7个研究背景和意义示例,教你写计算机课程画像论文

今天分享的是关于课程画像的7篇计算机毕业论文范文, 如果你的论文涉及到课程画像等主题,本文能够帮助到你

基于画像的高校课程推荐系统的研究与实现

这是一篇关于推荐系统,课程画像,用户画像,改进FastText算法的论文, 主要内容为随着疫情的影响,中国的线上教育行业快速发展,但在快速发展的背后,由于缺乏大学课程在线教育资源推荐平台,且传统的推荐算法精度低,难以在保证在线课程质量的同时提供与学生学习能力相匹配的资源,因此本文提出一种客观全面的课程画像体系来为高校在校生推荐课程。本文提出的课程画像体系由课程特色、课程质量、课程难易度、课程知识点覆盖度、课程基本信息五个维度指标组成。本文设计了一种非随机概率丢弃的updropout方法,帮助FastText算法寻找到除强特征词以外的有效关键词,进而解决了对课程简介文本数据进行文本分类得到课程特色指标过程中出现过拟合的问题;使用Bert模型对评论信息进行情感分析抽取课程质量指标;使用Kmeans算法对学生练习情况进行聚类,得到课程难易度指标;使用Jaccard相似度对课程名称进行聚类,抽取课程大纲目录获取每类课程知识点集合,计算课程知识点覆盖度指标。对课程基本信息按照规则将数据映射为四维向量,得到课程基本信息指标。通过对学生选课及收藏课程的画像信息与学生课后练习数据进行统计分析,获取学习者画像,基于课程与学生画像构建完成的基础,本文提出两种推荐方法。第一种为基于课程画像相似度的推荐方法,当用户点击课程时,选取与该课程画像的相似度系数最高的课程进行推荐。第二种为基于深度置信网络的推荐方法,将学生课程画像特征互相组合作为深度置信网络的输入,根据模型预测评分选取top-N课程进行推荐。本文采用B/S架构进行开发,使用Scala语言结合SSM框架实现后端业务流程,前端使用Vue框架进行开发,使用关系型数据库MySQL进行数据的读取和存储,实现了基于画像的高校课程推荐系统,并设计测试用例完成系统测试。本文通过真实数据集,对比其他流行算法,证明改进后的FastText模型在分类评价指标有显著提升,验证了非随机概率的updropout方法在缓解分类模型过拟合问题上的有效性,也证明本文提出的推荐方法有望为高校教育提供参考和帮助。

基于画像的高校课程推荐系统的研究与实现

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。