论文部分内容阅读
随着国家教育信息化教育战略目标的提出,各大在线教育机构如雨后春笋般拔地而起,各大高等学校也纷纷推出线上课程。然而,在线平台中海量、丰富的学习资源也为学习者带来了“信息迷航”、“信息过载”等问题,如何为目标用户精准的个性化推荐学习资源成为平台亟待解决的难题。因此将个性化推荐技术应用到在线教育领域中是一个可行的解决方案,它解决了用户难以从海量数据中搜寻自己感兴趣学习资源的问题,而且还可以提高用户的产品喜爱度和学习积极性。深度学习因为在图像识别、语音识别等领域高效的表现而得到了广泛的应用,同样也为解决传统推荐系统中稀疏性、复杂特征难提取和挖掘特征交叉等问题提出了有效方案。为此,本文提出了在中国大学MOOC在线平台下基于XDeepFM的个性化课程推荐系统,主要展开的研究工作如下:1、对现有基于深度学习的推荐和教育学习资源的研究进展进行概述,阐述了常用推荐算法的思想、原理、具体流程和各自的优缺点,对深度学习基本模型进行了简单介绍,最后提出本文评估个性化推荐系统实验方法和评估指标。2、建立基于XDeepFM框架下融合自然语言处理的Bert网络模型的个性化课程推荐模型。首先通过课程概要、课程评论信息和用户已学习历史课程等数据,获得用户潜在的喜爱偏好,使用Bert网络模型将文本信息转换为特征值,作为模型的补充输入,然后基于XDeepFM推荐框架,将本文提出的模型进行参数设定和训练,选取了均方根误差(RMSE)作为评价指标,同时与其他推荐算法模型在中国大学MOOC数据集上的表现进行对比,实验结果表明:本文提出推荐模型有效的利用了课程和用户的信息特征,发掘了用户的潜在兴趣,提高了推荐的准确性。3、针对中国大学MOOC实际的应用场景,设计用户登录注册、课程管理、用户信息管理、推荐课程等功能,并基于系统架构对推荐系统进行开发,实现推荐系统所设计的全部功能,最后对个性化推荐系统进行了系统测试,验证了推荐系统的功能的正确性和性能的稳定性。