论文部分内容阅读
随着互联网应用的飞速发展和信息资源的指数级增长,在线教育资源愈加丰富,但同时也为学习者个性化选择带来困难。如何根据学习者的需求从海量的资源中精准定位相关资源,并为之提供个性化的在线教育服务,这成为专家、学者共同关注的问题。本文对协同过滤推荐算法提出改进,在传统算法的基础上采用双属性评分矩阵进行属性划分并使用BP神经网络进行评分预测,以填补评分矩阵,解决传统算法因“冷启动”、评分数据过于稀疏所造成的推荐质量下降的问题,并采用公开数据集证明了改进算法的有效性。最后利用改进算法为在线学习平台的学习者推荐学习资源,并在远程教育学习平台上设计并实现了一个学习资源推荐系统。论文的主要工作如下:1、对国内外在线教育学习资源和推荐系统的研究现状进行了阐述,表明了对学习者进行学习资源推荐的实际研究意义和应用价值。2、对推荐系统的发展历史进行了综述,介绍了推荐系统的概念、常用的实验方法、测评指标等内容,并对推荐算法及不同算法之间的差异进行了详细论述。最后总结了学习资源的组织形式、神经网络等相关概念。3、提出一种基于双属性评分矩阵及神经网络的协同推荐算法。通过用户信息以及项目属性特征,建立用户属性-项目属性评分矩阵及用户属性偏好模型,使用BP神经网络对偏好模型进行训练,对已知属性未评分的项目进行评分预测,缓解评分矩阵过于稀疏的问题。在新用户/新项目初次进入系统时,获取其特征值,并依次与双属性评分矩阵进行匹配,选取匹配度较高的项目/用户进行推荐,解决“冷启动”问题。实验表明,本文所提的改进算法可有效缓解评分矩阵的稀疏性问题,提高推荐算法的质量,并在“冷启动”情况下,也提供了有效数目的推荐。4、将改进算法应用于在线教育中学习资源的获取,包括对学习资源的标准化处理、学习者信息及显隐式评分信息的采集、学习者兴趣偏好模型的训练等。最后采用学习平台历史数据验证改进算法在学习资源推荐中的有效性和正确性。5、构建基于在线教育的学习资源推荐系统,并对系统各模块进行设计与实现,对开发平台及工具进行描述,对实际开发效果进行软件测试。通过推荐系统模块间的整合,为学习者提供较好的个性化资源推荐服务,提高了学习者的学习效率,完善其学习体验,为今后进一步的研究和应用奠定基础。