene5.5.0细分装置:IKAnalyzer2018FF_u1数据库:MySQL5

3.3。实验过程

本文提供了50个测试人员测试系统,主要是为了测试推荐算法的推荐效果。具体的测试计划和评估标准如下:

资源定义的标签是用户和系统管理员。用户可以根据自己的理解定义资源标记。同时,系统管理员将默认标签的资源时,资源被释放。当用户搜索资源,系统将重新组织和权衡用户定义标记形成矩阵资源标签数据。根据基于社会标签推荐算法,系统搜索数据库资源相似性高的用户和搜索的资源推荐给用户。用户的判断的准确性的推荐结果主要是判断资源推荐的算法类似于学习资源,然后评估的准确性作为标准推荐算法。推荐算法的推荐效果更好,反之亦然,推荐效果相对较弱。

这个实验分为对照组和实验组。对照组不使用算法来填充数据,以及实验组使用算法来填充数据。一共有五套进行测试。在每个实验周期,10个用户被选为测试对象,所有10个用户需要标记相同的学习资源。测试人员可以学习材料根据自己的理解。所有的测试人员都配置标签后,下一步是测试推荐算法的推荐精度。基于社会标签推荐算法的准确性是基于准确的判断。

3.4。问卷调查

实验结束后,对学生进行问卷调查的爱游泳。调查的主题是一个个性化的推荐系统的可行性。了解游泳个性化推荐系统的设计要点,20人使用问卷调查,访谈的形式进行了现场访谈和回答问题,持续了一个小时。

4所示。实验测试和分析调查结果

4.1。比较两组之间的美测试

基于用户的协同过滤推荐算法进行测试。由于小数量的测试人员,获得的数据比较稀疏。美值每次添加10个测试人员,测试,测试结果如表所示1。

如图2,我们注意到,随着测试人员数量的增加,实验组的平均绝对误差和控制是减少。从一个错误的2.5和2.8 10测试人员的误差为1.6和2 50个测试人员,分别下降了0.9和0.8的平均误差。这是因为随着测试人员数量的增加,其他对象类似于目标对象也会增加。实验预测的准确性越高,平均绝对误差的实验组明显低于对照组。

4.2。推荐算法的精度分析

如果标签设置由用户反映了学习资源的特征信息,然后越高的准确性基于社会标签推荐算法的推荐,准确率越高。那些以支持的态度,17人确定了学习环境,18与认知水平,19日与学习结果。细节如表所示2。

如图3,实验测试的结果相对稳定,然而,实验测试的准确性达到40%以上。相对较大的波动的原因是,标签设置由用户有时不能反映学习资源的特点。

4.3。分析学生的态度游泳个性化推荐系统

根据问卷调查的形式,几十个学生的建议和态度已经收集了游泳的个性化推荐系统。主要信息包括学习环境、认知水平和学习效果。从这些方面,学生的态度可以派生。具体情况如表所示3。

如图4的态度,我们可以发现游泳的个性化推荐系统。超过85%的人同意这一观点。只有少数的人不确定,和2人是消极的。因此,个性化推荐系统对游泳教学在教学效果起着非常重要的作用,可以深入研究。

5。结论

随着游泳的普及,人们对水的需求也越来越享受服务。游泳课程也被青睐的更多的人。是非常必要和有意义的开发一套个性化的服务分析系统用户需求。系统可以根据用户推送信息的年龄,爱好,和其他特征,帮助游泳爱好者更好的了解内容以及他们获得了知识。因此,个性化推荐系统的一套适合swimming-loving用户可以开发促进游泳的发展,提高人民的力量,帮助那些想要合适的游泳课程。本文中,首先,研究深度学习的优点,阐述了基于人工神经网络的深度学习。其次,推荐系统的相关算法进行了研究。描述的算法,提高系统的数据处理能力。然后,分析了个性化推荐系统,展开一个接一个从其内容、特点和原因。最后,进行了实验和问卷调查。 According to the results of experiments and investigations, the system designed in this paper has good accuracy and practicability, and the system is supported by most users.

数据可用性

使用的实验数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有利益冲突的报告对于本研究。