基于用户影响力感知的在线学习资源推荐方法

针对在线学习中推荐数据稀疏性和资源多样化需求等问题,构建了一套在线学习混合推荐策略。该研究提出了一种基于用户相似性、知识可信度和用户影响力评估的在线学习用户模型LIAM,以提高推荐效果。同时,采用动态直觉模糊DIF策略对LIAM模型进行优化,以提高模型的推荐准确性和可解释性。最后,该研究提出了一种基于自组织的推荐方法SOR,用于解决推荐结果的多样性和覆盖性问题,从而形成了一套完整的在线学习混合推荐策略。同时,采用Coursera数据集对推荐方法SOR进行性能验证,实验结果表明,该方法优于其他两种代表性推荐方法。推荐方法SOR有望为在线学习推荐系统提供更加准确和个性化的推荐服务,提升学习效果和用户体验。

基于时间权重因子的双向个性化推荐仿真

双向个性化推荐需要获取到用户和物品之间的交互行为数据,由于在推荐时,通常只考虑用户的兴趣偏好,忽视了用户兴趣会随时间而变化的情况。为了提高用户满意度,令需求和供给准确匹配转化为网站价值,提出了基于时间权重因子的双向个性化推荐算法。关联用户与邻近用户的关系,分析其商品偏好,计算出用户间的购买相似性,获得相似的推荐用户集合。按照余弦相似度确定用户群的商品偏好权重,计算购买差别,获得用户的偏爱标准化权重。将逻辑斯谛函数引入到皮尔逊相关相似度,判断用户间的相似度,推荐用户偏好的类似商品信息,实现双向个性化推荐。实验结果证明,所提算法能够准确得知用户兴趣的变化,且推荐平均绝对误差小。

“体验式”教学在高职院校就业指导课中的应用

本文针对当前高职院校就业指导课程教学模式所存在的问题上进行分析,提出了体验式教学法,并就体验式教学法及特点、体验式教学法在就业指导课程中的应用、开展过程中应当注意的问题及对体验式就业教育的探索进行了探讨。

基于用户画像的高职智造类工匠人才培养路径

实现高职教育对"中国制造2025"的精准服务,必须始终保持智造类工匠人才培养体系结构与社会需求相匹配。以高职智造类工匠人才为研究对象,分析当前高职智造类工匠人才培养现状,基于用户画像技术构建高职智造类工匠人才用户画像库,在此基础上探索高职智造类工匠人才个性化培养路径,有效实现个性化教育,提高高职智造类工匠人才培养质量。

增强现实技术在高职院校教学中的应用研究

针对当前高职院校在教学中存在的问题,在增强现实技术的内涵上进行深入分析,探讨增强现实技术应用于高职院校教学中的可行性。结合增强现实技术的特点,通过教学情景创设及情境体验,搭建增强现实技术教学环境,并选用Vuforia(一款面向移动智能终端的增强现实技术开发平台)动态呈现增强现实技术教学资源,采用非线性复合模式教学法对传统教学模式进行改革,最终达到预期教学效果,为信息化教学提供了一种新途径。

增强现实技术在泛在学习中的应用研究

增强现实技术是在虚拟现实技术的基础上发展起来的一种新型技术。从增强现实技术出发,研究其应用于泛在学习中的价值,探索基于AR移动终端+Wi-Fi定位技术的增强现实技术的泛在学习环境,设计三层架构泛在学习服务支持体系,分析目前移动终端AR泛在学习所面临的两个挑战,为增强现实技术的应用开创新的领域,创新了现代教育环境,丰富了教育教学内涵,在一定程度上发挥了教育技术作为桥梁学科的价值。

关于计算机组装与维护教学改革的建议

《计算机组装与维护》在高校中计算机专业中是一门实践性、应用性很强的课程。在教学过程中,为了提高学生的动手能力及就业能力,从新的教学方式作为入口,对《计算机组装与维护》这一课程进行教学改革。

基于数据挖掘的在线学习个性化服务方案设计

基于数据挖掘技术,在分析在线学习个性化服务的基础上,以Hadoop为大数据分析平台、MapReduce/Spark为计算框架设计了面向个性化服务的在线学习大数据挖掘解决方案。

基于K-Means聚类的在线学习用户个性化分类

如何利用人工智能提供个性化学习环境及服务已成为当前教育研究者关注的焦点。随着各种在线学习平台的层出不穷,如何利用信息技术提供个性化学习环境及服务已成为当前研究热点。本文基于在线学习平台“超星泛雅”中《网页设计与制作》在线课程案例,重点介绍了数据挖掘算法中KMeans聚类算法的应用。针对传统IFL模型的不足,结合在线学习案例进行改造,构造含有五个指标的IFLPT模型,最后通过聚类结果,对在线学习用户进行分类并进行深入分析,制定相应的在线学习干预策略,提高在线学习效率。

可穿戴技术在大学生安全管理中的应用

本文针对大学生安全管理这一社会关注的热点问题,从大学生频繁失联的现状出发,结合可穿戴技术,提出了一种大学生安全管理智能服务模式;并根据大学生活动规律,提供了一种适用于大学生安全防护的可穿戴设备选配方法,为加强大学生安全管理提供一种新的技术防范手段。

数据挖掘视域下职业本科个性化人才培养研究与实践

文章从数据挖掘视域出发,立足教育大数据,深入分析了职业本科个性化人才培养的现状及存在的问题。基于学生用户群学习需求及潜能挖掘结果,制定贴有自身标签的“基础+个性化支撑”的个性化人才培养方案,打造“分群覆盖+逐级递进”个性化人才培养服务载体,建立“实时诊断+个性推荐+及时改进”个性化人才培养干预机制,构建一套完整的数据挖掘视域下职业本科学生个性化人才培养体系。

工程项目进度管理中关键链的识别方法——以启发式算法寻找关键链为例

本文在对关键链技术、启发式算法介绍的基础上,提出了应用序列启发式算法在工程项目进度管理中寻找关键链的方法和步骤。

基于用户延迟感知的移动边缘服务器放置方法

物联网和5G网络的快速发展产生了大量数据,通过将计算任务从移动设备卸载到具有足够计算资源的边缘服务器上,可有效减少网络拥塞和数据传播延迟等问题。边缘服务器放置是任务卸载的核心,高效的边缘服务器放置方法能有效满足移动用户访问低时延、高带宽等需求。为此,文中以最小化访问延迟和最小化负载差异为优化目标,建立边缘服务器放置优化模型;然后,提出了一种基于改进启发式算法的移动边缘服务器放置方法ESPHA(Edge Server Placement Based on Heuristic Algorithm),实现多目标优化。首先将K-means算法与蚁群算法相结合,通过效仿蚁群在觅食过程中共享信息素,将信息素反馈机制引入边缘服务器放置方法中,然后,通过设置禁忌表对蚁群算法进行改进,提高算法的收敛速度;最后,用改进的启发式算法求解模型的最优放置方案。使用上海电信真实数据集进行实验,结果表明提出的ESPHA方法在保证服务质量的前提下取得了低延迟和负载均衡之间的优化平衡,其效果优于现有的其他几种代表性的方法。

基于用户画像的在线学习资源个性化推荐服务研究

在线学习资源超载问题使得在线学习用户无法及时获取自己感兴趣或对自己有价值的学习资源,造成在线学习过程中断或学习效率低下等现象。用户画像技术作为当前大数据背景下个性化推荐的一种工具,为在线学习个性化推荐服务提供一种新方法。本研究通过在线学习平台收集学习用户基本信息及学习活动轨迹相关数据,依据在线学习用户静态信息和动态信息两类数据构建用户画像,并同时采用时间窗口对画像进行动态更新,满足用户需求的多样性和动态性。为解决推荐算法中的数据稀疏性和冷启动性问题,采用一种混合式协同过滤算法实现个性化学习资源的精准推送,最后实现在线学习的个性化教育。

基于大数据的在线学习个性化干预研究与实践

为进一步改善在线学习效果、提升在线学习质量,现基于教育大数据在国内外学习干预相关研究的基础上,结合在线学习特点,就在线学习干预方式、在线学习干预流程及在线学习干预策略三个方面对大数据下在线学习个性化干预展开探讨,并以超星泛雅在线平台为例进行基于大数据的在线学习个性化干预实践探索。