基于改进蚁群算法的个性化学习路径推荐

目前已有的学习路径推荐领域多为学习资源推荐,而课程知识图谱应用率较低,与蚁群算法的结合普遍缺乏对学习者知识水平的精确建模.因此,提出将知识图谱技术、深度知识追踪模型以及蚁群算法三者相结合,同时分类蚁群改进传统的蚁群算法:首先,抽象出课程知识点图谱作为路径基础,将深度知识追踪应用于不同水平学习者的分类,并与知识点难度权重相结合;然后,采用蚁群算法进行相应的路径规划,将蚁群按照不同的学习者类别进行划分,在保障相对最短学习路径的同时考虑不同学习群体客观知识水平情况,从而得到个性化的高效率学习路径推荐;最后,在ASSISTment数据集上验证了本方法的有效性.

融入用户隐式信任的协同过滤推荐算法

为解决传统推荐系统中的数据稀疏、关联性差、冷启动等方面的问题,有学者提出将社交中的信任关系引入推荐系统形成社会化推荐机制.这在一定程度上提高了推荐精度,但是显式信任信息很难获取并且现有的信任信息非常稀疏.针对加入用户信任信息算法的不足之处,提出了融入用户隐式信任的协同过滤推荐算法模型FITrustSVD,该模型是在TrustSVD算法的基础上融入了用户的隐式信任,定义了隐式信任用以矫正用户间的信任信息,对用户的信任范围做了约束,改进相似度算法的计算公式,并在信任预测公式中加入了用户的信任偏置.实验表明改进后的模型在数据稀疏、冷启动的条件下具有较高的推荐精度.

机器助教打造课堂教育新模式

针对现阶段课堂教育存在的弊端,提出机器助教模型并将其融入课堂的新模式,介绍机器助教的设计及其在课堂中的应用,最后说明机器助教对课堂教学改革的优势。

融入用户长短期兴趣的推荐算法多样性优化

多数传统的推荐算法在追求准确度时,忽略了多样性也是衡量推荐效果不可或缺的指标之一。而一味地提升多样性又势必会造成准确度的极大损失。由此提出依据用户兴趣度和兴趣变化度,在计算出用户兴趣值的基础上,分析不同用户的兴趣偏好情况。再将用户的长期与短期兴趣相结合进行推荐,保障个性化的同时确定用户的多样化程度,生成最终的推荐列表,很好地平衡了推荐结果的准确度与和多样性。