建议体育的方法基于机器学习算法的网络课程资源

文摘

针对的问题困难的体育网络课程资源的选择,推荐网络课程资源的方法提出了基于机器学习算法。建立了信息推荐模型通过协同过滤算法的表达式和资源反馈矩阵。根据用户的反馈评分相同的数据资源在项目集,建立了兴趣匹配度比较分析,和匹配程度被替换成余弦相似度函数来计算每个项目之间的相似度阈值,计算相似度阈值的所有项目,选择最佳匹配的项目资源用户根据阈值数,并完成推荐。实验结果表明,物理教育网络课程资源的推荐方法基于机器学习算法是相对优秀的推荐精度和效率;该方法可以实现高等物理教育的创新网络课程教学模式。

1。介绍

互联网和移动互联网技术的快速发展,网上学习已经被人们广泛认可的方法。而在线学习网站为用户提供丰富的课程资源,信息过载的问题日益突出,和大量的学习资源常常让用户不知所措。推荐系统可以帮助用户快速找到他们所需要的课程,它是一种最有效的方法来缓解信息过载的问题1]。目前,由于缺少统一标准的建设和网络教学资源的分类,设计开发的在线体育教育资源主要是基于个人经验。然而,有许多类型的体育在体育纪律。每个链接必须收集相关信息关于每个运动的发展,所无法解决的几个网络开发人员和一个或两个体育专家。因此,在开发过程中,应该采用一个统一的标准来确定每个知识的体育赛事和教学资源的格式。同时,各种开发单位,特别是高校,有严重的“standardism”思想2]。许多学院和大学已经建立了自己的网络教学平台使用自己的网络的考虑增加学校的知名度和声誉的品牌或考虑学校的教学资源的开发和集成。这导致重复投资硬件设施,软件平台的重复效应,和重复建设的在线体育课程有多个“版本”的体育教育资源同样的体育项目和内容。因为没有统一的标识,很难维持。扩张的困境使得在线体育资源的利用率很低(3]。如果可以使用一个统一的平台,这个平台可以兼容其他数据类型和有一个统一的推荐算法,数据通过网络可以统一和更多的资源用于更有效的学习。

目前,相关学者研究推荐的体育网络课程资源,取得了相应的研究成果。文献[4]讨论了诙谐的建设路径区域大学体育联盟协作开发,提出了一个战略区域高校体育教学联盟实现规范化和协调发展的精神在新时期实现“”共建、cogovernance和分享”,促进区域的综合集成和有效利用高校体育资源,并促进区域的协调发展大学体育教育的新时代。文献[5)提出了决策树算法的应用的分析和管理体育教育课程。首先,分析数据挖掘方法used-C4.5决策树算法,然后给出过程分析和管理系统框架及其数据库设计。上述方法是可行的,但仍有改进的空间资源推荐的准确性。

针对上述方法的问题,本文提出了一种方法,建议体育基于机器学习算法的网络课程资源。本文的主要贡献如下:(1)使用机器学习的方法来处理数据的数据可以帮助我更多的功能,有利于后续的建议(2)使用协同过滤模型算法来计算数据集的相似度能有效区分类似的数据有效地建议体育网络课程资源(3)实验证明我们的方法是相当甚至更好的与其他方法相比

符号的列表如表所示1。

2。基于机器学习的推荐算法

2.1。协同过滤算法

2.1.1。基于协同过滤算法的信息分类处理

使用预处理技术和数据挖掘技术来处理和分类的信息资源节点(6),然后建立一个得分数据模型。通常选择使用 得分矩阵 :

其中,表示矩阵的行数,代表矩阵的列数,评估项目的价值由数据是由 。0到5之间的一个整数代表数据评估值。的得分数据到产品上,值越大,越高的数据,和0意味着数据没有评估。您还可以使用一个整数区间来表示评估水平;级别越高,越受欢迎。

使用构建评分数据模型来搜索网络信息数据和获得进球的得分向量信息网络上的信息数据。得分向量根据相似度计算公式,和分数相似 之间的数据和数据在数据得分矩阵。然后,获得的节点信息相似性降序排序,我们可以得到 。然后,最近邻值的大小是根据选择策略决定的。有两种主要形式的邻居选择策略。第一个是设置的数量最近的邻居提前,第二个是设置一个固定的相似度阈值。如果目标相似度大于阈值,相应的数据可以分为目标最近的邻居集。然而,长期的经验证明,确定最近邻的方法固定值的价值比后者好。因此,固定数量的邻居的通常采用确认的数量最相似的邻居。最近的邻居集可以表示为 。 。

我们在这里使用k - means (7]。当然,现在有许多进化版本的k - means算法,如k - means + + (8),我们将使用原始的k - means算法,因为它有许多优点,例如,算法处理大型数据集时保证更好的可伸缩性和低复杂度的算法。

2.1.2。相似度计算

的协同过滤算法,最近的相似度的计算是一个重要的先决条件找到邻居集(9]。相似度计算函数分为余弦相似度,修正余弦相似性,相似性和相关性10]。其中,余弦相似性计算内积角的余弦值网络节点信息和项目之间的空间向量和余弦值用于计算数据之间的相似性11];流程如下:

调整余弦相似性的目的是为了解决这个问题不同的评分尺度的影响造成的个人因素在评价网络信息数据。余弦相似度公式的修改主要是计算夹角的余弦值减去后获得了平均得分向量的余弦相似度向量的信息数据。流程如下:

相关相似性也叫皮尔森系数。首先,找到设置的项目信息数据共同得分,然后计算相关系数向量组常见的得分项表达不同的网络信息数据的相似性,如以下公式所示:

在上面的三个相似度计算公式, , 网络信息数据的得分项集吗 , , , ,和 , 元素的个数,得分项集的交集吗 , , ,和 的平均评级,这是评价项目。事实上,这三个相似性计算方法计算数据的相似性的分数。如果信息的数据量并不大,会有相关的问题将影响计算的准确性。因此,选择不同的相似度计算应该根据不同的数据集。方法,以保证计算的准确性。

节点信息后分类基于协同过滤算法,使用两偶图网络结构分配的资源分类节点信息和推荐信息资源12]。假设一个网络是由由两部分构成的图 , 代表用户类别的分类信息,代表项目类别的机密信息。有节点和类型的数据信息类型的数据信息节点以及它们之间的数据信息优势。形成一个网络结构。如果假设用户 和项目 在这种网络结构,然后选择关系会形成用户和项目,和一个邻接矩阵 可以用来表示这种关系。如果用户选择一个项目 ,然后 ;如果不是这样, 。

每个用户都有自己的爱好,所以根据用户选择的项目,我们可以准确地理解用户的好恶对某些项目在这个阶段(13]。此时,得分清楚地显示了每一项用户的偏好。如果这些不同的偏好在抽象的意义上是提取(传播信息,信息资源的价值,等等),然后代表具体,可以清楚地看到,不同的项目选择不同的用户可以连接到形成一个网络的关系。让这些关系中的获得的资源值流。当用户选择目标分配资源获得的价值没有被选中的用户到用户的选择项,目标用户推荐用户没有选择项,和推荐过程形成14]。多节点信息资源推荐的过程两偶图网络结构如图1。

如图1,假设目标用户 ,两偶图的多节点信息资源配置过程如下:(1)设置初始资源信息数据项的值。“1”设置为初始资源选择的项目标用户的价值的类型节点信息,并不是选择的项目是2。项目设置的初始资源值1 。(2)根据选择的关系,分配给资源的价值集成和分布式的相邻节点,这样用户设置 可以获得的资源价值。资源价值得到所有用户的用户组是所有项目的资源价值的总和节点在集合除以节点的值 。(3)根据选择的关系,首先整合资源推荐值集,然后将集成用户节点资源值分配给邻类别项目节点集,最后获得项目的信息。所有项目不选择将被包含在资源价值。在这种情况下,获得的类型信息节点资源价值包括所有用户的信息项资源值的总和在用户设置-节点度的信息。

资源扩散过程提出的多节点信息资源分配算法基于两偶图网络结构,设定的目标用户 ,具体步骤如下:(1)确定初始资源价值,由以下公式表示: 其中,信息项对应的用户是一组初始资源价值由 。(2)选择任何用户从集没有选择项目资源作为所选的目标用户 ;流程如下: 其中,代表有多少用户选定的信息项 ,也就是说,这些信息项的程度。(3)任何物品的获取资源的过程在集是由以下公式表示: 其中,是推荐的资源价值生成的项目当目标用户建议项目 。物品的数量选择任何用户任何用户的程度吗 。

3所示。建议体育网络课程资源的方法

目前存在一些问题在高校体育教学中存在的问题,如教师短缺,有限的时间,扩大教学内容、不足和“学习和训练之间的矛盾。”因此,有必要构建和应用数字体育课程和网络课程等教学资源,开发体育理论课程网络教学,改进教学方法和提高教学效果。通过上述的协同过滤推荐算法,实现体育教学网络课程资源的建议。

3.1。分析的重要性的建议体育网络课程资源

设计物理教育网络资源的目的是“引导学生进行科学的体育锻炼。“有必要设计的整体结构网络资源的内容。内容必须是系统的。它应该包括基本的体育知识、体育锻炼方法,卫生保健和康复、运动处方、信息反馈、实战练习,照片,视频,和专家的答案。体育网络资源系统的设计应该不同于其他网络课程教学设计。它应该基于“指导学生学习和实践”,让学生学习和锻炼有意识地“发现”。它可以通过建立实战模拟区域,锻炼效果反馈,和体育专家在线。实战模拟区域主要是基于实战演习模拟设置根据体育锻炼的需要。系统可以提供直接的指导信息根据学生的问题、困难和关键点在实战锻炼。锻炼的效果反馈区域空间反馈的影响,困难,问题,等等的体育锻炼系统。收到反馈后锻炼者,系统将立即评估、反馈、鼓励、表扬、指导、建议等等、开运动。 Sports experts online, e-mail, and so on are spaces to strengthen the interaction between teachers and students. The integration of online sports teaching information resources is a systematic project. The research on the integration of sports information resources is optimized and integrated based on scientific theories and methods to form a coconstructed and shared virtual sports information resource system. This system is conducive to enriching the theory of sports information resource integration and accelerating the construction of campus sports digital libraries; it is conducive to the orderly development of sports information resources and the increase in utilization rate; it helps to eliminate information islands, achieve the greatest degree of sports resource sharing, and provide a theoretical basis for realizing the domestic sports information network system, the construction of sports information value-added services, and the simultaneous development of the market economy.

3.2。下信息相似性的推荐过程协作算法

根据当前的体育资源信息数据类型库,它应用于推荐模型。考虑到资源共享网站的实时状态,协同过滤算法将被应用到推荐的体育信息资源图书馆实时确保推荐质量和提高信息的稀疏15]。

3.2.1之上。Nondataset项的得分

通过寻找邻近目标的数据信息,预测目标用户对项目的评分nondataset:(1)对用户评分相同的数据和用户 ,设置这个项目集 ,和关系表达式 公式代表的评级反馈相应的用户和在相同的数据集。(2)在数据集的用户 ,目标项目没有反馈分数可以表示为 (3)逐步计算用户的反馈得分为每个类型的目标项目的数据项集合 。首先,假设的反馈评分物品将在下一步计算,它需要根据用户的分数项目和与其他目标项目进行比较。相似的表达 ;然后,相似的措施(16)可以表示基于余弦相似度函数(17]。(4)根据相似的信息,执行降序排列组合,并选择最相似的数据集的项的邻近的阈值作为 。(5)把用户作为一个例子,它是预测评分的项目集合表示为 ,,计算公式如下: 的公式,和代表所有用户的平均预测评分的项集和 ,分别。(6)根据上述步骤,依次循环执行计算,预测反馈的所有用户的所有项目集合可以以同样的方式获得的。集项目对应的用户和用户 ,并使用相似性阈值(18)相关满足这个条件 这样的实际得分体育资源信息数据库是

3.2.2。剩下的项目预测分数

(1)计算用户之间相似性的数据和 ,分别用上述余弦函数来计算: 的公式,代表用户评级之间的十字路口和 ,表示为 , 和代表所有用户的平均实际评级项目集和 ,分别。假设用户只提供反馈分数的体育信息1号,3号,5号在图书馆的资源,它是表示为 。(2)根据上述过程,同样计算剩余的推荐相似的信息反过来,用户根据相似性信息,安排他们在降序排列建立数据收集,即建立一个大规模的用户组 与整体用户区域作为目标。,让 因为相似性的推荐信息和都是最高的,其次是吗 ,因此有必要结合和顺序安排,设计信息资源相似性是最低的,最相似的用户。两者之间的最大阈值设置 。在这个收集、阈值的用户数量被选中时,这被认为是最近邻集合的用户。(3)使用最近邻数据收集在步骤(2),然后检测的实际分数体育资源数据库信息没有反馈得分在所有剩下的数据收集: 在完成资源图书馆信息推荐和重复上述步骤反过来,所有用户的预测分数和实际分数值可以计算。

3.2.3。实现最终的体育资源数据库信息的建议

首先,选择资源序列,需要推荐和使用两种方法在资源图书馆数据中有效地推荐它。第一个方法是比较分数的预测项目数据集的最大阈值 。例如,推荐列表发送给目标客户,然后组合和排列形式的数值根据预测评分值的大小,和项目资源图书馆信息更大的得分值是选择并添加到用户的推荐列表。最后,根据上述步骤,相似度值计算的协同过滤算法是用来区分之间的相似资源信息数据库,实现最优数据选择,并完成体育教育网络课程资源的建议。

4所示。实验结果和分析

4.1。测试准备

电脑的操作系统选择Ubuntu 16.04 LTS麒麟;结合体育教学的特点,网络课程资源,资源数据加工成二分法的体育网络课程资源数据集的方法。我们将数据集划分为一个训练数据集,测试数据集,在一个比3:1,使用交叉验证方法来防止过度拟合的模型。然后,我们使用矩阵分解技术来处理数值均方根训练集。处理过程可以表示为

其中,代表数值均方根 , 代表的培训矩阵训练集和测试集,和代表数据集的数量。后分解成数值均方根值,用户和资源之间的匹配分数的体育网络课程资源评估根据数值均方根。利用文献[4)的方法和文献[5]方法实验对比的方法,测试的三种方法的应用程序性能物理教育网络课程资源的建议。

4.2。测试结果和分析

减少体育网络课程资源数据集的维数到一个标签数据集,数据集之间的相似度计算,控制三个推荐算法来处理相同的相似度值,并定义物理教育网络课程资源推荐过程。计算参数的大小在推荐过程中生成的三个推荐算法。数值关系可以表示为

其中,代表了计算值,其他参数保持不变的意义。对应上面的参数值计算中,三个推荐算法推荐30位置控制。后推荐算法的三个体育网络课程资源推荐算法完成参数大小的三个推荐算法进行比较,结果如图2。

对应于定义参数值的关系,控制三个推荐算法的推荐职位相同的参数,计算和定义参数值接近的值 ,这意味着体育网络课程的高质量文章推荐的这个建议的算法。根据数值变化结果如图2,算法的参数值在[4)约为0.9607,这推荐算法的推荐质量是最差的。的算法的参数(5大约是0.9650,这推荐算法的推荐质量是不好的。的获得的参数设计推荐算法大约是0.9700。与这两个选择的推荐算法相比,设计推荐算法获得的参数值是最大的,和推荐算法是最高的质量。从图可以看出2的波动趋势三个方法基本上是相同的,这证明了我们的方法的可信度。此外,我们的方法是明显高于4]和[5]。它展示了我们的方法的应用效果在体育网络课程资源的建议。

在上面的实验环境,参数获得的标签上面的计算是加工成体育网络课程资源数据集,标记的训练数据集,和主机任务管理器运行三个物理教育网络课程资源推荐算法。当训练数据的算法流程400套,需要时间计算三个推荐算法。耗时的结果如图3。

后调用的任务管理器主机运行的推荐算法,逐渐增加训练数据集的数量推荐算法。根据实验结果,该算法在4)消耗0.8年代处理400集的训练集,和推荐算法所需的运行时间更长。根据(5),当算法流程400组数据,该算法需要0.7秒,实际的运行时间较长。当设计推荐算法流程相同大小的数据集,该算法推荐时间是0.65秒。与两种选择推荐算法相比,设计推荐算法消耗的最短时间。体育教学网络课程资源的准确率推荐如图4。猜测数量的增加,时间消耗所有的算法提出了一种增加的趋势,但是我们的时间消耗方法显著低于比较法。从算法的角度,证明了我们的方法的有效性。

它可以清楚地看到在图对比曲线的算法4平均使用本文中的算法推荐精度体育网络课程资源是97.5%,这比其他两种算法。因为本文充分考虑用户兴趣之间的关系和项目资源和盾牌过时或低息得分数据,这将使推荐结果的质量更好,和数据收集和更新将会改善。也有一个伟大的进步。另两种方法没有充分考虑个性化服务的问题,导致下行趋势的影响曲线。信息的及时性和信息推荐的效率也低,影响整个推荐质量。此外,本文提出的方法更稳定,并且有明显的波动的实验结果4,5]。它是优于其他两种算法的稳定性。此外,因为我们一些低分数据筛选,推荐结果取得了更好的效果。其他两种方法没有充分考虑个性化服务的问题,影响整个推荐质量。

5。结论

本文提出一种方法,建议体育网络课程资源的机器学习算法的基础上,建议体育网络课程资源基于协同过滤算法,并通过实验分析了以下结论:(1)通过机器学习和聚类算法的步骤,稀疏造成原始数据资源问题是有效地改善,并改进推荐算法的准确性。(2)基于协同过滤模型的数据集相似度计算算法,通过对比的方式实现用户反馈评分数据,有效区分类似的数据,有效地建议体育网络课程资源。(3)体育网络课程资源的推荐方法基于机器学习算法有明确的目标,整体效率高,精度高。

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。

引用

1. 郑,学术界。林,j·b·Kwon”的影响学习者、教师、课程在线学习因素,”计算机与教育文章ID 103851卷,150年,2020年。视图:出版商的网站|谷歌学术搜索
2. w .太阳和y高,“大学体育教育管理框架的设计基于边缘计算和数据分析,“无线通信和移动计算卷,2021篇文章ID 5537471、8页,2021。视图:出版商的网站|谷歌学术搜索
3. z张和h . Min”,分析个性化体育教学体系的建设基于云计算平台,“无线通信和移动计算卷,2020篇文章ID 8854811、8页,2020。视图:出版商的网站|谷歌学术搜索
4. l .陈和d . Wu”合作发展机制研究区域高校体育教学联盟Co-construction的概念下,共同治理和分享,”广州体育大学杂志》上,39卷,不。5,页22日至25日,2019年。视图:谷歌学术搜索
5. 吴和x路”,体育课程的设计分析和管理系统基于决策树算法,”现代电子技术,42卷,不。3、139 - 141年,2019页。视图:谷歌学术搜索
6. w .佳乐和z叮,“深度学习方法基于改进稀疏automatic-encoder组合,”计算机模拟,37卷,不。4、285 - 289年,2020页。视图:谷歌学术搜索
7. 克里希纳k和m . Narasimha Murty”遗传k - means算法”,IEEE系统,人与控制论,B部分(控制论)卷,29号3、433 - 439年,1999页。视图:出版商的网站|谷歌学术搜索
8. d·亚瑟和v . s . Vassilvitskii“k - means + +:小心播种的优势,”十八届ACM-SIAM学报》研讨会上离散算法2006年12月,新奥尔良,路易斯安那州。视图:出版商的网站|谷歌学术搜索
9. y史和杨x”,一个个性化的匹配系统管理教学资源协同过滤算法的基础上,“国际期刊的新兴技术在学习(iJET),15卷,不。13,207页,2020年。视图:出版商的网站|谷歌学术搜索
10. y鑫”,分析商务英语教学使用多媒体数据挖掘的质量,”移动信息系统卷,2021篇文章ID 9912460、8页,2021。视图:出版商的网站|谷歌学术搜索
11. 李z h·李,y,“大数据挖掘研究改进的并行协同过滤算法的基础上,“集群计算,22卷,不。5,页1 - 10,2019。视图:出版商的网站|谷歌学术搜索
12. 通用Machado诉马兰,g . m . Lunardi l . k .妻子和j . p . m . de Oliveira”意识到:教育资源的自适应框架的建议,“计算,卷103,不。4、675 - 705年,2021页。视图:出版商的网站|谷歌学术搜索
13. a . Pasdar y . c . Lee, t . Hassanzadeh k . Almi阿尼,“资源推荐cloud-edge工程,”信息,12卷,不。6,224年,页2021。视图:出版商的网站|谷歌学术搜索
14. 王h和w·福,“个性化学习资源基于动态协同过滤推荐方法,”移动网络和应用程序1 - 15页,卷。26日,2020年。视图:出版商的网站|谷歌学术搜索
15. y z . Liu, h .郑d . Liu和j·刘,“人力资源推荐算法基于提高频繁项集挖掘,”未来一代计算机系统卷,126年,第288 - 284页,2022年,ISSN 0167 - 739 x。视图:出版商的网站|谷歌学术搜索
16. z . p .山d·f·张y Lei,和j .周”NASM:非线性的相似模型推荐系统通过本地细心嵌入,”IEEE访问,7卷,不。99年,p . 2019。视图:出版商的网站|谷歌学术搜索
17. 江h . k . r . Wang, y, j·卢,“一种新的矩阵分解模型的推荐LOD-based语义相似度衡量,“专家系统与应用程序卷,123年,第81 - 70页,2019年。视图:出版商的网站|谷歌学术搜索
18. 答:a . Amer h . i阿布达拉,l .阮”使用一系列相似的措施,提高推荐系统性能”以知识为基础的系统,卷217,不。4、文章ID 106842, 2021。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Fu魏。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。