基于课程画像的在线教育课程推荐方法研究
这是一篇关于课程画像,特征工程,课程推荐,在线课程,智慧教育的论文, 主要内容为近年来智慧教育获得快速发展,使得学习者可以获得丰富的学习资源以及自由的学习时间,也使平台积累了海量的在线教学和学习数据,这些数据进一步被用于优化教学质量,从而受到广泛的关注。然而,当前在线教育平台仍然存在以下问题:(1)在线课程质量良莠不齐,评价标准亟需规范;(2)同类型课程数量众多,使得学习者难以区分不同课程之间的优劣,无法真正为学习者推荐个性化的课程资源。因此,在线教育亟需规范在线课程评价标准确保课程质量,其次,需要从利于学习者的角度,提高不同课程之间的区分度以及推荐个性化学习课程。因此,有必要对在线课程评价方法进行优化和创新。为实现这一目标,本文提出了一套课程画像指标体系,即一种新的针对课程内容的在线课程评价指标体系,该指标体系包含4个一级指标和14个二级指标,其中有5个指标是课程的隐式特征。本文首先利用三个算法进行指标特征的抽取:使用改进的Fast Text算法对课程介绍文本进行分类,抽取了与课程难度相关的三个特征;使用SVM算法对课程评价进行情感分析,抽取了与课程好评度相关的特征;使用Jaccard相似度对同类课程进行细粒度聚类,计算出了每门课程的知识点覆盖度。进一步地,本文结合AHP层次分析法和熵权法确定了课程画像各级指标的权重,最后,通过使用一种能够反映课程画像突出指标的线性加权模型计算出了课程画像的各指标值,实现了课程画像的构建。综合而言,在课程资源推荐方面,本文基于当前在线教育的场景分析了现有教育资源推荐方法的优缺点,将课程画像和学习者画像进行结合,提出了融合学习者特征和课程特征的基于深度置信网络的课程资源推荐方法。通过使用在线教育平台的真实数据集对实验构想进行了验证,结果表明:课程画像的定义、课程特征的抽取、课程画像指标值的计算方法具有良好的合理性;相对于传统推荐算法,本文提出的融合学习者特征和课程特征的推荐模型在性能上获得了显著的提升。本文提出的研究方法被成功用于构建课程画像及推荐系统并获得初步应用,这对于规范在线课程质量,提高个性化在线教学,提供了有力的参考。
基于知识图谱的在线学习资源推荐系统的研究与实现
这是一篇关于在线课程,知识图谱,推荐系统的论文, 主要内容为随着教育的发展,我国在线教育的课程规模和应用范围逐渐攀升至世界首位。在线课程在给人们带来方便快捷的学习方式的同时,也容易因资源过多引发学习者产生认知迷航或者课程选择困难等问题。个性化推荐方法能够帮助学习者从海量的课程中自动挑选出符合学习者学习兴趣的专属课程。研究方法上,传统的协同过滤模型存在比较严重的数据稀疏问题,为此,本文提出了一种融合连通子图的协同过滤模型。模型从知识图谱中抽取了连接用户-课程对的连通子图以描述用户与课程之间的连接性,使得推荐结果更加精准。本文的具体工作如下:(1)构建适用于课程推荐的课程领域知识图谱。首先从网络上抓取实验所用的课程数据源,再对课程数据源分析,确定了课程相关的实体与关系,以此完成对本体的建模;依照本体建模,从数据集中抽取相应的实体和关系,然后使用Neo4j图数据库完成知识图谱存储与可视化的工作;最后使用知识嵌入网络对知识图谱进行嵌入学习,对比分析了不同的知识嵌入网络的嵌入准确度,为后续推荐模型的实验分析作参考。(2)提出融合连通子图的协同过滤模型。在构建的课程领域知识图谱的基础上,本文提出了融合连通子图的协同过滤模型,模型从知识图谱中抽取了连接用户与课程的连通子图作为辅助信息,并引入分层语义传播与注意力机制来进行子图嵌入学习。该模型相比当前存在的推荐算法有如下优势:a.子图作为独立路径的非线性组合,包含丰富的语义和拓扑信息,比线性路径更具表达性。b.子图只保留与特定用户-项目连接性相关的实体和关系,能够避免引入来自整体的噪声。最后通过对比实验,验证了本文所提出模型的有效性。(3)构建基于知识图谱的在线学习资源推荐系统。以本文提出的融合连通子图的协同过滤模型为基础,设计并实现了基于知识图谱的学习资源推荐系统,为用户提供个性化的学习资源推荐,从而解决用户的信息迷航与选课困难问题。
基于知识图谱的个性化课程推荐算法研究
这是一篇关于在线课程,知识图谱,课程推荐,协同过滤,卷积神经网络的论文, 主要内容为随着云计算、大数据和互联网的迅猛发展,“互联网”已经渗透到人们的生活的方方面面。“互联网+教育”成功地克服了传统线下教育时间和空间的限制并取得了快速的发展。这些公开的在线教育平台通过在线渠道向用户免费提供课程视频观看权限,人们享受着互联网带来的便利的同时也产生了一些问题。在线教育平台的课程数量爆炸式的增长,用户难以高效地选择自己感兴趣的课程,为了解决这个问题,课程推荐系统成为了解决在线教育平台信息超载的有效解决方案之一。虽然推荐算法在其他领域(如:电商平台、新闻推荐等)表现出色,但是在线课程推荐领域的应用仍相对较少。数据稀疏性和冷启动等问题仍是当前在线课程推荐算法需要重点研究的问题之一,而知识图谱所携带的丰富语义信息可以很好地缓解上述问题。针对这些问题,本文提出了一个融合知识图谱的协同过滤推荐算法和基于知识图谱和卷积神经网络的课程推荐算法模型,探究如何利用知识图谱改进现有的课程推荐算法。具体研究内容如下:(1)针对协同过滤推荐算法难以区分隐式反馈历史交互课程的重要性和数据稀疏性等问题,提出了一个融合知识图谱的协同过滤课程推荐算法。该算法利用知识图谱中丰富的语义信息对协同过滤推荐算法进行优化,同时为了更好地区分用户对不同课程的感兴趣程度,提出了一个隐式反馈转化公式,尝试量化用户对不同课程的感兴趣程度,并在清华大学公开的MOOCCube数据集上证明了本文提出的融合知识图谱的协同过滤课程推荐算法的有效性。(2)当学习者对某个学科或领域产生兴趣时,他们更有可能在下一次选课时选择相关的课程,但现有的在线课程推荐模型往往忽略这些信息。针对这个问题,提出了一个基于知识图谱和卷积神经网络的课程推荐算法,使用对应的特征提取模块将用户历史交互信息中的视频、知识点和课程领域等特征信息转换为嵌入向量,将这些向量融合到用户和课程的嵌入表达式中,通过消息传播算法将这些信息传递给相邻节点,这可以更好地建模用户的兴趣和课程的特征,从而提高推荐的准确性。
基于知识图谱的个性化课程推荐算法研究
这是一篇关于在线课程,知识图谱,课程推荐,协同过滤,卷积神经网络的论文, 主要内容为随着云计算、大数据和互联网的迅猛发展,“互联网”已经渗透到人们的生活的方方面面。“互联网+教育”成功地克服了传统线下教育时间和空间的限制并取得了快速的发展。这些公开的在线教育平台通过在线渠道向用户免费提供课程视频观看权限,人们享受着互联网带来的便利的同时也产生了一些问题。在线教育平台的课程数量爆炸式的增长,用户难以高效地选择自己感兴趣的课程,为了解决这个问题,课程推荐系统成为了解决在线教育平台信息超载的有效解决方案之一。虽然推荐算法在其他领域(如:电商平台、新闻推荐等)表现出色,但是在线课程推荐领域的应用仍相对较少。数据稀疏性和冷启动等问题仍是当前在线课程推荐算法需要重点研究的问题之一,而知识图谱所携带的丰富语义信息可以很好地缓解上述问题。针对这些问题,本文提出了一个融合知识图谱的协同过滤推荐算法和基于知识图谱和卷积神经网络的课程推荐算法模型,探究如何利用知识图谱改进现有的课程推荐算法。具体研究内容如下:(1)针对协同过滤推荐算法难以区分隐式反馈历史交互课程的重要性和数据稀疏性等问题,提出了一个融合知识图谱的协同过滤课程推荐算法。该算法利用知识图谱中丰富的语义信息对协同过滤推荐算法进行优化,同时为了更好地区分用户对不同课程的感兴趣程度,提出了一个隐式反馈转化公式,尝试量化用户对不同课程的感兴趣程度,并在清华大学公开的MOOCCube数据集上证明了本文提出的融合知识图谱的协同过滤课程推荐算法的有效性。(2)当学习者对某个学科或领域产生兴趣时,他们更有可能在下一次选课时选择相关的课程,但现有的在线课程推荐模型往往忽略这些信息。针对这个问题,提出了一个基于知识图谱和卷积神经网络的课程推荐算法,使用对应的特征提取模块将用户历史交互信息中的视频、知识点和课程领域等特征信息转换为嵌入向量,将这些向量融合到用户和课程的嵌入表达式中,通过消息传播算法将这些信息传递给相邻节点,这可以更好地建模用户的兴趣和课程的特征,从而提高推荐的准确性。
基于知识图谱的个性化课程推荐算法研究
这是一篇关于在线课程,知识图谱,课程推荐,协同过滤,卷积神经网络的论文, 主要内容为随着云计算、大数据和互联网的迅猛发展,“互联网”已经渗透到人们的生活的方方面面。“互联网+教育”成功地克服了传统线下教育时间和空间的限制并取得了快速的发展。这些公开的在线教育平台通过在线渠道向用户免费提供课程视频观看权限,人们享受着互联网带来的便利的同时也产生了一些问题。在线教育平台的课程数量爆炸式的增长,用户难以高效地选择自己感兴趣的课程,为了解决这个问题,课程推荐系统成为了解决在线教育平台信息超载的有效解决方案之一。虽然推荐算法在其他领域(如:电商平台、新闻推荐等)表现出色,但是在线课程推荐领域的应用仍相对较少。数据稀疏性和冷启动等问题仍是当前在线课程推荐算法需要重点研究的问题之一,而知识图谱所携带的丰富语义信息可以很好地缓解上述问题。针对这些问题,本文提出了一个融合知识图谱的协同过滤推荐算法和基于知识图谱和卷积神经网络的课程推荐算法模型,探究如何利用知识图谱改进现有的课程推荐算法。具体研究内容如下:(1)针对协同过滤推荐算法难以区分隐式反馈历史交互课程的重要性和数据稀疏性等问题,提出了一个融合知识图谱的协同过滤课程推荐算法。该算法利用知识图谱中丰富的语义信息对协同过滤推荐算法进行优化,同时为了更好地区分用户对不同课程的感兴趣程度,提出了一个隐式反馈转化公式,尝试量化用户对不同课程的感兴趣程度,并在清华大学公开的MOOCCube数据集上证明了本文提出的融合知识图谱的协同过滤课程推荐算法的有效性。(2)当学习者对某个学科或领域产生兴趣时,他们更有可能在下一次选课时选择相关的课程,但现有的在线课程推荐模型往往忽略这些信息。针对这个问题,提出了一个基于知识图谱和卷积神经网络的课程推荐算法,使用对应的特征提取模块将用户历史交互信息中的视频、知识点和课程领域等特征信息转换为嵌入向量,将这些向量融合到用户和课程的嵌入表达式中,通过消息传播算法将这些信息传递给相邻节点,这可以更好地建模用户的兴趣和课程的特征,从而提高推荐的准确性。
基于课程画像的在线教育课程推荐方法研究
这是一篇关于课程画像,特征工程,课程推荐,在线课程,智慧教育的论文, 主要内容为近年来智慧教育获得快速发展,使得学习者可以获得丰富的学习资源以及自由的学习时间,也使平台积累了海量的在线教学和学习数据,这些数据进一步被用于优化教学质量,从而受到广泛的关注。然而,当前在线教育平台仍然存在以下问题:(1)在线课程质量良莠不齐,评价标准亟需规范;(2)同类型课程数量众多,使得学习者难以区分不同课程之间的优劣,无法真正为学习者推荐个性化的课程资源。因此,在线教育亟需规范在线课程评价标准确保课程质量,其次,需要从利于学习者的角度,提高不同课程之间的区分度以及推荐个性化学习课程。因此,有必要对在线课程评价方法进行优化和创新。为实现这一目标,本文提出了一套课程画像指标体系,即一种新的针对课程内容的在线课程评价指标体系,该指标体系包含4个一级指标和14个二级指标,其中有5个指标是课程的隐式特征。本文首先利用三个算法进行指标特征的抽取:使用改进的Fast Text算法对课程介绍文本进行分类,抽取了与课程难度相关的三个特征;使用SVM算法对课程评价进行情感分析,抽取了与课程好评度相关的特征;使用Jaccard相似度对同类课程进行细粒度聚类,计算出了每门课程的知识点覆盖度。进一步地,本文结合AHP层次分析法和熵权法确定了课程画像各级指标的权重,最后,通过使用一种能够反映课程画像突出指标的线性加权模型计算出了课程画像的各指标值,实现了课程画像的构建。综合而言,在课程资源推荐方面,本文基于当前在线教育的场景分析了现有教育资源推荐方法的优缺点,将课程画像和学习者画像进行结合,提出了融合学习者特征和课程特征的基于深度置信网络的课程资源推荐方法。通过使用在线教育平台的真实数据集对实验构想进行了验证,结果表明:课程画像的定义、课程特征的抽取、课程画像指标值的计算方法具有良好的合理性;相对于传统推荐算法,本文提出的融合学习者特征和课程特征的推荐模型在性能上获得了显著的提升。本文提出的研究方法被成功用于构建课程画像及推荐系统并获得初步应用,这对于规范在线课程质量,提高个性化在线教学,提供了有力的参考。
异构信息网络中基于元路径的课程推荐
这是一篇关于在线课程,异构信息网络,元路径,课程推荐的论文, 主要内容为随着互联网的飞速发展和教育需求的日益增长,大规模开放在线课程于2012年应运而生。随着大规模在线课程平台的迅猛发展,在线课程平台课程越来越多,教学内容也有了很多冗余,存在信息过载问题,与此同时,在线课程平台上信息的多样性和不确定性使得异构信息没有明确的逻辑关系和结构化的组织方式,使得学习者难以在其中找到自己所需的知识点,从而阻碍了在线学习的发展。传统的基于在线课程平台推荐主要采用基于点击率、TOP-N排名和用户交互等方法,这些都是基于用户历史交互数据去进行推荐。但是,这些方法并未充分考虑到融合其他辅助信息的可能性,忽略了异构信息网络的结构和特性,无法有效地利用不同形式、不同来源的信息。为此,本文提出了一种异构信息网络中基于元路径的课程推荐系统,通过利用多种类型的节点和节点之间的关系和融合更丰富的语义信息,从而产生高质量的最终嵌入并改善推荐算法性能,提高了课程推荐系统的准确性和个性化程度。本文主要研究内容如下:(1)异构信息网络中基于元路径的课程推荐方法。本文首先针对在线课程平台中实体和关系的异质性和复杂性进行研究,确定在线课程异构信息网络中的节点关系并构建了在线课程的异构信息网络模式;其次利用元路径的随机游走策略生成节点序列,使用skig-gram模型学习不同元路径中实体的嵌入表示;接着,进一步利用两级注意力的图卷积网络进行向量融合,邻居级注意力聚合目标节点上不同类邻居,元关系级注意力聚合不同元关系的语义贡献度并自适应地学习到不同邻居与关系之间的重要程度。最后,在真实数据集MoocCube X上进行了一系列实验,与最优基准方法WMetaPath2Vec相比,在各项指标都达到最优表现,验证了本方法的有效性和合理性。(2)在线课程推荐系统平台。针对在线课程推荐系统,设计了四大功能模块来进行实现。首先在数据获取与数据预处理模块,利用爬虫程序对MOOC平台数据进行爬取并利用Hive数据仓库进行数据预处理;其次,在数据存储模块利用关系型数据库PostgreSQL和HDFS工具进行数据存取与转化;接着,在课程推荐模块,利用上述数据置于异构信息网络中基于元路径的课程推荐模型中进行模型训练,从而获得参数更优的模型;最后,在课程服务模块实现用户注册登录、课程搜索和查找和课程展示功能,实现用户在课程学习中的交流互动。该系统在满足在线课程平台基本要求的同时,通过系统推荐功能向用户进行个性化的课程推荐,帮助用户选择高质量的课程,避免面对大量课程信息出现信息迷航。
基于国家级在线课程发展背景下我国体育类在线课程建设现状与趋势分析
这是一篇关于在线课程,体育类在线课程,建设现状与趋势的论文, 主要内容为随着信息技术的不断发展,“互联网+教育”的兴起,教育教学模式发生巨大的转变。为了适应时代的变革,教育部颁布一系列相关政策,推动高等院校教育教学改革。几年来,国家高度重视在线课程的建设与推广,在线课程的建设取得了很好的成效,并在此次新冠肺炎疫情中,在线课程发挥了举足轻重的作用。本文通过应用科学知识图谱citespace可视化软件,运用可视化方法,对我国在线课程的文献特征进行可视化分析,生成知识网络的可视化图谱。分别从文献发文量,研究作者、研究机构、研究热点、前沿等方面,对我国在线课程的研究结果做出讨论。研究数据均取自中国知网(CNKI)数据库,主要是CSCD、EI来源期刊、核心期刊、CSSCI、SCI来源期刊等核心、权威期刊,检索词分别为:在线课程、网络课程、翻转课堂、微课、慕课、在线教育、在线精品课程、金课、远程教育。对我国在线课程研究的文献进行可视化分析。通过研究分析了解到,我国在线课程研究在发文量特征上呈波浪式前进的状态。(1)在研究作者方面,发现我国在线课程研究作者合作多是同城合作,特别是同机构合作,合作者大多是同事关系,研究的核心作者较少,能进行持续性深入研究的作者也较少。(2)对于研究机构而言,国内的在线课程课程研究单位主要是以两类方式开展合作,分别为:各个单位的合作、同一单位内部的合作。研究机构之间合作较少。(3)在研究热点与趋势方面,“翻转课堂”、“慕课”、“微课”、“在线课程”、“金课”、“在线教育”等关键词是我国在线课程研究领域中关注的焦点和研究的热点;“教学设计”、“教学改革”、“实验教学”、“自主学习”、“MOOC”、“SPOC”等关键词显示出我国在线课程的研究正在向更加深入的方向发展,教学实践更加关注教学过程的研究。(4)在未来的研究趋势上,未来的研究对象主要是“金课”。纵观我国的在线课程发展可知,(1)国内的在线课程先后度过了“注重平台搭建”、“注重平台与实用”、“注重实用引导”几个阶段。(2)根据2017年教育部认定的490门国家精品在线开放课程、2018年教育部认定的801门国家精品在线开放课程、首批(2020年)国家级一流本科课程认定的717门线上一流课程,主要分析了这些国家级在线课程的建设现状,研究了在线课程的发展趋势。并且从中梳理出我国国家级在线课程中的体育类在线课程,以及教育部在疫情期间公布的两批支持高校在线教学主要开课平台上,搜集到的130门体育类在线课程(见附录二),研究了体育类在线课程的建设现状,分析了体育类在线课程的发展趋势。(3)结合本专业提出了我国民族传统体育类专业建设在线课程时的建设趋势,为未来建设相关课程提供一定的参考意义。在未来的研究中,(1)本文能够为我国在线课程的研究者提供在线课程研究领域的热点和前沿提供借鉴。但在进行可视化分析进行数据库选取和工具性能方面具有局限性,在研究深度上有一定的不足,有待进一步探索。(2)受网络信息的时代变迁,社会高速发展的影响,教育技术将会在未来越来越受大众的欢迎,在线学习的方式会愈受推崇,面对不断发展的课程建设形式,各种类型的课程模式还会涌现出来。
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：代码工坊 ，原文地址：https://m.bishedaima.com/lunwen/48941.html
