8篇关于资源推荐的计算机毕业论文

今天分享的是关于资源推荐的8篇计算机毕业论文范文, 如果你的论文涉及到资源推荐等主题,本文能够帮助到你

纺纱学知识图谱构建与应用研究

这是一篇关于纺纱学,学科知识图谱,资源推荐,知识可视化的论文, 主要内容为在长期的生产、教学与实践环节中,纺纱学科积累了大量的学科资源,且数据规模庞大,多源异构现象明显。现有模式无法对学科资源进行有效管理与利用。知识图谱是一种基于图模型的知识管理、组织与表征技术,具备多模态复杂学科资源管理能力,且低成本、易维护,在纺织教学与产业培训方面潜力巨大。因此本文将知识图谱技术引入传统纺纱领域,构建纺纱学知识图谱,发挥出知识图谱在知识管理、知识表征等方面的优势,对学科内多源异构数据进行有效管理。同时为进一步探究纺纱学知识图谱的可应用性,进行二次开发,实现基于纺纱学知识图谱的学习系统。首先,研究分析了纺纱学的特点,提出了纺纱学知识图谱的初步规划:包含纺纱学科多样知识实体,清晰体现知识点层级结构与关联关系,同时以长文本对知识点进行描述,以链接形式对学科资源有效管理。依照此设想设计三阶段十流程的纺纱学知识图谱构建方法,并从数据规模、映射关系复杂度与资源结构化程度三个方面对知识图谱构建技术进行比选,确定纺纱学知识图谱构建的最优方法组合。其次,按照三阶段十流程方法,确定纺纱学领域核心概念、层级结构与知识间关系,完成知识图谱体系构建工作。核心概念确定为:原理、设备、工艺、质量、其他。学科知识点关系确定为:包含、继承、并行、前驱、后继、影响、对应与解释。借助Protégé完成纺纱学知识数据化,依次设置纺纱学知识实体、数据属性与对象属性,得到了含有纺纱学知识信息的RDF文件。运用Neo4j图数据库对RDF文件进行存储,可视化展示了学科知识点间的层级结构与关联关系,并结合实际应用需求,展示图谱的知识实体查询、关联关系查询、模糊匹配查询等功能。第三,为进一步探究纺纱学知识图谱的可应用性,以构建的图谱为基础进行二次开发,设计并实现纺纱学知识图谱学习系统。系统重点考虑纺纱知识的管理与学习需求,设计了用户服务、纺纱知识服务、学习路径推荐等模块。系统采用B/S架构开发,技术栈为Spring Boot+Vue+My SQL+Neo4j,实现了知识管理、知识查询、知识推荐与学习路径规划等功能。最后,以本科用户视角和高校老师视角为例,分别介绍了纺纱学知识学习和管理的界面展示与功能操作。该系统将纺纱学知识和学科资源有机地联系在一起,可作为纺织院校在线教学的有力辅助与补充,也可用作纺织产业培训的工具,帮助企业完善培训体系。

基于技能图谱的信息科技师范生教学技能测评与资源推荐研究

这是一篇关于技能图谱,知识图谱,教学技能测评,资源推荐,信息科技课程的论文, 主要内容为基础教育新课改对义务教育阶段的教师教学技能提出了更高的要求。教学技能是师范生的必修课,是成为教师的前提。如何完善教师教学技能,并将其转化为自身的知识与技能,成为广大研究者关注的热点。然而,目前师范生教学技能的培养面临很多挑战。一方面,高校缺乏专门针对师范生教学技能训练的集“教、学、评”一体化的资源平台,教学技能资源匮乏、评价框架不统一和评价指标需要与时俱进地调整优化等。另一方面,在有限的时间里,担任教学技能训练的指导教师无法同时兼顾所有学生,学生不能获得及时反馈。这些问题不仅限制了教师教,也阻碍了学生学,无法满足数智化时代人才培养的新需求。以知识图谱、推荐系统和区块链等为代表的人工智能技术进一步推动了学习方法的变革。本研究聚焦如何通过技术助力师范生教学技能训练,主要完成了以下四个方面的研究工作:首先,构建师范生课堂教学结构。依据信息科技教学的特点,先依据学科内容将课程分为理论课、操作课和程序设计课三种类型。运用内容分析法对教师教学设计方案编码确定要素,利用Nvivo对数据编码,并检验编码一致性。然后基于四个教学环节和编码行为的框架,融入教学技能组合应用,构建了三种课型的课堂教学结构,课堂教学结构不仅体现了从教学环节到教学技能的具体转变,还突出了一堂课程活动的构成要素,为改进教学技能评价量表提供了依据。然后,构建师范生技能图谱。技能图谱整合了课程知识图谱和教学技能图谱,本研究在理论的基础上构建了集学科知识、教学技能和教学案例为一体的技能图谱本体模型,其中包含教学技能四元组和课程知识图谱三元组,教学技能四元组由教学技能的“条件-要素-手段-目的”所组成,四元组的表现形式能够帮助师范生明确每种技能在何种条件下应用,应用的要素,使用的手段和技能要到达的目的;教学技能与课程知识通过“课型”进行关联,再利用protégé本体构建工具构建教学技能本体层次,并用neo4j图数据库存储数据。接下来,设计基于协同过滤算法的师范生个性化技能与案例推荐算法。将前期构建的技能图谱导入资源推荐系统,结合师范生教学技能训练与理论学习的实际情况构建个性化学习与资源推荐模型框架与推荐模型,诊断师范生教学技能训练状况,基于协同过滤算法设计师范生个性化教学技能与案例推荐算法。最后,实现基于技能图谱的测评与资源推荐系统。在分析系统和用户需求的基础上设计系统总体架构,利用pycharm编程工具,在Fastapi、sqlmodel和py2neo开发包的支持下,基于python语言实现教学技能测评与资源推荐系统,然后通过问卷调查和用户访谈分析系统的有效性。结果表明该系统功能比较完备,对信息科技师范生教学技能的训练具有一定的帮助。本研究的创新之处在于:(1)构建了师范生课堂教学结构,为确定十项教学技能的关系和修订测评表奠定基础;(2)构建了技能图谱,把学科知识与教学技能相融合构建技能图谱,拓展知识图谱的内涵,丰富学科课程知识构建图谱的方法。

基于知识图谱的初中数学个性化学习资源推荐系统研究

这是一篇关于知识图谱,个性化学习,认知诊断,资源推荐的论文, 主要内容为近年来,随着教育信息化的逐步推进,学习者可以随时随地使用海量网络学习资源在线学习,这在一定程度上满足了个性化学习的发展需要。然而,网络学习资源的爆炸式增长造成了“资源过载”现象,从而导致了学习者的“学习迷航”问题。具体表现在学习者上网搜索资源的过程中,由于对自身学习认知情况了解不足,当面对大量不熟悉的学习资源时,即使耗费许多时间和精力,也难以找到适合自己当下学习情况的学习资源。在这种背景下,个性化的推荐学习资源不失为一个解决上述问题的好方法,因此个性化学习资源推荐的研究逐渐成为了教育领域的研究热点。当前有关学习资源个性化推荐的研究多数聚焦在基于学生的学习偏好或学习行为,通过构建学习者模型和学习行为分析等方式进行资源推荐,但这些资源推荐方法大多只聚焦于某一方面,有些忽视了学习者当前的学习水平和认知状态,推荐结果不能满足学习者的学习需求;有些忽视了各知识点之间的相互关联,不利于学习者形成全面的认知框架。少数融合了知识图谱和认知诊断进行推荐的相关研究,也只是依据学习者的知识点掌握情况推荐,但知识点认知过程中还存在不同认知属性,仅通过掌握情况推荐知识点资源显然是不够精确的。本文综合考虑了个性化学习资源推荐的各种影响因素,将认知诊断的结果精确到知识点认知属性层面上,据此提出了基于用户认知状态的资源推荐方法。而后构建了基于知识图谱和认知诊断的个性化学习资源推荐模型,设计完成了基于知识图谱的初中数学个性化学习资源推荐系统,为个性化学习系统的研究和应用提供了参考。本文主要完成了以下三部分工作:首先,通过对知识图谱、认知诊断和个性化推荐的相关研究资料进行收集、整理和分析,确定了本文的研究问题、目的、内容与方法,结合以上内容厘清整体研究思路。并且,在系统构建之前,对认知诊断和个性化资源推荐在初中阶段数学方面的应用现状展开了调研,分析了初中学生数学学习时认知诊断和资源推荐方面的实际需求和已有系统的优缺点,明确了本文需要完成的主要功能。其次,根据个性化学习和认知诊断的相关理论,构建初中数学个性化学习资源推荐系统模型。利用知识图谱技术,构建完成了以学习者子图和知识点子图为引领的链接试题子图和学习资源子图的初中数学课程学习知识图谱。使用此图谱作为后台数据库,结合认知诊断模型和基于用户认知状态的资源推荐方法设计完成系统模型,然后进行了需求分析后,完成了系统的设计与实现。最后,在中学选取部分班级小范围地应用本系统,收集学习者的使用信息,并在系统应用实践结束后,通过问卷调查和访谈的方式调研系统的应用实践效果,并对问卷调查和访谈的结果,进行了总结和分析。

基于领域知识图谱的数字化学习资源推荐算法研究

这是一篇关于在线学习,知识图谱,资源推荐,特征传播,Bi-GRU,自注意力机制的论文, 主要内容为“互联网+教育”极大推动了教育信息化的发展进程,但数字化学习资源不断丰富的同时,“知识过载”成为学习知识的一大阻碍。如何为学习者厘清知识脉络、个性化构建知识体系,以达到高效学习并强化效果的目的,研究学习资源推荐算法,遴选推送适合学习者知识基础的学习资源是解决知识过载问题的有效方法。对此,论文主要完成了以下几方面的工作:(1)以学习资源为主体,知识衔接为关系,建立领域知识图谱模型。论文以机器学习课程为例,利用预训练模型Bert得到包含字、字所在句以及位置信息的特征向量,利用Bi-LSTM+CRF进行知识点实体抽取;使用模版规则的方法抽取实体间的关系;将得到的三元组存储到Neo4j中,为后续推荐算法提供知识图谱模型。(2)提出一种融合知识图谱邻居双端的在线学习资源推荐算法(Knowledge Neighbor Double Polymerization,KNDP)。以学习者为用户端,将学习者的既有知识点与新知识点之间的实体及其邻居信息聚合得到嵌入表示,捕捉学习者的个性化需求;以学习资源为项目端,利用邻居实体扩充学习资源的语义信息与嵌入表示;最后将其送入全连接层得到两者间的交互概率。通过对比实验分析,该算法在AUC指标和ACC指标上相较于最优基线分别提升了1.22%和1.56%,并在Precision@K指标和Recall@K指标上取得不同程度的提升。(3)提出一种序列信息与知识图谱邻居信息融合的在线学习资源推荐算法(Sequence Information and Knowledge Graph Neighbor Polymerization,SIKGNP)。通过KNDP算法得到学习者和学习资源嵌入表示,之后从历史数据中得到学习者与学习资源之间按照时间顺序交互的项目序列集合,将集合中元素的邻居信息传递到该实体中以丰富其语义信息;使用双向循环门控单元学习交互数据中的序列信息,利用自注意力机制得到序列的全局特征,继而将学习者向量与之拼接得到包含序列信息的学习者表征;最后送入全连接层计算两者的交互概率。通过在公开数据集MOOPer和自建数据集上对比分析可知,该算法在稀疏数据集上的性能损耗明显减少,并在各项指标均取得较好效果。综上所述,论文首先构建知识图谱模型并将学习者已访问的学习资源映射到知识图谱中的实体上,为后续推荐提供模型支持。KNDP算法能够满足学习者个性化的资源获取需求,并得到与推荐任务强相关的知识图谱嵌入向量,继而引入Bi-GRU和自注意力机制提升推荐性能。SIKGNP算法考虑了学习者的偏好、知识特点以及序列特征三方面信息,为更准确地捕获学习需求服务,提高学习资源推荐的靶向性。

面向辅助编程的个性化学习资源推荐方法研究

这是一篇关于资源推荐,知识图谱,知识结构树,习题难度,辅助编程的论文, 主要内容为随着在线教育的兴起,教师面临着帮助学习者准确理解知识的挑战。编程课程由于较强的综合性和程序调试的特殊性而不同于其他学科,学习者在学习编程的过程中容易产生误解和疑惑,尤其在程序调试方面存在较大困难,从而抑制了其学习和进步的动力。因此,研究如何有效地辅助学习者理解调试信息和提升编程能力具有极其重要的意义。本文针对编程学习的不同阶段,设计了相应的编程资源推荐方法,包括代码演化片段推荐和编程习题推荐。具体研究工作如下:1.提出了一种基于知识图谱的代码演化片段推荐方法(Code Evolution Fragment Recommendation Based On Knowledge Graph,CRKG),以解决编译调试阶段学习者调试效率低的问题。将C程序设计课程作为研究对象,首先基于线上历史编程数据对编译信息进行相关性挖掘,采用自顶向下的方式构建代码知识图谱。然后对学习者进行分级,提出了一种基于遗忘因子的用户相似性计算方法,并采用支持向量机算法预测用户反馈,构建了预测反馈推荐模型,为学习者进行代码演化片段推荐。实验结果表明该方法提高了代码演化片段推荐的准确性和针对性。2.设计了基于知识结构树的个性化编程习题推荐方法(Personalized Programming Exercise Recommendation Based On Knowledge Structure Tree,KSTER),为编程练习阶段的学习者推荐针对性习题。首先根据习题难度评估具有模糊性、相对性的特点,采用模糊逻辑算法对编程习题的难度进行评估。然后根据知识点间的关联构建知识结构树,并基于知识结构树获取学习者的知识需求。最后结合知识需求对学习目标进行判定和更新,并导入匹配运算符计算认知水平和习题难度为学习者进行编程习题推荐。实验结果表明该推荐方法相较于其他推荐方法在精确率和召回率方面均有一定提高,能够有效地提升学习者的编程能力。本文提出的面向辅助编程的个性化学习资源推荐方法通过分析不同编程阶段的学习者需求,为其推荐不同的编程资源。基于学生需求的资源推荐可以更好的挖掘学习者的内在动力,为在线教育的因材施教提供了可能。此外在线编程系统常因答题数据样本少而对习题难度的评估不够准确,基于模糊逻辑的习题难度评估克服了该局限,为在线编程系统中的习题难度提供了一种新的评价标准。

基于学科专业课程知识图谱的智慧学习资源推荐研究

这是一篇关于智慧学习,知识图谱,资源推荐,高校教育的论文, 主要内容为随着社会的进步与发展,国家对教育越来越重视,教育是国家发展的支撑与人才培养的源泉,高校教育作为教育的重点,受到越来越多的关注。教与学是高校教育中的基础与核心研究内容。高校学生是高校学习的主要人群与将来社会的主要贡献者,因此如何使高校学生更加方便、容易、准确的学习专业课程知识,从而为社会奉献自己的专业力量具有重要的理论价值和现实意义。当前高校学生学习存在两方面问题,一方面,在高校教育中存在大量的学科专业知识,知识之间由于课程的限制难以紧密联系在一起,存在课程壁垒,如何打破学科专业课程壁垒,帮助高校学生了解不同知识之间的关联,快速建立起知识结构体系是当前存在的一个问题。另一方面,由于COVID-19疫情的影响,使得线上教学成为常态,线上教学难以监管、学生难以从海量资料中获取自身所需内容。如何使高校学生在当前人工智能的技术下实现智慧学习是当前存在的另一个问题。本文针对上述问题进行了深入探究,利用近几年较为热门的知识图谱、自然语言处理等技术对高校学科专业课程知识以及智慧学习进行研究。主要研究内容如下:(1)针对当前学科专业课程知识图谱中存在的课程与知识点覆盖不全面、知识关联展示不明确、存在课程壁垒等问题,提出了融合认知理论的学科专业课程知识图谱的构建模型。为了验证该模型的有效性,依据该模型构建学科专业课程知识图谱。(2)针对单一基于知识图谱的推荐模型过于依赖图中关联关系的问题以及基于文本的推荐模型缺乏可解释性的问题,本文提出了基于知识图谱融合语义信息的资源推荐方法。在上述学科专业课程知识图谱的基础上,通过图嵌入模型与文本嵌入模型两个子模型对知识图谱进行处理,合理利用知识图谱的节点关联关系与节点文本属性,将图模型的优势与文本模型的优势结合起来,随后通过实验证明该方法的有效性。(3)针对当前高等教育领域尚缺乏资源推荐、知识问答等完整功能智能服务平台的问题,本文对智慧学习服务平台进行了初步探索。在学科专业课程知识图谱的基础上,实现了学习资源推荐、智能问答、课程搜索,知识点搜索等智能服务平台原型系统。

基于情境感知和社交网络的推荐算法研究

这是一篇关于协同过滤,情境感知,社交网络,资源推荐的论文, 主要内容为随着互联网技术的快速发展,网络数据的种类和覆盖量也呈现出海量增长的趋势,各种资源的流通数据日益庞大。同时用户的需求也越来越多样化和个性化,许多用户花费大量的时间和精力用于搜寻资源,却往往得不到他们想要的结果。这就造成了资源的浪费并影响了用户的学习生活体验。为了解决大量信息的冗余以及需求的不确定性带来的问题,本文提出了基于情境感知和社交网络的资源推荐模型。目前广泛应用的推荐技术是协同过滤算法,但是传统的协同过滤算法只考虑用户对项目的历史行为记录,根据评分的相似性进行推荐,与物品的内容、用户的自身变化、外部环境的改变等方面并没有联系起来。虽然在电子商务领域取得了巨大成功,但由于忽略了用户的一些特有属性、资源之间的关联、用户之间关系等特性,因此它并不适合于各个领域资源的推荐,需要加以改进。本文在介绍传统协同过滤的相关理论及其优缺点后,首先提出了基于情境感知的协同过滤算法,使用情境熵和情境权重代表不同情境因素对资源预测评分所占比重。接着,考虑到用户周围社交网络对用户选择的影响,如果是好友推荐的项目,则用户将会更相信推荐结果,而且与好友亲密度越高,则用户接受的程度可能会更高,因此将邻域推荐与传统相似性加权,再利用情境感知得到最终的推荐模型。最后选取权威真实的Movielens-1m数据集,分别对传统协同过滤、基于情境感知的协同过滤、融合情境感知和社交网络的协同过滤进行实验,结果验证了融合情境感知和社交网络的推荐模型的推荐结果优于传统的协同过滤。本文通过根据不同用户的实际需求,有效地向用户推荐所需要的资源,把推荐系统的服务变被动为主动,实现推荐服务的优化,既提高了资源的利用率,又节约了用户的时间和精力。