基于知識點的學習內(nèi)容個性化推薦研究.pdf

1、隨著Internet的迅速發(fā)展，全球?qū)K身教育的需求以及現(xiàn)代遠程教育的深入開展，以異步教育方式為主要特征的E-Learning正成為Internet上的一種重要應用，同時E-Learning系統(tǒng)也越來越需要為用戶提供個性化的服務。所謂個性化服務就是根據(jù)用戶的個性持征，如興趣、愛好和認識水平等，為不同的用戶提供不同的服務。Internet的分布式資源環(huán)境能夠在知識獲取方式和協(xié)作學習等方面為遠程教育和知識服務提供有力的支持。Internet

2、上的學習資源日益豐富，但是目前的E-Learning應用還存在一些不足，例如動態(tài)異構(gòu)Web環(huán)境下的個性化學習、推薦資源粒度等問題。針對E-Learning應用中存在的問題，本文從用戶特征模型的建立、用戶興趣度度量和個性化推薦算法等幾個方面進行了研究和分析，提出了一種改進后的個性化推薦算法。
　　 本文的主要工作包括：個性化用戶模型的構(gòu)建，用戶興趣度的研究和度量方法，個性化推薦算法的研究和改進，基于《計算機網(wǎng)絡》課程知識點的學習內(nèi)

3、容推薦系統(tǒng)的設計。
　　 1）研究基于關(guān)鍵詞向量模型的表示法、基于用戶—項目評價矩陣的表示和基于本體的表示法，在其中選擇與本體相結(jié)合的方法作為本文用戶模型的表示方法，本體可以很精確的表示出復雜的用戶基本信息和擴展信息，利用本體的推理機制，可以很容易的更新用戶模型，找到用戶潛在的興趣。
　　 2）研究用戶模型中用戶行為對興趣度的影響，從資源類型、測試問卷反饋結(jié)果、用戶保存資源、收藏資源、對資源的訪問頻率和用戶在資源上的停留

4、時間這幾個方面來進行研究和度量，得出用戶興趣度的度量方法。
　　 3）通過對現(xiàn)有推薦算法的研究和分析，在學習內(nèi)容推薦方面對現(xiàn)有的推薦算法進行了改進，將用戶-知識點項的評分矩陣轉(zhuǎn)化為用戶-類別評分矩陣，這樣可以有效的解決推薦算法中稀疏矩陣的問題，大大降低數(shù)據(jù)的稀疏度。并且通過實驗，有效的驗證了改進后的推薦算法比傳統(tǒng)的推薦算法在學習內(nèi)容推薦方面有了很大的提高。
　　 4）構(gòu)建《計算機網(wǎng)絡》課程的知識點本體資源庫，運用本文改進