个性化教育视野下的教师角色重构

近年,随着后现代主义的不断发展,个性化教育也越来越引起人们的关注。但由于我国传统教育思想的影响,教师的一系列教学活动仍然是围绕着应试教育而展开,因此,作为高校教师应主动地转变教育思想与教学方式,重构自身角色,以全面适应个性化教育发展的需要。     

一种电子商务荐购模型

结合电子商务荐购系统的要素分析，构建能统一描述荐购系统输入信息、内部数据表示方式和各种荐购方法的用户、商品及交易关系模型。以此关系模型为基础，提出一种混合型荐购方法，并以此方法为核心构建能支持多种荐购方法自由切换、支持用户定制、支持信息推送服务以及商业排名服务的电子商务荐购模型。     

关于个性化信息服务的隐私保护

简述网络个性化信息服务中泄露个人隐私的主要途径以及隐私保护的必要性；针对我国在网络隐私保护方面发展的现状，通过对国内外网络隐私保护的相关法律政策及方法手段的对比分析，深入探讨个性化信息服务中的隐私保护问题，提出相关解决对策。     

面向自然语言的数字图书馆智能信息检索研究

本文提出了一种面向自然语言的智能检索系统框架。该框架的核心是语义推理和个性化处理。该文采用OWL描述的Ontology作为语义推理的基础，以检索请求统计库和用户模式库来实现用户的个性化检索，检索结果以知识的形式返回给用户，能极大地满足用户的信息需求。     

社会化搜索发展研究

研究一种新兴搜索方式——社会化搜索在互联网搜索引擎中的应用模式及其进展。在社会化搜索的背景与视角下通过考察近年来出现的多种Web2.0现象,归纳出社会化搜索在web2.0社区对搜索贡献基础上的三个发展方向,即社区化搜索、社会化搜索引擎和个性化搜索,并总结各自的特点和意义。认为这三条途径相互联系,共同满足用户搜索多样化、民主化、自主化的需求。最后对发展前景提出展望。     

基于知识的协同过滤推荐系统研究

传统的基于项目的协同过滤算法,不能很好地解决数据稀疏和新项目问题(冷启动)带来的推荐质量下降的问题.笔者从智能检索的思想出发,提出一种新的基于知识的协同过滤推荐算法.该算法借助于领域本体,表达语义知识,增加了项目之间的关联信息;考虑到领域本体中结点、边、深度和密度对相似性计算的不同影响,算法结合信息论中的互信息相关概念,对相似性计算公式进行改进,提高了运算精度.实验结果表明,该算法相对于传统的基于项目的协同过滤推荐算法而言,可有效缓解由数据集稀疏和冷启动带来的问题,显著提高推荐系统的推荐质量.     

基于属性值偏好矩阵的协同过滤推荐算法

传统的协同过滤推荐算法面临用户评分数据稀疏性和冷启动问题的挑战.针对上述问题,提出了基于属性值偏好矩阵的协同过滤推荐算法,首先采用奇异值分解(SVD)对用户-项目评分矩阵降维得到目标用户的初始邻居用户集,生成新的用户-项目评分矩阵;然后将用户评分映射到相应的项目属性值上,生成每个用户的属性值偏好矩阵,并基于属性值偏好矩阵进行用户相似性度量,从而缓解了评分数据稀疏性;将新项目的属性值与用户的属性值偏好矩阵进行匹配,从而找出匹配度最高的前N个用户作为新项目的推荐受众.实验结果表明了该算法的有效性.     

论大学新生的个性引导对高校体育教学效果的影响

当前高校体育教学改革的重点基本都是围绕如何构建体育教师的个性化教学理念和如何满足学生的个性化需求进行的。依据"90后"学生的性格特征,采用对比实验法,得出以下结论:个性引导教学对提高教学效果具有一定的优势,它能促进学生的个性发展;有效提高学生参与体育运动的兴趣;提高体育成绩,增强身体素质;能拉近师生距离,形成良好的师生关系。但由于个性发展的难控性,容易使学生重成绩而轻技术,而且对体育教师的课堂组织带来一定的难度。所以,个性引导教学应该有的放矢的进行,要肯定学生的个性发展,但也应该以课堂纪律作为约束,在一定的纪律要求下充分发挥学生的个性,才能使体育教学向着有效积极的方向发展。     

图书馆个性化信息服务探讨

以用户为中心的个性化信息服务是图书馆信息服务的发展方向。对个性化信息服务的涵义进行了概述,介绍了图书馆开展个性化信息服务应具备的条件以及个性化信息服务的主要类型。     

基于用户信息平滑聚类的协同推荐方法

在电子商务中,协同推荐技术能够帮助用户发现感兴趣的东西.在协同推荐中,通常采用最近邻居的方法来产生推荐.随着商品数量的增多,协同推荐所需要的数据集也越来越稀疏,可用数据比例越来越少.为了解决这个问题,本文在传统的评分数据的基础上,引入用户的基本信息,对用户的基本信息进行离散化处理,将用户的基本信息转化成一个0、1的向量,在用户的信息的基础上计算最近邻居,根据最近邻居对用户缺失数据进行补充,在补充后的评分数据上进行聚类计算,并根据聚类结果对用户评分进行预测.实验表明引入用户的基本信息,并采用对基本信息离散化的处理方式进行缺失数据补充,在此基础上进行数据的聚类,能够提高预测评分的准确性.