【摘 要】
:
在线教育在日常教育活动中的比重迅速增加,已成为一种必不可少的教育方法。面对海量的课程资源,传统信息搜索方式存在“信息迷航”、“课程资源超载”等问题。课程推荐技术是学习者与课程资源快速匹配的关键。传统序列推荐方法大多针对用户自身序列编码,忽视了序列间的联系。同时对行为日志数量不足的用户存在冷启动问题。本文针对上述行为日志推荐算法存在的问题进行相关研究,主要研究成果如下:(1)提出基于行为日志的课程推
论文部分内容阅读
在线教育在日常教育活动中的比重迅速增加,已成为一种必不可少的教育方法。面对海量的课程资源,传统信息搜索方式存在“信息迷航”、“课程资源超载”等问题。课程推荐技术是学习者与课程资源快速匹配的关键。传统序列推荐方法大多针对用户自身序列编码,忽视了序列间的联系。同时对行为日志数量不足的用户存在冷启动问题。本文针对上述行为日志推荐算法存在的问题进行相关研究,主要研究成果如下:(1)提出基于行为日志的课程推荐算法SRSGNN。大多数序列推荐算法面向单一序列建模,忽视了不同序列之间的联系,从而影响推荐的有效性。针对这个问题,本文提出了序列推荐算法SRSGNN。该算法利用Min Hash对用户的行为日志进行邻域划分,然后使用同一邻域内的行为日志学习全局级别的课程交互表示,再根据用户自身的行为日志学习用户级别的课程交互表示。SRSGNN融合了这两种层次的课程交互表示进行课程推荐,使得推荐的结果兼顾了用户信息和邻域信息。(2)提出基于选课数据集的课程推荐算法Focor。针对行为日志推荐算法存在的用户冷启动问题,提出了基于选课概率计算的课程推荐算法Focor。Focor使用遗传算法从选课数据集构成的特征集合中筛选出最优特征子集,在最优特征子集上使用Light GBM训练是否选课的二分类模型,根据模型输出的选课概率进行课程推荐。实验结果表明本文提出的SRSGNN课程推荐算法在Tracking Log、Yoo Choose、Diginetica数据上的Recall@20和MRR@20指标优于SRGNN和传统序列推荐模型。Focor课程推荐算法与Light GBM、XGBoost、决策树、随机森林、逻辑回归等算法在真实数据集上进行实验和性能评估,在F1分数上取得了较好的性能。
其他文献
随着深度学习在图像处理领域的广泛应用,基于卷积神经网络的目标检测算法逐渐取代传统算法。但目标检测网络存在参数量大、计算复杂度高、检测速度慢等问题,通常需要部署在计算能力较高的设备上,在计算资源受限的小型设备中难以满足实时性的需求,这无疑增加了设备成本。针对这一问题,本文基于YOLOv4-tiny算法,提出一种改进的轻量级目标检测网络,对其检测精度和速度作进一步提升。YOLOv4-tiny对比YOL
辛结构和能量守恒是Hamilton系统的两个最基本也是最重要的性质.相比辛结构,关于保持Hamilton系统能量的数值积分格式研究时间较晚.基于保结构的思想,在针对能量守恒(耗散)的系统设计数值积分格式时,希望得到的数值格式在求解该系统时,也能够保持能量守恒(耗散)的性质.本文介绍了两类Hamilton系统的保能量算法及其构造和理论分析,主要的工作包括:1)对弱扰动耗散的振荡Hamilton系统构
需求文档是贯穿软件生命周期的一个重要工件。作为客户和开发人员之间的共同协议,需求文档用于客户对需求的审查与确认。面对模型驱动开发中需求文档的缺少,从模型生成需求文档被广泛研究。当前面临的主要问题是模型附带的对象约束语言(Object Constraint Language,简称OCL)约束解释困难以及单个模型图生成的需求文档信息不足,本文研究基于模型的需求文档生成,具体工作如下:(1)针对模型附带
本文主要介绍了两类加权自相似网络:加权层次网络以及一类加权无标度分形网络,研究了这两类加权自相似网络上随机游走的捕获问题,并分别求解了平均捕获时间的精确解析表达式,且探究了其权重因子对于网络捕获效率的影响.首先,本文介绍了一类加权层次网络,考虑依权重游走下加权层次网络上带一个陷阱点的平均捕获问题.基于加权层次网络的自相似结构,通过迭代的方法得到了平均捕获时间的精确解析表达式.结果显示加权层次网络上
调和分析在偏微分方程中的应用是长期以来热门的话题,方程的解在特定的空间中的适定和不适定性就是其中一个重要应用,近年来找到区分适定与不适定的指标成为很多学者关注的问题.本文主要研究两种类型的Keller-Segel方程的解的不适定性,进而找出适定与不适定的指标.在证明的过程中用到了调和分析中的Bony分解和Littlewood-Paley理论和偏微分方程的知识.本文主要分四个章节来说明解决问题的思路
本篇论文中给出了两个最主要的结论,其中之一是关于离散Appell多项式的一个对称恒等式,另外一个恒等式是关于Pell数列、Pell-Lucas数列的幂次和二项式系数的关系.多项式、特殊函数和组合数的研究在数论、组合数学中的应用非常广泛,其中,Appell多项式是一类重要的多项式序列,也是本篇论文中着重讨论研究的多项式.同时,Pell数和Pell-Lucas数也是重要的二阶线性递推数列,为了加深二阶
跨境电子商务作为一种促进交易即时高效完成的新业态,打破了传统外贸时间和空间的限制。在政府政策的支持下,越来越多中小企业抓住跨境电子商务的机遇,加入跨境出口电商平台开展经营。然而,跨境电子商务活动中,平台内经营者面临许多挑战。一方面,其企业规模较小,资金能力和运营能力有限,导致抗风险能力下降;另一方面,平台环境不确定性日渐增加。在此背景下,如何实现跨境出口电商平台内经营者的快速和持续发展,是亟待研究
凸优化模型与算法是当前优化领域内的研究热点,带有线性约束的可分凸优化问题是其中比较常见的一类.交替方向法乘子法(ADMM)已被证明是求解两块线性约束可分凸优化问题的较为高效的简单方法.随着生活中优化问题规模的扩大,所求解模型的目标函数变量远远大于两组,但直接推广至多块的ADMM类算法在理论上无法保证收敛性.为了保留直接推广至多块ADMM算法的优良效果,同时又能保证算法的收敛性,一些变形的多块并行A
方面级情感分析(Aspect-based Sentiment Analysis,ABSA)旨在分析给定句子中某一方面的情感倾向,主要涉及方面抽取(AE)、观点抽取(OE)、方面情感分类(ASC)和方面情感三元组抽取(ASTE)四个子任务。通常将方面级情感分析视为序列任务,并基于词序或依存句法树建模。但仅考虑其中一种结构信息无法完整表示词之间复杂关系,这限制了模型学习性能。针对该问题,本文提出一个新
随着网络时代的迅速发展,优化问题作为一类数学基本问题越来越受到重视.其中线性约束凸优化问题的求解在许多领域有着广泛的应用,因而是最优化理论求解线性约束问题的一个热点,在此背景下求解凸优化问题的算法也有了极大的发展.本文考虑求解线性等式约束和不等式约束的凸优化问题.増广拉格朗日方法是求解此类问题的经典算法.在此方法上衍生了诸多算法,比如邻近项増广拉格朗日方法、线性化増广拉格朗日方法等.近期的文献平衡