E-learning环境中的学习资源管理研究
这是一篇关于E-learning,本体库,知识点,个性化服务的论文, 主要内容为Internet技术的迅速发展使得网络成为人们获取知识的主要途径之一。近年来，E-learning的应用和研究领域飞速发展，为用户提供了前所未有的丰富的学习资源和灵活的学习方式，同时使不同时间、不同地点的人们可以方便地进行网上学习。 但目前存在的大多数E-learning系统在对知识库管理时都是对知识信息、知识信息之间的关联进行孤立的管理，很少考虑到对他们进行统一的管理，因而会影响到系统的个性化程度和性能，同时大多数系统在实现个性化学习时还是采用基于文本挖掘、Web挖掘等方法，根本没有很好地利用E-learning知识库中的知识信息。本文针对目前E-learning系统存在的上述缺陷，摒弃以往系统中普遍采用的将知识之间的相互关系进行单独存储或管理的方式，而将本体的概念引入系统中，使知识之间的相互关联不再孤立存在，而是与知识信息同时被管理，这样在实现个性化学习时，就可以充分发挥E-learning系统中知识网状结构的优势，使个性化能够方便的实现，且实现的效率也很高。基于上述的目标，本文主要研究的内容如下： 1、学习并研究了与本体相关的一些概念、应用，了解了个性化服务的相关技术以及E-learning中与个性化学习相关的标准； 2、引入“学习对象”的概念，对与课程信息有关的学习对象类别和学习对象内容进行管理；引入“知识单元”和“知识点”的概念，通过对知识单元和知识点的使用可以很方便地对课程信息进行管理。 3、引入课程本体、课程内容本体、学习对象本体的相关概念，并进行了详细的描述，并依据上述三个本体建立学习资源本体知识库。 4、收集不同学习者在访问E-learning系统时的学习路径并转化为本体特征向量，进而细化为知识单元、知识点向量，为每位学习者建立不同的个性化学习模型，向他们提供基于他们个人爱好的标签服务和内容推荐服务。 5、通过采用本文提出的本体知识库思想，在Windows2000环境下以JSP作为开发语言，使用SQL2000数据库，实现了一个基于B／S结构的基于学习资源管理的个性化学习环境。 本文下一步的工作将致力于更加完善地对学习资源信息进行管理，提高学习资源的使用效率，从而实现学习者学习过程中的个性化标签服务和个性化推荐服务，向学习者提供更准确的个性化服务和指导，提高E-learning个性化平台的性能。
基于知识图谱的协同过滤算法的研究与应用
这是一篇关于本体库,知识图谱,表示学习,协同过滤,兴趣衰减的论文, 主要内容为随着网上各种电影、音乐、文章和购物等网站的不断发展与扩充,使得用户在查找信息时变得越发困难,同时一些信息也无法被访问。如何在大量且零散的信息中挖掘出兴趣信息,使得用户越发关注。尽管传统协同过滤推荐算法可以从用户的角度和物品的角度为用户推荐感兴趣的信息,但是数据稀疏性使得它的推荐效果不是很理想,并且传统的推荐系统没有考虑用户兴趣的变化。鉴于上述问题,本文提出了一种改进的协同过滤算法,该算法以知识图谱作为物品语义的补充工具,并结合了用以表示用户兴趣衰减的时间项。本文将针对数据稀疏性和兴趣衰减进行以下研究工作:针对传统推荐算法存在的数据稀疏性问题,本文提出了以知识图谱作为物品的语义补充工具应用到协同过滤算法中。在对知识图谱的研究中,本文主要涉及到两个要点,一是知识图谱的构建,二是实现知识图谱到协同过滤算法中的应用。首先,本文将针对算法的应用领域研究电影知识图谱的构建,主要研究知识图谱的模式层和数据层。在模式层中根据电影里的知识特征提取相应的概念,划分电影的实体和关系,并建立了电影领域的本体数据库。然后,通过电影的关系属性从相关的电影网站抽取相应本体的具体实例的属性和关系,对知识图谱的数据层进行补充。最后,将标准三元组数据导入neo4j图形数据库进行存储,从而实现知识图谱的建立。接着,针对知识图谱如何应用到协同过滤算法中方法,本文根据经典的知识图谱知识表示方法-TransE模型提出了一种相似性负采样(TransE-SNS)的训练模型,通过k-means聚类方法将知识三元组的实体进行簇划分。在进行采集负例时,只采用同一个簇的实体进行替换,从而提高负例的训练质量。通过模型训练,将实体和关系嵌入到低维语义向量空间中,丰富了低维空间中实体和关系的关联。通过计算物品语义的相似度和物品评分相似度将两者进行融合,得到知识图谱嵌入协同过滤算法中的最佳比例。针对用户的兴趣存在变动的问题,本文在知识图谱应用到协同过滤算法的基础之上提出了一种考虑兴趣实时性问题的改善的算法。利用牛顿冷却定律函数来拟合艾宾浩斯遗忘函数,通过引入适用本文的物品热度衰减的时间项,得到本文最终应用的物品相似公式。通过评分预测,将相似性高的前N个物品作为近邻项目,然后利用排序对目标用户进行推荐。本文提出的改进后的算法相较于传统协同过滤推荐算法,在应用性能方面都有了较明显的改善效果。
基于知识图谱的协同过滤算法的研究与应用
这是一篇关于本体库,知识图谱,表示学习,协同过滤,兴趣衰减的论文, 主要内容为随着网上各种电影、音乐、文章和购物等网站的不断发展与扩充,使得用户在查找信息时变得越发困难,同时一些信息也无法被访问。如何在大量且零散的信息中挖掘出兴趣信息,使得用户越发关注。尽管传统协同过滤推荐算法可以从用户的角度和物品的角度为用户推荐感兴趣的信息,但是数据稀疏性使得它的推荐效果不是很理想,并且传统的推荐系统没有考虑用户兴趣的变化。鉴于上述问题,本文提出了一种改进的协同过滤算法,该算法以知识图谱作为物品语义的补充工具,并结合了用以表示用户兴趣衰减的时间项。本文将针对数据稀疏性和兴趣衰减进行以下研究工作:针对传统推荐算法存在的数据稀疏性问题,本文提出了以知识图谱作为物品的语义补充工具应用到协同过滤算法中。在对知识图谱的研究中,本文主要涉及到两个要点,一是知识图谱的构建,二是实现知识图谱到协同过滤算法中的应用。首先,本文将针对算法的应用领域研究电影知识图谱的构建,主要研究知识图谱的模式层和数据层。在模式层中根据电影里的知识特征提取相应的概念,划分电影的实体和关系,并建立了电影领域的本体数据库。然后,通过电影的关系属性从相关的电影网站抽取相应本体的具体实例的属性和关系,对知识图谱的数据层进行补充。最后,将标准三元组数据导入neo4j图形数据库进行存储,从而实现知识图谱的建立。接着,针对知识图谱如何应用到协同过滤算法中方法,本文根据经典的知识图谱知识表示方法-TransE模型提出了一种相似性负采样(TransE-SNS)的训练模型,通过k-means聚类方法将知识三元组的实体进行簇划分。在进行采集负例时,只采用同一个簇的实体进行替换,从而提高负例的训练质量。通过模型训练,将实体和关系嵌入到低维语义向量空间中,丰富了低维空间中实体和关系的关联。通过计算物品语义的相似度和物品评分相似度将两者进行融合,得到知识图谱嵌入协同过滤算法中的最佳比例。针对用户的兴趣存在变动的问题,本文在知识图谱应用到协同过滤算法的基础之上提出了一种考虑兴趣实时性问题的改善的算法。利用牛顿冷却定律函数来拟合艾宾浩斯遗忘函数,通过引入适用本文的物品热度衰减的时间项,得到本文最终应用的物品相似公式。通过评分预测,将相似性高的前N个物品作为近邻项目,然后利用排序对目标用户进行推荐。本文提出的改进后的算法相较于传统协同过滤推荐算法,在应用性能方面都有了较明显的改善效果。
基于知识图谱的协同过滤算法的研究与应用
这是一篇关于本体库,知识图谱,表示学习,协同过滤,兴趣衰减的论文, 主要内容为随着网上各种电影、音乐、文章和购物等网站的不断发展与扩充,使得用户在查找信息时变得越发困难,同时一些信息也无法被访问。如何在大量且零散的信息中挖掘出兴趣信息,使得用户越发关注。尽管传统协同过滤推荐算法可以从用户的角度和物品的角度为用户推荐感兴趣的信息,但是数据稀疏性使得它的推荐效果不是很理想,并且传统的推荐系统没有考虑用户兴趣的变化。鉴于上述问题,本文提出了一种改进的协同过滤算法,该算法以知识图谱作为物品语义的补充工具,并结合了用以表示用户兴趣衰减的时间项。本文将针对数据稀疏性和兴趣衰减进行以下研究工作:针对传统推荐算法存在的数据稀疏性问题,本文提出了以知识图谱作为物品的语义补充工具应用到协同过滤算法中。在对知识图谱的研究中,本文主要涉及到两个要点,一是知识图谱的构建,二是实现知识图谱到协同过滤算法中的应用。首先,本文将针对算法的应用领域研究电影知识图谱的构建,主要研究知识图谱的模式层和数据层。在模式层中根据电影里的知识特征提取相应的概念,划分电影的实体和关系,并建立了电影领域的本体数据库。然后,通过电影的关系属性从相关的电影网站抽取相应本体的具体实例的属性和关系,对知识图谱的数据层进行补充。最后,将标准三元组数据导入neo4j图形数据库进行存储,从而实现知识图谱的建立。接着,针对知识图谱如何应用到协同过滤算法中方法,本文根据经典的知识图谱知识表示方法-TransE模型提出了一种相似性负采样(TransE-SNS)的训练模型,通过k-means聚类方法将知识三元组的实体进行簇划分。在进行采集负例时,只采用同一个簇的实体进行替换,从而提高负例的训练质量。通过模型训练,将实体和关系嵌入到低维语义向量空间中,丰富了低维空间中实体和关系的关联。通过计算物品语义的相似度和物品评分相似度将两者进行融合,得到知识图谱嵌入协同过滤算法中的最佳比例。针对用户的兴趣存在变动的问题,本文在知识图谱应用到协同过滤算法的基础之上提出了一种考虑兴趣实时性问题的改善的算法。利用牛顿冷却定律函数来拟合艾宾浩斯遗忘函数,通过引入适用本文的物品热度衰减的时间项,得到本文最终应用的物品相似公式。通过评分预测,将相似性高的前N个物品作为近邻项目,然后利用排序对目标用户进行推荐。本文提出的改进后的算法相较于传统协同过滤推荐算法,在应用性能方面都有了较明显的改善效果。
E-learning环境中的学习资源管理研究
这是一篇关于E-learning,本体库,知识点,个性化服务的论文, 主要内容为Internet技术的迅速发展使得网络成为人们获取知识的主要途径之一。近年来，E-learning的应用和研究领域飞速发展，为用户提供了前所未有的丰富的学习资源和灵活的学习方式，同时使不同时间、不同地点的人们可以方便地进行网上学习。 但目前存在的大多数E-learning系统在对知识库管理时都是对知识信息、知识信息之间的关联进行孤立的管理，很少考虑到对他们进行统一的管理，因而会影响到系统的个性化程度和性能，同时大多数系统在实现个性化学习时还是采用基于文本挖掘、Web挖掘等方法，根本没有很好地利用E-learning知识库中的知识信息。本文针对目前E-learning系统存在的上述缺陷，摒弃以往系统中普遍采用的将知识之间的相互关系进行单独存储或管理的方式，而将本体的概念引入系统中，使知识之间的相互关联不再孤立存在，而是与知识信息同时被管理，这样在实现个性化学习时，就可以充分发挥E-learning系统中知识网状结构的优势，使个性化能够方便的实现，且实现的效率也很高。基于上述的目标，本文主要研究的内容如下： 1、学习并研究了与本体相关的一些概念、应用，了解了个性化服务的相关技术以及E-learning中与个性化学习相关的标准； 2、引入“学习对象”的概念，对与课程信息有关的学习对象类别和学习对象内容进行管理；引入“知识单元”和“知识点”的概念，通过对知识单元和知识点的使用可以很方便地对课程信息进行管理。 3、引入课程本体、课程内容本体、学习对象本体的相关概念，并进行了详细的描述，并依据上述三个本体建立学习资源本体知识库。 4、收集不同学习者在访问E-learning系统时的学习路径并转化为本体特征向量，进而细化为知识单元、知识点向量，为每位学习者建立不同的个性化学习模型，向他们提供基于他们个人爱好的标签服务和内容推荐服务。 5、通过采用本文提出的本体知识库思想，在Windows2000环境下以JSP作为开发语言，使用SQL2000数据库，实现了一个基于B／S结构的基于学习资源管理的个性化学习环境。 本文下一步的工作将致力于更加完善地对学习资源信息进行管理，提高学习资源的使用效率，从而实现学习者学习过程中的个性化标签服务和个性化推荐服务，向学习者提供更准确的个性化服务和指导，提高E-learning个性化平台的性能。
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：毕设工坊 ，原文地址：https://m.bishedaima.com/lunwen/52388.html
