基于用户隐性反馈与协同过滤相结合的电子书籍推荐服务

随着电子设备的普及,越来越多的人更愿意在他们的手机或者平板上阅读电子书籍.推荐服务的出现是为了从海量电子书籍中找到符合读者兴趣的书籍,其中协同过滤(Collaborative Filtering,CF)作为推荐系统的主流方法,也被应用在书籍推荐服务中.传统基于CF的书籍推荐在解决用户显性评分缺失问题时,仅考虑了用户对书籍的喜好程度与阅读时长和阅读频次等隐性反馈内容有关,忽略了在阅读书籍时不同用户间阅读速度可能存在差异.从阅读速度出发展开研究,提出阅读速度感知模型(Reading Speed-aware Model,RSA)和书籍阅读权重模型(Reading Book-weight Model,RBW),把用户的阅读时长转换为阅读速度,最后结合上述两个模型提出一个混合的速度-权重模型(Speed-Weight Model),将用户的隐性反馈转换为喜好程度的评分来补全CF评分矩阵.通过对现有方法的实验对比分析,本文所提方法能够在一定程度上提高书籍推荐的准确度.

基于融合辅助信息的神经网络组合推荐系统

随着深度学习技术的发展,一些工作把深度学习运用于推荐系统中。为进一步提高推荐质量,提出一种基于融合辅助信息的神经网络组合推荐系统NFR(Neural Fusion Recommender)。通过训练多个彼此独立的神经网络模型,连接模型输出前的最后一层,最后用加权的方法将多个模型组合在一起,并给出了算法的实现方法。在现有基准数据集上进行实验,利用命中率和归一化折损累计增益对实验结果进行评估。实验结果证明NFR不仅可以通过其他网络进行扩展,还可以通过融合数据源的辅助信息提高预测能力,相比之前的方法表现更好。

中国幼儿英语教学中的重铸研究

重铸是语言习得的重要手段,属于隐性的修正反馈,在加拿大的沉浸式教学中取得了相当不错的效果,近年来在二语习得领域备受关注,但是在中国,重铸研究甚少。本研究在对六名幼儿园中班孩子的英语教学中,坚持使用重铸的修正反馈方式,结果发现重铸对幼儿英语学习具有积极的作用。