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
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
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
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
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。
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/52404.html
