基于自由分类法的e-Learning共现标签网络分析

基于标签的自由分类法是Web2.0环境下一种有效的网络信息组织方法,具有自由性、共享性、平面性、不平衡性和动态性的特征。本文构建了基于社会化书签系统del.icio.us数据集的e-Learning共现标签网络,并分析了网络的性质。实验结果表明e-Learning共现标签网络具有复杂网络的两个基本性质:小世界现象和无标度特性,同时本文还应用聚类分析发现了e-Learning共现标签网络中有意义的簇集。对共现标签网络的研究有助于挖掘标签词汇间的语义关联,构建平面化自由分类法的概念体系和层级关系。     

基于标签的教育资源管理与推荐模型构建——来自社会化标注网站的启示

社会化标注网站中的标签不仅可以用于描述资源和用户的特征,同时也成为了网络资源管理和推荐的纽带,它将用户与资源紧密连接从而构建了基于标签的管理与推荐机制.文章以网络学习平台中现存的问题为切入点,提出基于标签的教育资源管理与推荐模型,并对其应用价值进行讨论,以期在大数据时代为优化网络学习平台功能、促进个性化学习及学习分析方面提供一定的经验积累.     

社会化标注在数据挖掘中的应用

社会化标注系统的出现为网络信息研究以及自然语言处理领域带来了一个新的研究热点。通过对标签、用户、资源之间的相互关联性进行研究,提供一些对网络信息理解和自然语言处理的新思路、新方法。社会化标注现在已广泛应用于各种网络资源（如网页、视频、音频、图片等）的组织、管理中,为网络信息检索及网络知识个性化服务推送带来了极大方便。     

一种基于相似度的混合推荐方法

提出了一种基于用户兴趣及标签相似度的混合推荐算法,构建基于标签的用户兴趣模型,通过计算与资源相似度完成推荐,同时融合时间因素研究用户兴趣变化,提高了基于内容的推荐中相似度计算的准确率;根据用户兴趣相似度聚类用户,通过兴趣协同推荐减少对评分矩阵的依赖,一定程度上解决了协同过滤中推荐数据缺失问题;同时,结合用户基本信息有望缓解冷启动问题。实验表明该算法具有一定的有效性及可行性。     

基于标签扩展的协同过滤算法在音乐推荐中的应用

推荐技术作为过滤海量信息的手段,在音乐领域也给人们带来了便利。但音乐推荐与传统的电商推荐相比存在显式反馈不宜获取、内容特征提取代价大等缺陷。针对上述情况,提出一种基于标签扩展的协同过滤算法,将社会化标签内容作为物品内容,基于内容计算对用户未收听的物品进行评分,在此基础上利用协同过滤为用户提供推荐列表。实验结果表明,该算法可以有效改善推荐结果的准确性,提高推荐质量。     

新加坡南洋理工大学的elearning系统——edveNTUre

网络时代elearning观念已深入人心。论文以新加坡南洋理工大学独具特色的elearning系统—edveNTUre为研究对象,对其发展历程、实施策略、系统主要组成和特色以及正在实验实施的在线学习周进行了系统地介绍和探讨,以期对国内高校成功实施elearning提供经验借鉴。     

学习资源个性化推荐平台的研究与设计

本平台通过引入社会化标签,改进了推荐算法,弥补了协同过滤算法的数据稀疏问题,通过社会化标签对学习资源进行标注,进而计算出学习资源间的相似度,得到用户对未评分资源的评分,填充了评分矩阵。本平台对学习者和学习资源建模的过程进行了详细的阐述,尤其注重了对学习者隐形数据的提取和收集,为学习者更准确地推荐他们感兴趣的学习资源。     

面向大规模在线学习的社会化推荐模型与方法北大核心CSSCI

大规模在线学习中,学习者面对数量众多、种类繁杂的学习资源容易产生"信息迷航""信息过载"等问题。因此,为学习者提供个性化的学习推荐服务是大规模在线学习的重要任务。但目前的推荐系统大多只考虑了学习者与学习资源特征,对其内在社会联系考虑不足,推荐效果有较大的提升空间。许多研究表明,引入社会化因素,对于提升推荐系统效果有显著的帮助。社会化推荐系统需要根据应用情境,深入地理解用户、推荐对象以及影响他们之间相似关系和社会关系的要素。大规模在线学习中的社会化推荐系统要素模型包括学习者特征、推荐对象特征、社会关系和应用情境四个方面。相较于传统的推荐方法,在这一要素模型基础上设计的基于兴趣主题的社会化推荐方法更好地结合了大规模在线教育场景,以及学习者和资源服务要素,并进一步研究了用户间的内在社会关联,挖掘了用户、学习资源间的隐性联系。实验结果也说明,该推荐方法在教育场景中可以实现更好的推荐效果。     

基于HTML标签扩展的智能搜索引擎设计

搜索引擎能够帮助人们方便、快捷地从网上获取相应的信息,其逐渐地由传统搜索引擎向智能搜索引擎转变.本文提出一种基于HTML标签扩展方式的智能搜索引擎设计,通过扩展HTML标签,使搜索引擎能够与数据的发布者协作,利用扩展标签中的语义信息,提高分类的效率和实时性,并增强用户体验.     

基于改进K-medoids算法的社会化标签聚类研究

为了对社会化标注系统中的标签进行有效聚类,并针对传统K-medoids算法存在的聚类结果易受初始聚类中心影响的问题,本文提出了一种改进的K-medoids标签聚类算法.该算法应用社会化标签的余弦相似值进行初始聚类中心的选择,然后进行标签聚类.对Delicious标签数据集的实验结果表明算法具有较强的的可行性和有效性.