共查询到20条相似文献，搜索用时 46 毫秒
1.
基于自由分类法的elearning标签研究 总被引：1，自引：0，他引：1
王萍 《中国远程教育(综合版)》2008,(10)
Fonlksonmy(自南分类法)是 Web2.0环境下基于社会化书签系统的一种新型信息组织方法,它带来了一种全新的信息交流与资源分享方式.本文采用实例研究法,通过对社会化书签系统del.icio.us的elearning标签数据集的搜集与分析,研究了用户、资源和标签三个元素的性质和特点,基于相似度分析对用户进行学习资源推荐,并分析了资源的分布和elearning标签网络的性质. 相似文献
2.
随着教育信息化进程在教育领域的不断推进,互联网教育资源平台中形成了大量的学习资源.文章以教育云资源平台中的课程资源为例,通过提取用户数据、资源标签以及使用情况等信息,对资源的不同特征进行量化,建立基于模型的知识图谱,从而直观展示课件资源、用户需求等相关关系,利用知识图谱从海量学习资源中为学习者推荐最佳学习内容,帮助学习者理清知识关系,提升个性化推荐资源多样性和用户信任度. 相似文献
3.
胡三宁 《三门峡职业技术学院学报》2015,(2):140-144
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。 相似文献
4.
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。 相似文献
5.
6.
新冠疫情背景下在线教育成为全球共同选择。随着在线教育资源的极大丰富以及教师和学生时空上的隔离,如何实时了解学生学习状态以便为教师提供有效教学反馈,如何为学生提供合适在线教育资源以满足差异化需求,成为在线教育亟待解决的问题与挑战。围绕网络课程智能适配方案,构建学生标签大数据平台,重点分析用户数据分类、获取方式及完整学生画像体系设计方法;结合多属性决策模型,探讨网络课程评级与分类方法;基于协同过滤匹配度算法,探讨实现学生和课程的精确推荐方法。网络课推荐方法不仅有助于提高网络课程利用率,也有助于根据学习者个人特征开展更加灵活有效的网络课程教学。 相似文献
7.
本文探究了推荐系统在学习科学中学习资源方面的可行性。主要讨论了推荐系统的组成部分(集体责任,集体智慧,用户控制,导航,个性化)与学习科学理论的良好适应,并分析设计了基于网络学习资源的智能推荐系统的整体框架结构,实现了推荐系统从商业背景到教育背景的转换,提高学习资源利用率,满足学习者的个性化需求。 相似文献
8.
针对学习资源使用者的特点和当前网络学习模型的不足,提出运用贝叶斯网络建立一种个性化学习者模型。基于用户决策方案指导资源库的建设,提出了一种新的学习资源推荐算法,使学习资源的呈现符合学习者认知发展水平和个性特征,改善资源库的组织结构,实现智能化、个性化的学习资源库推荐系统。实践证明,对于本系统所推荐的学习资源,学习者非常满意。 相似文献
9.
基于用户模型的个性化本体学习资源推荐研究 总被引：4，自引：1，他引：3
如何基于学习者的个性化学习特征,使学习者在大量学习资源和学习活动中快速定位自己最适合的内容已成为当前热点问题.本文研究的SAELS(Semantic Adaptiv-Learning System)实现以本体技术为核心,以用户模型为依据的个性化本体学习资源推荐.文中首先以课程为例构建本体,然后介绍了如何构建一个成功的用户模型,接着提出了个性化本体学习资源推荐模型,最后重点探讨了如何根据Felder-Silverman学习风格量表和学习过程行为模式,推断学习风格,和基于概念累积计分法推断认知水平两个层面加以整合实现个性化本体学习资源推荐. 相似文献
10.
随着教学资源的不断增加,在一个教学平台中,增加个性化教学资源推荐是教学平台的一个正在发展的趋势.本文通过分析现在的个性化推荐服务和个性化推荐技术,总结了个性化推荐的技术的优缺点的基础上,以社会标签系统为基础,设计出了一个基于混合模式的个性化学习资源推荐系统.该设计中,将基于内容的推荐,和基于协同过滤的推荐技术融合在一起.部分解决了,他们各自的一些缺陷.使其更适合在实际推荐中的应用. 相似文献
11.
网络环境下基于Web的个性化学习是现代远程教育与智慧教育领域研究的热点,也是数字化学习E-learning未来发展的趋势。Web个性化学习环境构建主旨是针对学习者特征差异性"分析"与"判断"其个性化需求,并以此精准推荐适当的学习资源,其实现的关键在于用户特征模型构建与分析、结构化领域知识构建以及知识个性化推荐与呈现。其中,用户静态特征与动态行为特征是个性化学习需求的逻辑起点,结构化领域知识模型是个性化推荐的数据源基础,知识个性化推荐与呈现是E-learning的宗旨。 相似文献
12.
随着信息技术和学习理论的发展,教育研究的焦点逐渐从"以教为中心"向"以学为中心"转变,对学习的研究也逐渐从对学习者本身的研究转向对学习环境的研究。社交网络模拟了人类社会生活与社会关系,其理念契合了社会建构主义、关联主义、分布式认知等学习理论,更加符合网络时代学习的社会性、关联性、分布性、碎片化、个性化等特征。本研究在分析现有网络学习环境的基础上,提出以社交网络模型为资源聚合与推荐框架设计新型学习环境的思路,对个人学习空间、学习资源聚合模式和个性化推荐引擎构建等学习环境设计要素进行了分析。社交网络可以实现"网络学习空间人人通",学习环境内外资源的个性化聚合,并记录学习过程。通过对大量学习行为数据的分析,可以辅助教学决策,优化学习过程,推荐符合学习者个性的学习资源,实现个性化学习。最后,本研究基于开源社会性软件Sakai OAE构建了个性化学习环境并进行了实际应用,结果表明该学习环境在用户易用性和技术接受度等方面取得了较好效果。 相似文献
13.
个性化推荐作为解决学习者信息迷航的重要途径已成为研究热点。以生成性学习资源中学习者的个性化学习特征为基础,构建用户模型。根据布卢姆认识理论,采用贝叶斯网络评估学习者认知状态,并基于Felder-Silverman模型,利用TAN贝叶斯网络预测学习者学习风格,依据学习者的认知水平和学习风格推荐不同的学习策略,以有效提高学习效率。 相似文献
14.
15.
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。 相似文献
16.
针对海量在线资源带来的“信息迷航”情况,本文提出基于深度学习的数字图书馆资源个性化推荐模型.首先对深度学习的特点进行分析,再运用其对数字图书馆用户进行画像建模,根据用户特征、行为与偏好等信息,构建用户画像,再根据提取到的用户画像特征,结合深度学习算法,引入用户特征与时间关系参数,提高用户与资源间的匹配度,以此实现数字图... 相似文献
17.
郑辉 《常熟理工学院学报》2021,35(5):75-80
为了提高个性化推荐的准确度,提出一种基于全局相似度的在线资源个性化推荐算法.首先分别基于用户和在线资源对其各自相似性进行计算,运用K-means聚类方法根据对用户偏好和在线资源属性及评分的相似性计算结果对其进行划簇,实现用户与在线资源聚类划分,以此实现精准的个性化在线资源推送.实验结果显示,本文方法推荐的最小平均绝对误差为0.77,查准率随着数据覆盖率的增加可达到60％以上,推荐耗时基本稳定在20 s以内.在推荐准确度、查全率以及效率方面均有良好表现. 相似文献
18.
面向"服务"视角的自适应学习系统设计与实现 总被引：1，自引：0，他引：1
自适应学习系统是当今乃至今后教学系统的研究热点,它是学习者实现远程个性化学习的前提条件.本文针对目前自适应学习系统的用户模型建模问题以及常见的一些网络学习服务平台实现学习者获取资源策略存在不足之处,提出了面向"服务"视角的个性化推荐策略,设计与实现了面向"服务"的自适应学习系统(SOALS,Service-Oriented Adaptive Learning System),分别从系统的架构流程(程序驱动和用户自主选择学习路径)、核心组件(用户模型和领域模型)、学习资源建设标准及实现技术和部分功能实现等方面做了深入剖析,为同行研究者提供了理论依据和实践参考. 相似文献
19.
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。 相似文献
20.
近年来,基于社交网络的推荐系统随着社交媒体和大数据的蓬勃发展,逐渐成为推荐系统重点研究方向。将社交网络用户社会化属性信息和评论内容与深度学习等技术结合,可有效解决传统推荐系统数据稀疏和冷启动等问题。首先回顾传统推荐系统常用方法,介绍社交网络推荐系统主要流程和基本框架,然后介绍最新相关研究方向和应用情况,最后对基于社交网络的推荐系统发展趋势进行分析与展望。 相似文献