基于协同过滤的个性化推送系统设计与实现
这是一篇关于协同过滤,推荐模型,个性化推送的论文, 主要内容为个性化推送作为一种有效拉起用户日活和召回用户的策略,近几年来被各类App广泛应用,随着机器学习算法在互联网上的广泛使用,基于大数据的人工智能时代已经到来。如何将机器学习模型应用于个性化推送场景,从而减少无效推送对用户的骚扰,是近年来研究的一个重难点。首先对系统需求的功能性和非功能性方面进行了分析,并在此基础上进行系统功能性方面的总体设计;在总体设计部分,介绍了系统设计的目标原则、系统设计架构、协同过滤的推荐模型、系统各模块的详细设计以及系统数据库的设计;最后实现了系统模块的所有功能,并从系统质量方面对系统的功能性和非功能性进行了测试。系统根据推送的目标进行筛选,将符合要求的用户进行召回,按照协同过滤的评分矩阵进行打分,返回物品相似度最高的物品对应的用户列表。在返回的用户列表中筛选目标用户进行线上测试,根据测试的得分与基础分的关系,决定是否上线或者重新回到协同过滤模型训练部分。在任务满足上线条件的情况下,将推荐模型提送的用户列表进行正式推送,并跟踪任务推送进度,对推送的指标在各种不同的维度下的效果进行综合分析,以达到辅助运营决策和效果监控的目的。系统在设计以及实现的时候,充分考虑了软件设计的高内聚和低耦合的标准,实现了从数据源到系统各功能模块的高度独立性,模块的修改和调整对于系统平台是无感知的,具有高度可扩展性。结果表明系统可视化平台更有利于推送任务的开发、分析和管理,方便任务的查询和回溯,对于个性化推送的业务扩展具有重要的意义。
基于协同过滤的个性化推送系统设计与实现
这是一篇关于协同过滤,推荐模型,个性化推送的论文, 主要内容为个性化推送作为一种有效拉起用户日活和召回用户的策略,近几年来被各类App广泛应用,随着机器学习算法在互联网上的广泛使用,基于大数据的人工智能时代已经到来。如何将机器学习模型应用于个性化推送场景,从而减少无效推送对用户的骚扰,是近年来研究的一个重难点。首先对系统需求的功能性和非功能性方面进行了分析,并在此基础上进行系统功能性方面的总体设计;在总体设计部分,介绍了系统设计的目标原则、系统设计架构、协同过滤的推荐模型、系统各模块的详细设计以及系统数据库的设计;最后实现了系统模块的所有功能,并从系统质量方面对系统的功能性和非功能性进行了测试。系统根据推送的目标进行筛选,将符合要求的用户进行召回,按照协同过滤的评分矩阵进行打分,返回物品相似度最高的物品对应的用户列表。在返回的用户列表中筛选目标用户进行线上测试,根据测试的得分与基础分的关系,决定是否上线或者重新回到协同过滤模型训练部分。在任务满足上线条件的情况下,将推荐模型提送的用户列表进行正式推送,并跟踪任务推送进度,对推送的指标在各种不同的维度下的效果进行综合分析,以达到辅助运营决策和效果监控的目的。系统在设计以及实现的时候,充分考虑了软件设计的高内聚和低耦合的标准,实现了从数据源到系统各功能模块的高度独立性,模块的修改和调整对于系统平台是无感知的,具有高度可扩展性。结果表明系统可视化平台更有利于推送任务的开发、分析和管理,方便任务的查询和回溯,对于个性化推送的业务扩展具有重要的意义。
基于协同过滤的个性化推送系统设计与实现
这是一篇关于协同过滤,推荐模型,个性化推送的论文, 主要内容为个性化推送作为一种有效拉起用户日活和召回用户的策略,近几年来被各类App广泛应用,随着机器学习算法在互联网上的广泛使用,基于大数据的人工智能时代已经到来。如何将机器学习模型应用于个性化推送场景,从而减少无效推送对用户的骚扰,是近年来研究的一个重难点。首先对系统需求的功能性和非功能性方面进行了分析,并在此基础上进行系统功能性方面的总体设计;在总体设计部分,介绍了系统设计的目标原则、系统设计架构、协同过滤的推荐模型、系统各模块的详细设计以及系统数据库的设计;最后实现了系统模块的所有功能,并从系统质量方面对系统的功能性和非功能性进行了测试。系统根据推送的目标进行筛选,将符合要求的用户进行召回,按照协同过滤的评分矩阵进行打分,返回物品相似度最高的物品对应的用户列表。在返回的用户列表中筛选目标用户进行线上测试,根据测试的得分与基础分的关系,决定是否上线或者重新回到协同过滤模型训练部分。在任务满足上线条件的情况下,将推荐模型提送的用户列表进行正式推送,并跟踪任务推送进度,对推送的指标在各种不同的维度下的效果进行综合分析,以达到辅助运营决策和效果监控的目的。系统在设计以及实现的时候,充分考虑了软件设计的高内聚和低耦合的标准,实现了从数据源到系统各功能模块的高度独立性,模块的修改和调整对于系统平台是无感知的,具有高度可扩展性。结果表明系统可视化平台更有利于推送任务的开发、分析和管理,方便任务的查询和回溯,对于个性化推送的业务扩展具有重要的意义。
基于GimbalTM的文本类学习资源个性化推送的设计及实现
这是一篇关于学习兴趣,情境感知,混合推荐,Gimbal,个性化推送的论文, 主要内容为伴随移动互联网技术、无线感知技术和移动终端设备的快速发展,智能手机成为学习者信息获取、数据收集和环境感知的主要途径。移动学习具有强自主性,对学习资源呈现方式、顺序提出更多个性化需求,迫切希望在适当的时间、地点,采用合理的方式对移动学习提供主动推送服务。移动学习环境下,采用情境与兴趣相结合的方式,旨在提高学习资源的利用率和移动学习资源推荐的准确度。因此,本研究从情境感知的视角剖析,通过研究影响学习者学习兴趣的主要因素、建立学习者兴趣模型和个性化学习资源服务框架,构建基于情境感知的个性化推荐服务模型,提出个性化资源服务推荐方法,并通过实证研究,评估个性化学习资源推荐服务的有效性。本文主要工作如下。(1)在理论研究上,针对影响学习者学习兴趣的主要因素,根据调查问卷的结果,分析了影响移动学习者兴趣点偏好的主要情境因素为学习者情境和环境情境两类,环境情境中的时间、地点两个方面。制定了个性化学习兴趣分类依据,结合学习者标签、学习兴趣、考试时间信息和实时地理位置,构建了基于时间、地点上下文情境的学习者实时兴趣模型,准确地表征移动学习者的兴趣和学习需求。加入了情境因素设计改进协同过滤算法C-CF,通过真实数据集,与传统协同过滤推荐进行了指标比对,验证了改进后的C-CF推荐效果更准确。(2)在实践应用上,针对情境感知的文本类学习资源个性化推送系统设计了面向移动学习环境的轻量级资源推荐服务框架及子系统功能。以学习者学习需求最强烈的考试类资源、专业技能类资源和文学百科类资源为推送内容,以学习者对资源的兴趣偏好、所处地理位置、考试时间为设计依据,研究基于Gimbal平台设计实现文本类学习资源个性化推荐服务并进行应用测试实验。
基于认知诊断的个性化“学伴”推荐方法研究——以数学学科为例
这是一篇关于个性化推送,在线学伴,认知诊断,学科核心素养的论文, 主要内容为根据中国互联网络信息中心的统计数据显示,截止到2018年6月,中国在线教育用户量已达1.79亿人,同比增长超过20%。2019年我国在线教育用户规模进一步突破2亿,并且2020年的大环境中,预测在线教育的发展将会更加迅猛。[1][4][6]在线教育产业的蓬勃发展带来的是海量教育资源指数级的增长,但是资源的增加并没有考虑学习者的认知差异,最直观的表现是:学习者作为资源的接收者,想要找到他们真正需要的资源将变得越来越难。信息过载问题严重地干扰了学生选择学习资源的精确性,相关教育资源的个性化推荐系统在这种情形下受到众多研究者的关注。因此,本研究通过DINA认知诊断模型,将认知状态与素养能力的相似的两个或者多个学生建立联系,以此为依据自动寻找匹配认知状态与核心素养相近的学习者作为学伴,将学伴的资源作为其个性化资源进行推送。获取一个学生的认知状态与素养能力数据是匹配在线学伴的起点,也是在线学伴之间进行积极的虚拟交互的基础,但是现有的个性化推送方法多以学习者的在线行为数据为分析依据,这种以行为表现替代认知状态的推送方式势必影响资源推送的精准度。为此,本研究首先从认知诊断模型理论出发,根据知识点与数学学科核心素养的对应关系,重构诊断属性及其属性层级关系,并在Q矩阵理论的基础上,构建包括数学学科核心素养在内的学生综合能力诊断模型。其次,通过诊断技术整合学习者在线数据,获取学习者数学学科核心素养诊断属性掌握模式,并综合进行知认知状态与诊断属性能力。最后,研究者设计并计算学生认知状态与诊断素养能力编码,以此匹配目标学习者的在线学伴。
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：毕业设计驿站 ，原文地址：https://m.bishedaima.com/lunwen/56231.html
