推荐5篇关于个性化学习推荐的计算机专业论文

今天分享的是关于个性化学习推荐的5篇计算机毕业论文范文, 如果你的论文涉及到个性化学习推荐等主题,本文能够帮助到你

基于知识图谱个性化学习推荐系统的研究与实现

这是一篇关于知识图谱,个性化学习推荐,实体识别的论文, 主要内容为近些年来随着教育信息化、个性化教育和K12等观念提出,传统教育向信息化智能化转变,网络上学习不受时间的和地点的约束的学习方式被学生群体所青睐和喜欢。在网络上学习已经成为学生获取知识过程中必不可缺的一种学习途径。据研究调查,近几年在线学习的用户规模每年以15%左右的速度持续增长,网络上有着数不胜数的学习资源,学生在网络上随心所欲的学习知识的同时也引发一些问题。网上学习与传统课堂学习存在差异性,网上学习更加需要学生们自发地主动的去学习,考验学生的自主性,有些学生在网络上学习就出现了不知道怎么学的情况,学生自己无法知道自己对知识点的掌握情况或者学完这个知识点下一个学什么的问题。现有的推荐系统为学生推荐的试题存在不符合学生个人学习需求的情况,从而使得推荐效果不是很理想。本文开发基于知识图谱个性化学习推荐系统使用的是SSM框架、数据库平台使用的是MySql以及neo4j图数据库。在课程知识图谱构建阶段,首先使用Scrpay技术从百度百科、豆瓣与MOOC网获取知识点与试题的数据,接着基于tf-idf算法抽取课程知识点实体,最后基于人工规则抽取实体间的关系,并且使用neo4j图数据库进行知识图谱的存储与展示。通过构建《人工智能技术导论》课程的知识图谱,明确了课程中知识点和知识点间的关系,使得知识点不再是孤零零的存在,形成清晰明确学的科层次结构。本文设计计算学生对于知识点掌握的方法,可以评估学生对于知识点的掌握程度。根据学生对于知识点掌握情况的不同,结合知识图谱为学生生成不同的知识点学习序列,结合个性化学习推荐算法为学生推荐试题。基于知识图谱个性化学习推荐系统,可以有效解决网络上学习资源庞大,学生无法快速找到自己想学习的知识点。学生在网络学习的过程中缺乏自主性,学生不知道学习什么知识点,现有推荐系统存在为学生推荐的学习资源不符合学生自身的学习情况的问题。基于知识图谱个性化学习推荐系统主要有学生数据采集模块、教学资源管理模块、个性化学习推荐模块。

基于知识图谱个性化学习推荐系统的研究与实现

基于知识图谱的古诗词个性化推荐方法研究

这是一篇关于古诗词知识图谱,个性化学习推荐,古诗词意象,BERT-BiLSTM-CRF的论文, 主要内容为古诗词是中小学语文教学的重要内容之一,也是中国传统教育的重要组成部分。随着古诗词的资源的不断丰富,以下两个方面的问题也日益凸显,一是古诗词的相关资源存在严重的碎片化现象,分散于古诗词的注释、翻译、鉴赏、在线资源等处,缺乏体系化;二是古诗词的创作都源于当时的历史文化背景,脱离了历史文化背景,学习者难以准确把握古诗词的意境,现有的资源缺乏这方面的支撑。本文运用改进的知识图谱构建技术设计基于古诗词意象的知识图谱,为传统的古诗词研究提供新的视角与工具,有利于中国传统文化的传播。古诗词意象知识图谱把大量碎片化的古诗词资源有序地集成在一起,为古诗词知识的推理与分类奠定了理论基石。技术上,利用python爬虫技术收集古诗词资源数据,通过BERT-Bi LSTM-CRF模式实现了古诗词意象的实体识别,利用定义规则与外部领域知识建立了实体与实体之间的关联,运用图数据库Neo4j存储知识图谱。为了验证古诗词意象知识图谱构建的有效性,本文构建了古诗词意象认知诊断模型,设计了古诗词意象相似度匹配算法,在古诗词知识子图的基础上设计了个性化的古诗词推荐算法。在可行性上,通过建立学习者-古诗词意象模型,通过将诗词推荐过程拆分为生成个性化古诗词意象知识子图、意象认知诊断、测算意象间相近度和根据古诗词意象的相近度进行推荐古诗的规则设定四个方面验证该算法模型的适用性和可解释性。实验结果表明,本文所设计的知识图谱较好的解决了古诗词知识的构建,为学习者提供了完整全面的古诗词学习知识体系;提出根据古诗词意象对学习者后续的学习路径进行优化的推荐算法,一方面加快了学习者的学习效率,另一方面也完善了学习者的古诗词学习体系,有利的推动了古诗词的发展和传播。

SVD++算法在视频推荐系统中的研究和应用

这是一篇关于个性化学习推荐,视频推荐,SVD++,协同过滤的论文, 主要内容为互联网的广泛应用促进了教育的信息化发展,网络学习资源如雨后春笋般大量涌现,数量巨大的学习资源增加了用户的选择压力,如何帮助用户从海量的网络资源中准确筛选出满足其个性化需求的资源成为推荐系统研究的核心,大量学者投入到教育资源个性化推荐的研究和建设中来。本文基于改进的SVD++算法设计并开发了office在线视频学习推荐系统。针对SVD++模型中的数据稀疏性问题进行改进,提出一种利用标签信息描述视频和用户偏好的方法,使用户间相似度计算更加合理,提高预测准确度,为用户推荐真正感兴趣的视频。论文的研究工作主要包括以下四个方面:1、利用聚类算法预处理数据。为减少算法每次迭代时的内存消耗,基于Kmeans聚类算法对用户和视频分别聚类,根据用户相似性和视频相似性将全局用户-评分矩阵拆分成具有相似特性的小矩阵,将其作为后续模型训练的输入,降低了推荐算法的计算复杂度。2、提出一种利用视频标签,解决系统数据稀疏问题的方法。为视频设置知识点标签,利用TF-IDF加权技术计算用户对标签的喜爱程度挖掘用户偏好,进而构建用户偏好相似度矩阵,解决了用户-评分矩阵存在的数据稀疏性问题。3、提出一种融合时间信息和用户偏好相似度矩阵的SVD++算法。将时间半衰期和信息保持期引入到遗忘函数中,并利用新的时间权重函数对模型中的用户-标签偏好和静态的用户因子偏好进行改进,最终得到了优化后的SVD++算法。采用RMSE指标在预处理后的ml-latest数据集上验证本文算法的准确性,实验证明优化后的SVD++算法能够提高推荐的精准度。4、实现office视频学习推荐系统。系统采用Pycharm集成开发环境和Mysql8.0平台进行搭建,利用Vue技术和Django框架的MVT设计模式进行开发,实现了用户注册登录、上传视频、视频分类检索等功能。测试验证该系统可以利用改进后的SVD++算法,为用户进行个性化学习视频推荐。