面向学科竞赛的组队平台研究
这是一篇关于迁移学习,领域自适应,组推荐,个性化推荐,协同学习的论文, 主要内容为学科竞赛是面向高校学生的课外科技活动,是培养创新人才的一种卓越机制。学科竞赛课程与其他课程有一定的区别,主要利用学生的自主学习和碎片化学习。参赛过程中对学生的信息收集能力和时间管理能力有一定的要求。传统的集中式教学严重制约了学生个性化的指导,并且人为主观的组队方式也不利于队员的协同合作。随着互联网技术的快速发展,利用网络学习平台的优势不仅能给予学习者丰富的学习资源,还能提供碎片化学习与个性化学习。因此如何让网络平台与学科竞赛相结合提升学生的综合参赛水平是值得我们研究的地方。本文主要研究基于面向学科竞赛的组队平台。首先,对学科竞赛(以数学建模为例)的教学方式和现有的平台进行了研究,并分析了该模式的不足。对平台整体需求进行了分析,完成了平台功能的设计;然后依据CELTS-11规范建立了群组用户学习模型,并且把能力属性细分为知识熟知度、协作能力、信息收集能力满足学科竞赛的基本能力要求。接着使用迁移学习解决平台数据稀疏的问题。在学习资源推荐方面采用群组学习生成网络给参赛小组进行组推荐;最后,本文在Eclipse环境下,采用Spring+SpringMVC+Mybatis的架构完成了组队平台的研发,实现了小组学习资源推荐、竞赛项目推荐、小组协同学习管理、论坛、分享等功能。该系统经多次测试,其主要功能基本达到预设目标。该组队平台以提高参赛小组的综合能力水平为目标,并且提供高效的协同工作环境。在学习资源方面,采用群组学习生成网络的形式给小组推荐,满足参赛小组的学习需求。在参赛指导方面也可选择符合本小组偏好的教师来指导参赛,实现指导的个性化需求。
网络形式背景下的规则提取与推荐算法研究
这是一篇关于形式背景,概念认知,规则提取,网络形式背景,组推荐的论文, 主要内容为复杂网络下的概念认知学习是数据挖掘和人工智能等领域的重要研究方向。将形式概念分析理论与复杂网络分析方法相结合,发挥它们各自的优势,对深化网络中概念认知理论和应用的研究非常有意义。本文在网络形式背景的基础上,结合复杂网络的拓扑结构特征,对网络规则的提取方法和推荐系统算法进行了以下两方面的研究。首先,提出了网络决策形式背景的概念,将决策形式背景与网络分析统一到一个数据框架下,从而可以用形式背景的方法研究网络规则的提取。具体思路如下:(1)研究了网络决策形式背景的弱概念及其相应子网络。这样,不仅可以找到网络的弱概念,而且可以知道与弱概念对应的子网络的特征值。(2)提出了网络弱概念逻辑的概念,以及其相应的性质,为后面研究网络规则的提取方法奠定了基础。(3)提出了基于邻接结构的规则提取算法。(4)利用UCI数据集对所提出的算法进行了测试,同时还分析了各规则的覆盖度及其对应子网络的特征值,实验表明本文提出的规则提取算法是有效的。其次,在前面基于邻接结构的规则提取算法的启发下,结合推荐系统的相关理论提出了基于弱概念相似度的组推荐算法。具体思路如下:(1)确定专家节点。通过定义属性度、属性密度来描述属性的重要性,进而用改进的节点影响力来确定专家节点。(2)通过专家节点划分社区。将专家的一阶邻接集合视为与专家联系最密切的社区,从而在各个专家社区中进行推荐。在划分的社区中利用属性弱概念下限相似度进行组推荐研究,进而获取推荐规则并对相应社区进行组推荐。(3)利用Movie Lens数据集和Filmtrust数据集分析了各参数对所提算法的影响,并确定了最优参数。进一步,将提出的算法与其他推荐算法进行了比较测试,实验表明文中算法是有效的。
面向学科竞赛的组队平台研究
这是一篇关于迁移学习,领域自适应,组推荐,个性化推荐,协同学习的论文, 主要内容为学科竞赛是面向高校学生的课外科技活动,是培养创新人才的一种卓越机制。学科竞赛课程与其他课程有一定的区别,主要利用学生的自主学习和碎片化学习。参赛过程中对学生的信息收集能力和时间管理能力有一定的要求。传统的集中式教学严重制约了学生个性化的指导,并且人为主观的组队方式也不利于队员的协同合作。随着互联网技术的快速发展,利用网络学习平台的优势不仅能给予学习者丰富的学习资源,还能提供碎片化学习与个性化学习。因此如何让网络平台与学科竞赛相结合提升学生的综合参赛水平是值得我们研究的地方。本文主要研究基于面向学科竞赛的组队平台。首先,对学科竞赛(以数学建模为例)的教学方式和现有的平台进行了研究,并分析了该模式的不足。对平台整体需求进行了分析,完成了平台功能的设计;然后依据CELTS-11规范建立了群组用户学习模型,并且把能力属性细分为知识熟知度、协作能力、信息收集能力满足学科竞赛的基本能力要求。接着使用迁移学习解决平台数据稀疏的问题。在学习资源推荐方面采用群组学习生成网络给参赛小组进行组推荐;最后,本文在Eclipse环境下,采用Spring+SpringMVC+Mybatis的架构完成了组队平台的研发,实现了小组学习资源推荐、竞赛项目推荐、小组协同学习管理、论坛、分享等功能。该系统经多次测试,其主要功能基本达到预设目标。该组队平台以提高参赛小组的综合能力水平为目标,并且提供高效的协同工作环境。在学习资源方面,采用群组学习生成网络的形式给小组推荐,满足参赛小组的学习需求。在参赛指导方面也可选择符合本小组偏好的教师来指导参赛,实现指导的个性化需求。
基于神经网络的组推荐模型的研究与实现
这是一篇关于组推荐,偏好融合,注意力机制,深度学习,神经协同过滤的论文, 主要内容为由于群体活动在人们日常生活中的普遍存在,向一组用户推荐内容成为许多信息系统中的一项重要任务。不同于单人推荐系统,群体推荐中的一个重要问题是如何聚合群体偏好,从而推断出群体的决策。群体偏好受到多种因素的影响,由个体偏好组成,但也不是简单累加个体偏好,组内成员之间还存在着相互影响。因此,传统的组推荐系统通过静态方法融合群组成员的偏好难以建模复杂的群组决策过程,导致推荐效果不佳。一个好的组推荐模型应该能够从数据中动态融合成员偏好,尽可能满足更多成员的偏好需求。针对以上分析,基于注意力网络和神经协同过滤(neural collaborative filtering,NCF)在推荐领域的最新发展,本文提出了一种新的解决方案 NCF-AGREE(Attentive Group REcommEndation with neural collaborative filtering,NCF-AGREE)来解决偏好聚合问题。具体来说,本文主要研究内容如下:(1)调研并分析组推荐系统相关技术,包括注意力机制、深度学习、协同过滤等。概述组推荐研究现状和相关技术的基本原理。(2)本文提出的组推荐模型(NCF-AGREE),该模型能够动态学习在不同候选主题下,组内成员之间的相互影响力,也就是说成员之间的相互影响力不是一成不变的,通过NCF-AGREE模型,能够为群组推荐更合适的项目,满足更多成员的偏好。本文将注意机制与NCF相融合,主要是通过两个串行神经网络模块进行组偏好建模,能够学习用户潜在兴趣以及组内用户在特定项目上的相互影响。首先使用注意力网络挖掘成员对不同候选项目的影响,形成用户-项目的特性嵌入向量,在此基础上使用第二层注意力网络动态学习每个用户在不同项目上对组内其他成员的影响。最后在NCF框架下从数据中学习群体与项目之间的交互作用,获取群组预测得分。(3)本文在两个数据集上进行实验。实验结果表明,与基线模型相比,本文提出的NCF-AGREE模型在3个评价指标上均取得更好的结果。(4)设计并实现组推荐原型系统,把本文算法模型集成到系统当中。
基于异质信息网络的竞赛小组学习平台研究
这是一篇关于异质信息网络,学习共同体,组推荐,网络学习,协同编辑的论文, 主要内容为学科竞赛对提高学生实践能力和综合素质具有重要作用,高校也认识到学科竞赛的重要性,纷纷开设学科竞赛课程。当下线上教育飞速发展,特别是自去年疫情爆发之后,很多学习活动和学科竞赛也都转向线上开展。而现有学科竞赛相关的在线学习平台普遍是面向个人学习者,较少地考虑到学科竞赛是以小组的形式进行。因此,如何结合互联网技术为竞赛小组提供丰富的在线协作和管理工具,同时结合群组目标和学习者在小组中的角色进行学习资源的推荐是本文的主要研究内容。为此,本文主要研究了基于异质信息网络的竞赛小组学习平台的设计与实现。首先,本文对学科竞赛领域的小组在线学习和该领域个性化学习、异质信息网络在推荐领域的应用进行了研究;经对参加学科竞赛的学习小组进行需求分析,完成了系统的整体架构设计、具体功能设计和数据库表设计;然后在个人学习者模型的基础上,拓展了群组相关信息,完成了群组学习者模型的构建;接着构建了竞赛小组在线学习异质信息网络,在采用基于随机游走的表示学习技术提取出相关信息基础上,使用注意力机制计算了不同元路径的权重,然后融合群组偏好、使用矩阵分解进行评分预测完成了学习资源的推荐;最后,本文使用IntelliJ IDEA集成开发环境、采用了 SpringBoot+MyBatis框架实现了基于遗传算法的自动组卷、在线编程、在线协作文档等重要功能,为用户提供了一站式的在线学习服务,此外完成了学习者能力评估和基于Activiti工作流的小组任务功能模块的实现,使竞赛小组学习平台具备了更完善的辅助学习功能。原型系统开发完成后,经过完整的功能测试,各项功能均达到预设目标。基于异质信息网络的竞赛小组学习平台提供了以竞赛小组为主体的在线协作学习环境,此外通过融合元路径提取信息和群组关系完成了学习资源的推荐,满足了学习者个性化学习的需求。考虑到系统提供的服务较多,下一步将在系统实现方面考虑服务拆分,采用微服务的架构进行重构。
基于领域信任及不信任的社会化推荐研究与应用
这是一篇关于推荐系统,社会化推荐,奇异值分解,领域信任不信任关系,组推荐的论文, 主要内容为在目前计算机与网络发达的时代,每分每秒都产生着数量大且维度多的数据信息。面对信息过载的问题,人们可以利用推荐系统对信息进行快速且精准地选择,但在实际使用中,存在数据稀疏性与冷启动等问题。随着社交网络规模与用户历史行为数据爆炸式增长,社会化推荐系统成为近几年研究热点。但目前存在的社会化推荐算法很少考虑到用户的不信任关系,也忽略了社交关系与用户评分的领域相关性。通过分析社会化推荐的国内外研究现状,本文在社交网络中融入不信任关系,并且考虑到全局影响力以及信任关系的领域性问题,利用不信任关系对社交关系进行修正,并结合组推荐的概念,对用户进行聚类。然后根据用户的评分特征和用户聚类结果,计算出用户间的领域相关性,再利用考虑了不信任关系的全局影响力,对目标用户的信任好友进行筛选,通过实验证明所提算法在提高推荐质量和缓解冷启动问题上都有一定的作用。最后,以此算法作为推荐系统的核心模块,构建了一个社会化推荐原型系统。本文的主要工作包括:(1)论述本文研究工作的发展背景,首先介绍国内推荐系统的研究现状,总结该领域目前存在的问题,在此基础上阐明了本文的研究重点以及该研究的意义。(2)针对传统社会化推荐中对不信任社交关系忽视的问题,考虑信任关系的领域相关性,以及不信任关系对用户全局影响力的影响,对用户社交好友进行筛选,修正了用户的社交影响力,提出一种基于领域信任及不信任的奇异值分解算法。(3)针对传统社会化推荐中只对单个用户进行推荐计算的问题,根据组推荐的概念,将用户按照评分习惯进行聚类,并根据聚类结果对信任的领域相关性的计算方法进行改进,通过实验的对比分析,验证该算法在提高推荐质量上的有效性。(4)以上述基于融合组推荐的领域信任及不信任的社会化推荐算法作为推荐系统的核心推荐模型,搭建一个结合用户聚类及领域社交关系的推荐原型系统,并在一个商品点评平台中进行应用。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设客栈 ，原文地址：https://m.bishedaima.com/lunwen/46372.html
