基于本体的大学英语移动学习个性化研究

随着移动终端的普及和无线网络的飞速发展,移动学习成为一个研究热点。针对传统学习资源利用率低、用户针对性不强、个性化学习不够突出等问题,提出了改进大学英语移动学习的方案。该方案充分利用4G网络环境下的学习资源,实现随时随地高效率、个性化的学习。将云技术应用到4G移动学习中,利用本体论,设计用户的兴趣模型,满足大学生英语学习的个性化需求。结合本体理论,研究本体类层次结构和语义推理的理论方法,设计专家本体用户兴趣模型。     

情景敏感的远程教育资源推荐研究

在移动互联网技术发展的条件下,远程教育系统向用户提供基于情景敏感的推荐信息和相关服务是必要的。本文首先介绍了情景和情景敏感的概念,并且分析远程教育资源情景敏感的自适应推荐服务的必要性,构建了情景敏感的远程教育资源自适应推荐模式。     

基于个性化推荐的移动学习模式探究——以高职学生为例

移动学习是高等教育以及高等职业教育的一种新的学习模式,而网络学习资源数量众多的资源过载问题,使得学习者获取有效资源的难度加大。文章根据高职学生的学习特征,建立学生与学习资源之间的二元关系,利用移动上下文推荐、学习进度预测的算法,构建个性化推荐的移动学习模型,使学习者的专业知识易于扩展和迁移,实现个性化学习。在推荐算法修正和推荐结果的反馈数据优化两个方面提出了模型优化的方向。     

基于深度表示模型的旅游路线推荐算法研究

针对现有旅游路线推荐算法在实际应用中景点标签缺失、依赖用户评分等缺陷,提出一种基于深度表示模型的旅游路线推荐算法。根据时空轨迹隐含的位置顺序和时间中的用户移动模式,建立深度表示模型对每个用户的时空间序列训练特征向量,并用Kmeans算法对训练结果进行聚类。为验证实验结果,将用户的移动模式应用到旅游路线推荐上,选择使用Gowalla上的签到数据集进行检测。实验结果表明,包含诸如“购物”,“夜生活”等标签的移动轨迹具备推荐价值。     

基于KNN算法的mCSCL学习伙伴分组策略研究

随着信息技术的快速发展,mCSCL已成为教育技术学领域新的研究热点,学习伙伴选择合理与否将直接影响着协作学习效率.文章利用mCSCL环境下协作分组伙伴模型,提出了基于KNN的mCSCL学习伙伴分组理论,通过计算学习者之间的相似度和类别权重,提供一张可视化的学习伙伴关系图,导学者遵循组间同质和组内异质分组原则,为学习者动态推荐最佳学习伙伴;并设计了以小学一年级加减运算为内容的mCSCL活动,开展分组满意度访谈和小组学习效率实证研究.实验结果表明,相对于随机分组方式,基于KNN算法的mCSCL学习伙伴分组方式更适合移动学习活动开展,学习效率更高.     

基于用户属性偏好与时间因子的服装推荐研究

针对服装推荐方法推荐精度不高、覆盖率低,不能充分挖掘用户潜在兴趣的问题,提出一种基于用户图像内容属性偏好与时间因子的服装推荐（UIACF）算法。通过构建深度卷积神经网络,提取服装图像中的服装属性,并据此形成用户属性向量,将基于用户属性偏好的相似度与基于时间因子的用户兴趣偏好相似度融合,构建用户偏好模型。将其与基于用户的协同过滤（UCF）算法、基于项目的协同过滤（ICF）算法及基于项目偏好的协同过滤（UCSVD）算法进行比较,结果显示,UIACF 算法准确率提高 14%。该算法为基于用户的服装协同过滤个性化推荐提供了一种新思路,用户潜在兴趣挖掘效率更高。     

面向运营商大数据的汽车精准营销算法研究

精准营销可以帮助企业节约营销成本、提升营销效果,基于大数据的消费者行为分析也是大数据领域的一个热点研究。为此,基于运营商大数据对汽车用户精准营销算法进行研究,提出基于专家经验与统计学方法的精准营销算法。首先对用户上网日志数据进行加工,得到用户行为标签,然后根据专家经验与统计学公式计算用户购车意向得分,输出潜在购车客户信息。通过在某运营商真实环境下进行实验,验证了算法的可行性与有效性。实验结果表明,面向运营商大数据的汽车用户精准营销算法成功率可达到5.98%,相比现有推荐算法效率明显提升。     

云计算环境下基于Apriori算法的智能推荐模型

介绍了Apriori算法和智能推荐的基本思想,针对当前互联网应用中智能推荐复杂性问题,提出了云计算环境下基于Apriori的聚类算法模型。该模型根据用户访问网站的行为特征数据,分析和挖掘出用户期望的浏览对象,动态调整云计算系统的智能推荐内容。实验结果表明,该算法模型有效提高了智能推荐的准确性和效率。     

基于兴趣预测和热点分析的联合推荐算法研究

兴趣模型是一种根据用户的行为和偏好建立起来的数学模型,它反映用户在一段时期内对信息需求的主要倾向。通常的兴趣模型推荐主要基于用户兴趣,没有考虑到热点信息对用户的影响以及存在冷启动的问题。提出一种基于兴趣预测和热点分析的联合推荐算法,利用贝叶斯网络对用户兴趣进行预测,并利用基于速度增长的预测方法对当前的热点信息进行预测。该方法综合考虑了兴趣预测与热点预测,能够有效增强用户兴趣预测准确度。实验证明,该方法（BPUR）比传统的Bayesian方法准确率更高,能够有效避免新用户的冷启动问题。     

面向用户个性需求的教育资源混合式推荐模型

以用户个性需求为导向构建Web环境下智能学习系统是现代远程教育与智慧教育领域研究的热点,也是E-learn?ing的未来发展趋势。推荐技术是智能学习系统的“智慧”所在,其根据学习者差异性特征属性“分析—判断—理解”个性化需求并以此精准推荐合适的学习资源。基于内容和协同过滤的混合式推荐可解决单类型推荐所引起的冷启动、非结构化内容推荐等诸多短板问题,进而有效提高推荐资源的效率与质量。该研究在分析领域相关研究现状的基础上,提出了Web环境下智能学习系统中基于内容和协同过滤的教育资源混合式推荐模型构建方案,着重对其架构设计、对象建模与推荐算法进行详细论述。     

基于命名实体的网页推荐算法研究

基于命名实体的网页推荐算法,从查询日志入手,分析用户的查询行为,给用户提供智能推荐,从而给出较好的推荐网页.提出了基于混合马尔科夫模型用于目录网页的导航链接和基于LDA特征选择的网页推荐算法用于主题网页推荐,实验结果显示,基于混合马尔科夫模型的推荐算法,达到了比较满意的效果;基于LDA特征提取的网页推荐算法优于传统的推荐算法,很好地满足了用户的需求.     

基于学习者驱动的移动学习模型构建及微信开发实践

随着5G时代的到来,移动学习已成为当前教育行业发展的必然趋势,而立足于学习者驱动进行移动学习,是当下移动学习领域亟待解决的难题之一。文章利用已有的知识推荐系统,在其基础上加入协同过滤技术,提取学习者的"学习驱动"因素,挖掘出隐藏在行为数据背后的信息,建立基于学习者驱动的移动学习模型;并在此模型上进行微信平台开发实践,满足学习者智能挖掘的学习需求,提供个性化满意的学习服务,提升用户体验。     

基于遗传算法的移动学习路径生成机制研究——以博物馆参观学习为例

移动学习环境下海量无序的信息资源,对学习者学习资源的选择以及学习活动的开展造成了极大干扰。文章综合考虑移动学习环境下的学习情景、学习者个性特征等多种因素,将遗传算法应用于移动学习路径研究,并结合博物馆参观学习的应用案例,探索移动学习路径的生成机制,根据移动学习情景生成个性化学习路径。该研究能为学习者推荐符合其学习需求和情景特征的学习资源序列,使学习者取得更好的学习效果。     

基于ANFIS的移动学习资源自适应呈现模型研究

移动学习资源呈现方式合理与否直接影响着移动学习者的学习积极性和学习效率,文章在分析移动学习资源呈现方式影响因素基础上,提出了基于学习者的学习位置、学习需求、网络速率以及设备电量等情景因素组成的移动学习资源自适应呈现函数和呈现模型,并采用模型训练与测试方法验证其可行性和有效性。     

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.     

基于新媒体平台的营销推荐算法机制研究

自媒体时代下由于媒介平台愈加复杂化和多样化,导致数据信息量级快速增长、社交网络结构越加稀疏,同时也存在着大量的异构化数据对现有语义模型产生了巨大的挑战,具体体现为用户冷启动和传统语义模型噪声问题。为解决这些问题设计了基于JPMC的时序推荐算法模型,JPMC模型通过建立隐式的社交网络关系,并通过网络表征学习来实现相同趋向用户的群体邻居选取,最后结合静态社交增强矩阵和动态感知的转移序列完成模型的优化。通过实验验证分析,提出的JPMC时序推荐算法模型比传统语义模型的性能在不同实验条件下提高了7%～60%,能够更有效地挖掘用户的长短时偏好,提高了基于社交网络的模型的推荐准确度。     

基于融合标签与蚁群的协同过滤微博推荐算法

针对协同过滤算法中存在数据稀疏的问题,提出一种基于融合用户标签和蚁群的协同过滤微博推荐算法。将表示用户兴趣的标签引入推荐模型中,利用标签和用户以及标签和微博的关联度,建立用户对微博的兴趣度模型。另外结合蚁群聚类和协同过滤为目标用户进行用户聚类,计算出对目标用户的待推荐微博集。最后利用用户对微博的兴趣度模型从待推荐微博集中选出Top-N为目标用户进行推荐。实验引入标签和蚁群算法的有效性,将测试结果与传统协同过滤推荐算法和纯基于标签的微博推荐算法进行比较,该算法不仅改善了协同过滤算法中数据稀疏和冷启动的问题,而且推荐准确度有明显提高。     

基于读者兴趣度的高校图书馆书籍推荐方法研究

随着计算机的迅速发展,基于兴趣度图书推荐系统通过统计用户浏览信息,预测其偏好以达到推荐图书的目的。本文研究用户兴趣模型,通过学习分析个性推荐及主要推荐算法的功能和原理,构建用户兴趣模型,实现了兴趣推荐功能,大大减少了用户索书时间。     

基于损失因子和数据集划分的协同过滤推荐算法

针对传统相似度忽略用户局部偏好、用户评分差异和非共同评分项等因素的影响,提出了一种基于损失因子和数据集划分的协同过滤推荐算法.算法根据用户对项目的偏好度来划分数据集,并提出用两个修正因子来改进传统的相似度.在MovieLens数据集上将所提算法和Pearson算法、参考文献[1]中的算法进行比较,实验结果表明,基于损失因子和数据集划分的协同过滤推荐算法更明显地降低了MAE值.     

改进信任度的商品推荐算法研究

对于有个性化推荐需求的电子商务系统,传统协同过滤推荐算法对商品的用户项目矩阵构建比较单一,难以解决数据稀疏以及推荐结果精度较低等问题。为此,提出一种改进的基于信任度的协同过滤算法,根据用户历史行为,对用户项目评分矩阵进行细分量化,综合考虑用户间关系,引入信任因子维持用户信任关系中的非对称性,通过共同评分项计算用户评分信任度。最终融合信任度与信任因子,计算获得最佳邻居集并产生最终推荐列表。在淘宝官方UserBehavior数据集下进行实验,结果表明,该算法降低了推荐稀疏性,提高了推荐精度。