用于个性化数据挖掘的粗粒度分布式深度学习

针对深度学习用于处理带有个性化特征的广域分布式数据时,处理精度、通信代价和响应速度等性能难以进一步提升的问题,本论文提议了一种适用于广域网络的粗粒度分布式深度学习方法及系统。分布式深度学习方法一般分为数据分布式和模型分布式,还可以在网络范畴上分为局域分布式和广域分布式。其中,数据分布式比模型分布式更易实现,但模型分布式在参数规模的扩展性上更具优势;相比于局域分布式,广域分布式在通信代价上更具挑战性,但它可以距离用户更近,从而在响应速度上更具优势。在论文中,分布式深度学习方法被进一步分为细粒度分布式和粗粒度分布式。相比于细粒度分布式,粗粒度分布式的相对通信时间更短,从而更适合于广域网络。论文所提议的系统可以作为粗粒度分布式深度学习方法的一个范例,适用于在广域网络上处理具有个性化特征的分布式数据。评价结果表明,粗粒度分布式系统不仅自然保证了更好的通信代价和响应速度,而且提升了个性化数据的处理精度。

e-Learning在个性化学习中的研究和实现

本文以网络教学中的个性化学习作为研究内容,分析了如何根据学习者学习特征,网络教学系统自动调整教学资源的内容,从而达到为学习者提供符合个人特征的教学资源的效果。

基于数据挖掘的网络用户兴趣分类研究

在移动互联网发展快速的今天,数据是最宝贵的资源之一,如何利用海量数据完成特定应用。本文基于数据挖掘技术实现网络用户兴趣分类为用户提供特定服务,设定合理的用户兴趣模型确保个性化服务优劣的核心。提出一种基于HITS算法通过用户访问量实现兴趣分类的策略,通过网络数据采集、模型分析完成对兴趣数据的处理,得出了HITS在用户兴趣分类方面有较大的优势。