文摘

通过当前对在线学习的研究,发现目前的电子学习系统应用于推荐学习资源的活动只有两种搜索方法:头n个和关键词。这些搜索方法不能有效地向学习者推荐学习资源。因此,协同过滤推荐技术,在本文中,学习资源个性化推荐的过程。我们获得用户内容和功能利益和预测网络的综合利益,通过无限深神经网络大数据。基于协作图和协同过滤算法知识,教学网络资源的语义信息是知识从协作中提取图。根据最近邻推荐的原则,课程属性值偏好矩阵(APM)是获得第一。接下来,course-predicted值按照降序排序,和顶部T课程选择最高的预测值,最后推荐课程设置为目标的学习者。每个课程都有自己的在线课堂;老师会提前发布在线课程的细节,和学生可以在线购买号码和密码进入教室。实验结果表明,最优数量的集群k是9。此外,对于极其稀疏矩阵,协同过滤技术方法更适合集群在转换后的低维空间。协同过滤技术的推荐满意度平均方法是大约43.6%,这表明高推荐质量。

1。介绍

互联网时代,支持大数据和物联网,是一段时间的快速发展领域内的知识和课程资源的信息。体育健康课程资源和康复也更丰富和多样化1]。合理、科学、有效的整合和利用课程资源是一定会有利于提高建设水平的体育健康和康复。因此,声誉是非常重要的属性,运动健康和康复和加强与课程资源的集成2]。从一般课程资源的构成的角度来看,主要包括四个主要部分:(a)教师团队;(b)学生;(c)教学材料;和社会资源(d) (3]。

随着互联网的普及,传统的培训学校于2000年开始转向前,和在线学习工具,平台和内容开始大量出现。彭先生等人提出的“智能教育”是在2008年的一次演讲中。大约在2012年,在线学习迎来了一个快速增长的和专业的在线学习平台大量出生,主要互联网公司(如猿指导,工作,和VIPKID),与多样化的内容格式。2020年,由于新皇冠肺炎疫情的影响,也就是说,COVID-19,所有的大学和教育机构在全国和全球范围内已经开始在线学习管理系统(4]。此外,雇主在各个行业也开始在家工作。自那以来,中国的在线学习开始进入世界舞台5]。

Sheshasaayee等人进行了利用魔灯学习管理系统进行深入的研究是在2017年。Moodle不仅提供了丰富的学习资源,也有学习记录跟踪功能,允许教师自主选择教学模式根据学习者的实际情况。同时,学习者也可以选择课程的自由来实现个性化教学的目的(6]。琼斯等人研究的影响Knewton-based自适应学习推荐引擎在2018年学习效应。Knewton平台为学习者提供强大的功能和classroom-related分析数据来预测他们的未来性能,使讲师能够实现基于个体差异化教育。学习者获得个性化的课程建议通过系统分析和评估的知识和能力,提供了实现自动化和个性化学习的可能性(7]。CIRCSIIVI-Tutor在美国伊利诺伊大学的可以支持个性化服务对远程网络教育和可以帮助解决学习者的问题通过建立一个智能系统基于语言的对话框。

本文提出一种方法,建议体育基于协同过滤技术的网络课程资源。基于用户的协同过滤方法是一种找出相似的邻居之间的相似性计算目标用户的用户行为和其他用户行为(评级,评论,等等)。然后,目标用户的兴趣或偏好预测基于兴趣或偏好相似的邻居为用户提供建议。本文介绍了一种优化理论模型,更好的协同过滤技术物理教育网络课程资源的个性化推荐。该方法关注讨论的结构模型和相应的评分机制和算法的实现和分析了三个重要技术在个性化学习资源推荐模型。可以看出e-learning-related人员能有效地使用协同过滤技术在搜索过程中,提高学习资源个性化推荐系统的效率。我们的研究的主要贡献突出显示如下:我们设计一种新颖的方法,推荐基于协同过滤技术的物理教育网络课程资源基于用户的协同过滤是找出相似的邻居之间的相似性计算目标用户的用户行为和其他用户的行为注意讨论的结构模型和相应的评分机制和算法的实现和分析三个重要技术在个性化学习资源推荐模型

剩下的纸是组织如下:在部分2,我们简要地讨论一下相关的文献综述的协同过滤技术。节3体育教学网络课程资源的建议。节4我们描述了实验研究和结果分析。最后,部分5说明了最终的想法和几个方向未来的研究和调查。

2。协同过滤技术

在本节中,我们提供了一个概述的基本术语包括计算的内容、功能利益,和预测的兴趣程度。

2.1。利息的计算内容

观点的数量可以反映用户的兴趣度不同的数据。假设用户网络大数据的兴趣增加的次数被其他用户的增加,同时,它显示了一个反向递减趋势与浏览的频率。然后,您可以使用TF-IDF算法,结合浏览的数量乘以大数据来获取用户的兴趣(8]。

TF-IDF是一种算法估算的重要性的话文档在文档集合。它可以预测目标在一维空间的重要性。假设任何用户的推荐系统被认为是一个文档,大数据浏览的用户文档中某些词汇,和用户的偏好数据获得根据词汇出现的次数。

引用假设,在推荐系统中,有一组 与用户和一组与 大数据。用户的次数视图的数据是 ,并向用户web数据的重要性计算词的频率 :

在这里,代表用户浏览的次数的总和所有集合中的数据(9]。如果用户查看数据的数量被表示为 ,数据的重要性所有用户可以通过逆文档频率 :

因此,用户的兴趣的定义公式获取数据内容:

用户的兴趣度值所有的数据 构成兴趣度向量 。

2.2。功能利益计算

有巨大差异数量的用户浏览不同类型的数据。视图可以无限增加的数量。同时,用户不一定是对数据与零观点不感兴趣,他们可能没有经验在使用它10]。反映用户的兴趣更多的科学观点的数量,避免质量信息消灭其他数据用户的兴趣。本文定义了一个初始值的数据,用户没有浏览,介绍了乙状结肠函数标准化的浏览数乘以获取用户的兴趣数据的功能。

是一种常见的s形的函数 类型函数,其定义如下:

这个函数是连续的,光滑的,单调和其值范围 ,它的中心是对称的 ,这是一个阈值函数与更好的性能。在这一期间 ,块后的非线性增长趋势缓慢出现,和增长的趋势在这段时间是快,然后慢。

在推荐系统中,功能利益的计算公式的用户的数据如下:

公式的值(5)的范围 ,显示了一个非线性和单调增加的趋势与浏览的人数的增加。表示用户的平均次数所有的数据视图。这个公式更直观地反映用户的兴趣,和 情况下,定义了初始值的功能感兴趣。

从公式(5),可以得出结论:功能感兴趣程度的用户所有的数据 构成功能感兴趣向量 的用户 。

2.3。预测的综合价值感兴趣的程度

在获得用户内容和功能利益,选择顶部用户相似度最高的目标用户形成了最近邻集合 ,使用以下公式来预测目标用户的利益在目标数据 :

在这里,平均的功能性利益目标用户浏览所有数据。预测后的综合利益网络大数据通过神经网络的无限深度,最后一次大数据项可以根据预测协同过滤的价值。

3所示。体育教学网络课程资源的建议

协同过滤也被称为社会过滤。基于用户的协同过滤算法主要分为两个步骤:(1)找到具有相同兴趣的用户集合到目标用户。(2)找到喜欢的项目由用户在这个集合并推荐给目标用户,他们还没有听说过。基于用户的协同过滤算法只适合与一些用户系统。如果有许多用户,用户兴趣相似度矩阵的计算成本会非常高。增加操作的时间复杂性和空间复杂性和增加用户数量的平方关系(11]。这个算法的推荐结果将不会立即更新用户的新的行为,并很难提供一个令人信服的建议向用户解释。

基于协作知识图,个性化推荐,网络资源。在网络资源、知识点分布在不同的web页面。有向无环图设置

在这里,代表所有知识的知识图的集合代表不同知识之间关系的集合点 ,主要分为两种不同的状态,连接和断开连接。

个人贡献值的计算公式,给出了网络资源的知识如下:

在此阶段,中心计算公式是相对常见的研究方法通过节点的度值,从多个角度解决方案,充分反映出每个节点之间的中心(12]。相关研究结果表明,网络资源的核心是知识的相互作用和贡献的结果图。给出了中心的具体计算方法如下:

在这里,代表每个知识点的中心;代表的贡献值不同的知识要点;代表评价系数;和代表评价系数。

不同的学习资源,它可以表示为

如果将代表词的频率,计算公式如下:

在这里,代表了网络资源的次数出现在文本中。

集代表逆文档频率。主要的思想是文档包含一个单词的数量越少,越高这个词来区分文档的能力。给出了具体的计算公式如下:

在这里,代表了网络资源文件的总数 代表这个词中包含的文档的数量和分母增加1主要是防止发生0 (13]。

提高整个算法的数据处理速度,所有的实验数据都需要初始化和规范化。给出了具体的计算公式如下:

同时,实体和关系向量归一化,可以获得以下计算公式:

基于上述分析,量化项目知识图的表示方法和协同过滤算法相结合,提取的语义信息和网络资源的协作知识图实现个性化推荐的网络资源14]。

自从新注册用户选课的选课系统没有记录,他们不能直接使用协同过滤算法来找到相似的邻居推荐个性化选课。在这里,我们采用最近邻推荐基于属性值的偏好矩阵。主要的两个先决条件的步骤如下:(1)用户填写基本信息,如姓名,学号,专业,和学习风格测量尺度时注册。(2)系统会自动生成一个基于用户的注册信息和学生模型学习风格并将模型转换为一个向量空间模型。有了这个前提,推荐引擎的算法流程如下: (1)根据学生模型和选课记录数据库,生成一个学生对课程的选择矩阵 为每个学生在学生空间(如果学生了,那么分数的课程设置为1;否则它是0)。(2)用余弦相似度公式(14)之间的相似性计算目标学习者u和任何学习者v在学生空间。通过计算相似,第一个几个学习者最大的相似性作为最初的邻居集标准的学习者u。大小的确定根据学习者的数量在学生空间和相应的比例。同时,它是必要的,以确保 ,这可以减少算法的时间复杂度,从而提高算法的实时性能。(3)生成一个新的学生对课程的选择矩阵R基于目标的初始邻居集学习者和目标学习者u在第二步中生成的。(4)根据选课记录数据库,地图所采取的课程从课程信息表目标学习者课程属性值表(15]。因为不同的课程有不同的属性,每个属性为每个课程都有不同的分数,所以我们应该首先计算分数每个属性的值。代表了kth课程的价值属性(课程的数量确定的价值k), 用于表示学习者u属性值的兴趣偏好 ,如以下公式所示:在这里, 代表了学习者的成绩u课程属性,指的总数乘以学习者u取得的值的属性j。使用学习者的兴趣偏好 ,学习者u的偏好矩阵APM的课程可获得属性值,如以下公式所示:课程选课系统的属性将自动转换为相应的课程模型后上传课程和课程属性将被存储在数据库中。课程信息表如表所示1。(5)基于属性值的偏好矩阵生成APM在第四步中,相似度公式用于计算目标学习者之间的相似性u和其他学生在学生空间。相似的公式如下:在这里,代表集体分数的大小属性值的学习者u和学习者 ;学习者u的分数的我th属性表示为 ;和值应小于 。(6)目标学习者之间的相似性和其他学习者按照降序排列。拦截第一k学习者最大的最近的邻居的相似目标的学习者;存储在最近邻集合 目标的学习者,U集不包含u。(7)找出哪些课程从一组U最近的邻居目标学习者和存储它们的集合国际单位。然后,删除课程目标学习者从集合国际单位,剩下的课程可以作为推荐的选修课程设置目标学习者的C_可以。(8)假设物品的数量是问推荐课程的数量是T;然后,当 , 直接作为推荐的设置 ;当 ,第一次使用预测公式(17)计算目标学习者的预测价值的课程推荐集 。然后,预报值降序排序,和顶部T预测价值最高的课程选择,最后推荐课程设置为目标学习者。

4所示。实验研究

4.1。结果和分析实验数据的物理教育的网络课程资源

体育网络课程资源的数据集在某一平台上使用,和用户用不到20点击删除基于数据集形成1486用户的浏览信息1430页。随机抽取1250条记录的数据集和分裂成1000训练集和测试集(分为5组的当前用户)。测试的预测质量在不同数量的信息,每组可见用户利益是随机选择的。可见兴趣页面的用户的数量从5到20页,分别名为Given5 ~ Given20。稀疏的水平这个数据集如下:

它可以观察到,这个数据集比MovienLens稀疏的数据集 ,属于严重稀疏的水平。测试环境和系统的特征如表所示2。

4.2。评价指标

进一步评估效果和准确性的建议,推荐系统也可以使用三个领域的常用评价指标信息检索作为标准来衡量推荐效果,即精度、回忆和F1值。数据集分为训练集和测试集。该模型的推荐算法学习训练集和参数调整;然后,测试集上的推荐结果计算得到评价结果:(1)精度:推荐页面的比例(打击)中正确识别头n个建议: (2)召回率(回忆):推荐页面的比例(打击),正确确定在所有测试集: (3)F₁措施:一个集成了上述两个指标评价指标。考虑到不同系统的准确率和召回率是相互高低在某些情况下,是不可能做出判断只使用上述两个指标。因此,F₁介绍了价值,这两个指标可以同时用于完全解释算法的性能。的计算公式F₁如下:

4.3。实验结果和讨论

根据新算法的步骤,训练模型米首先是平滑,不感兴趣的页面价值通过基于项目的协同过滤算法,初步预测和填充训练模型米”。主成分分析后米”,其累计贡献率图所示1。在图的实线部分1代表每个主成分的累积贡献率的平滑模型米”。147年第58和第一主成分的累积贡献率80%和90%选择的维度转换向量,分别。集群在低维空间中执行。表3描述了命名的算法的对比实验:

请注意,度量,给出的公式(22),代表的平均绝对误差值指数通过算法获得的预测价值,代表了数据代表的真正价值获得真实数据,和代表样本的数量的预测数据。

图2记录的数量的影响集群Given10实验条件下的美。这是初步判定最优数量的集群k应该在8 - 12。我们可以设置k在未来的实验= 9。

改善的准确性提出了两阶段预测算法,我们设计了两组实验。第一组实验使用不同的聚类算法(k - means聚类和协同过滤技术方法)比较预测精度。这也比较典型的协同过滤算法UPCC(基于用户的协同过滤),以及基于用户聚类的协同过滤算法。第二组实验的效果90%和80%的主成分的累积贡献率预测的质量。在这项实验中,k - means聚类采用余弦距离测量,和协同过滤技术方法的输出是一个3×3维神经元节点,培训是1000步,和学习速率是一个指数衰减函数。

实验结果图3显示的总体质量预测算法得到更准确的信息的数量的增加对历史的兴趣。极端稀疏矩阵,它可以观察到,协同过滤更可行的集群内部转换后的低维空间。此外,与协同过滤算法相比,基于用户聚类(KCLUST_CF),传统UPCC最近邻算法仍有更好的预测精度。

表4总结了离线和在线计算时间复杂度的比较算法。它可以观察到,基于有效降维聚类新算法提出了实时推荐有更好的效果。

几组对比实验将进行算法的准确性产生推荐。首先,隐藏米页面为每个用户首选项的测试集,其余用作历史偏好信息来预测未知的利益价值的页面,并在此基础上,N页预测利率最高的价值选择和推荐给用户。如果推荐的页面出现在先前隐藏页面,它被称为一个打击。在这个实验中,米= 10,N= 5,推荐模型选择最高的前5页预测利益价值作为推荐输出给用户。从比较曲线可以看出,在图4,随着N的数量增加,推荐的准确性将继续下降,最后逐渐稳定。一般来说,协同过滤技术的推荐性能方法优于k - means模型。如表所示5,平均协同过滤技术的推荐满意度方法是大约43.6%,而k - means模型的评价推荐满意度是36.4%,这远低于前者的方法。因此,相比准确率、召回率的两个模型都相对较低。我们相信的原因是N价值和测试集的大小影响的召回率。

表6反映了统计的比较两个模型的预测精度,以及预测的门户页面的兴趣度。协同过滤技术方法的预测精度比k - means的模型更准确。这一发现是该方法的平均美以来观察也会减少约0.03。特别是,当预测历史信息(例如,Given5),协同过滤技术方法执行更好的预测质量,美是减少0.041。表6显示历史进口越大,小美价值。

简而言之,这个数据集的页面推荐实验表明,基于协同过滤技术的推荐方法显示了更好的预测精度,提高了推荐的准确性。此外,在线的时间复杂度模型显著降低,这是一个更实际的在线推荐模式的迹象。

5。结论和未来的工作

的实现个性化教育资源推荐已经成为必须解决的关键问题在智能教育由于工作和学习的双重压力。自从个性化推荐系统已成为当前研究的重点如何整合网络教学作为关键技术减轻认知超载的问题或困惑在在线学习中,学生的利益不是静态的和推荐的结果应该是不断的变化更新学生的利益,这有助于培养用户的潜在利益。因此,系统立即响应的要求改变了用户的兴趣非常高。为了解决推荐系统的实时问题,许多学者提出了一个基于模型的基于用户聚类的协同过滤算法,取得了一定的成果。

基于协作知识图,本文结合了协同过滤算法来提取教学网络资源的语义信息的协同知识图。根据最近邻推荐原则、课程属性值偏好矩阵APM,预计值按降序排序,和顶部T预测价值最高的课程选择,最后推荐课程设置目标的学习者。最后,演练平台已经顺利完成了在功能和性能方面,产生预期的结果。演练平台为学生提供适当的学习资源以及学习锻炼的平台,和推荐系统不仅帮助用户找到他们感兴趣的高质量的内容快速而且还节约了时间和金钱。最近邻的搜索范围缩小,特征信息更加集中,获得一个更好的推荐效果在测试标准数据集和真实数据。

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。