基于改进型协同过滤的网络学习资源推荐算法

来源 :小型微型计算机系统 | 被引量 : 0次 | 上传用户:caiguoxi
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
面对网络学习资源的信息过载问题,如何根据用户的偏好推荐其感兴趣的学习资源是网络教育智能化的关键应用.协同过滤推荐算法无需构建资源的特征描述,经常应用于形式多样的网络学习资源推荐,但传统协同过滤推荐算法具有评分矩阵稀疏和冷启动问题.针对这两个问题,提出基于改进型协同过滤的网络学习资源个性化推荐算法.该算法首先将用户对资源的学习行为转化成用户对资源的评分,缓解评分阵稀疏问题;其次引入用户初始化标签改进用户的相似度计算,解决新用户的冷启动问题;最后采用均方根误差(RMSE)进行推荐算法预测准确度衡量.实验结果表明,该改进算法提升了个性化资源推荐效果.
其他文献
2021年4月16-17日,“第九届全国网络与信息安全防护峰会(XDef 2021)”在武汉东西湖华美达酒店顺利召开,来自公安部、教育部、湖北省委网信办、武汉市委网信办等相关部门,企业
期刊
粒子群算法作为一种随机算法,其随机性对种群的进化速度和寻优精度提出了严峻的挑战.针对该问题,本文提出了一种具备自纠正和逐维学习能力的粒子群算法.首先提出了一种纠正策
现有的组推荐方法侧重于寻找组内成员之间的相似性,而忽略了成员之间存在的差异.在群组成员差异性显著的情况下,丢弃群组成员间的差异性,竭力寻求相似性,这样会大大降低群组
当前在线学习社区学习者的情感识别多是采用有监督机器学习方法,其需要使用大量有标记数据对分类模型进行训练,这将会耗费大量的时间和人力成本,从而大幅提升了情感识别的成
现有的知识图推荐模型通过聚合相邻实体节点的特征和结构信息来更新当前位置实体节点的嵌入表示,为了控制计算成本和维护模型的稳定性,通常使用随机的固定大小的采样邻域来替
如今,基于云计算的软件服务对自适应资源分配提出要求,这种分配可以根据需要动态调整资源,以保证良好的服务质量(QoS,Quality of Service)和低成本资源.然而,在复杂波动的负
针对同时存在全局与局部环境的移动机器人路径规划问题,提出了一种分层路径规划方法.采用改进势场-蚁群融合算法进行规划.首先,在全局环境下采用改进蚁群算法进行路径规划,为
针对考虑运输时间的柔性作业车间调度问题,构建了以最大完工时间最小化、最大机器负载最小化和总机器负载最小化为目标的多目标优化模型,并提出一种小生境粒子群优化算法求解
针对现有室内场景识别方法仅通过关注视觉信息本身,而缺乏考虑图像中所含语义内容,提出一种基于长短期记忆神经网络和卷积神经网络的融合深度神经网络室内场景识别方法.首先使用labelImg工具为Visual Genome数据集图像生成位置描述符,经数据预处理算法处理后通过GloVe模型得到词向量.然后引入带有L2正则化的小批量梯度下降算法训练模型,将注意力机制与融合深度神经网络模型结合实现对位置描述符进
邻居选择和邻居数量对于推荐系统评分预测具有关键作用.本文采用复杂网络模型中多种聚类方法,针对现有方法通常基于单一相似性选择邻居的问题,建立用户为节点,相似性与置信系