集成上下文张量分解的e-learning资源推荐方法研究

The method of combining context information is an important means to optimize rating matrix, solve information overload and improve recommendation quality. However, when the number of contexts is small, it is difficult to guarantee the adaptability of recommendation results. When the dimension of context information increases, how to reduce the complexity of recommendation algorithm while ensuring the accuracy of recommendation becomes a new challenge. Starting from data completion and context information integration, this project studies the adaptive recommendation of e-learning resources. Firstly, aiming at the sparsity of user-item rating matrix caused by massive resources and users' low scoring willingness, this paper proposes a data completion method based on dual learning, which obtains user's and resource's nearest neighbors through dual tasks of resource classification and user clustering. Then, in order to improve the self-adaptability of recommendation results, a multi-dimensional hierarchical sequential pattern mining algorithm is proposed and fused. User context and resource context are used to generate integration context. Finally, a progressive tensor factorization method integrating user, resource and integration context is proposed to extract core context for recommendation. Project research has a strong theoretical guiding significance for improving the accuracy and efficiency of complex recommendation system. The results can be applied to many fields such as business recommendation, news recommendation and so on. It has high social benefits and economic value.

融合上下文信息的推荐方法是优化评分矩阵、解决信息过载、提高推荐质量的重要手段。但是上下文较少时很难保证推荐结果的准确性，上下文维度增加时，如何在保证推荐准确度的同时降低推荐算法复杂度成为新的挑战。本项目从数据补全和上下文信息集成问题出发，研究e-learning资源个性化推荐问题。主要研究内容为：①针对海量资源和用户低评分意愿导致的用户-资源评分矩阵稀疏问题，提出基于对偶学习的缺失数据补全方法，通过用户聚类和资源分类的对偶任务获取用户和资源近邻；②为了提高推荐结果的自适应性，提出多维层次序列模式挖掘算法，挖掘用户上下文和资源上下文关系，生成集成上下文；③提出基于用户、资源近邻和集成上下文的递进式张量分解方法，提取核心上下文、更新有效张量维度空间进行推荐。项目研究对提高复杂推荐系统的准确性和高效性具有理论指导意义，成果可以应用到商业推荐、新闻推荐等诸多领域，具有较高的社会效益和经济价值。

推荐系统作为一种解决信息过载的有效手段被广泛地应用到在线学习领域。然而很多在线学习推荐方法无法有效地利用学习资源推荐领域中天然存在的多源异质数据信息，而且数据稀疏和冷启动成为e-learning亟待解决的问题。本项目研究e-learning推荐领域的关键技术，利用用户的隐含行为和关系进行推荐系统用户/项目的增强表示，研究基于深度学习的推荐算法的实现，缓解数据稀疏和冷启动问题。.项目主要研究内容有：.（1）提出基于对偶学习理论的推荐模型（DLRA）解决标签数据稀少的问题。项目研究推荐系统的对偶特性，将用户关系数据获取视为用户根据学习需求和学习行为进行聚类的原任务，将资源关系获取视为资源根据被操作的行为进行分类的对偶任务，通过两个任务的共同学习优化各自的任务模型，保证总推荐任务结果最优。.（2）提出了一种基于融合教学评价网络和贝叶斯概率张量分解（BPTF）的课程推荐模型。首先构建一个异质教学评价图谱，依托学生评价课程的主题关键词和学生个人关系对学生的个性化程度实现向量化表达，然后根据这些向量对学生进行聚类和分层。模型通过使用基于 BPTF 的评分预测方法进行课程推荐。.（3）提出一个基于注意力机制的组合图卷积网络（ACGCN），以生成每个实体和关系的统一化向量表示，并为推荐网络模块输出学习者、学习对象以及其对应关系的表达。利用基于密集特征的操作感知网络实现学习资料的精准个性化推荐。.（4）提出基于用户自治传感器的社交推荐网络安全检测方法(AOUSD)，解决社会化推荐网络的开放性带来的安全隐患。将用户视为具有自治能力的社会传感器，通过模拟自治用户的真实社交行为甄别托攻击者，提高推荐网络的安全。.(5)探索基于自组织理论的社会传感器模型在城市灾害信息传播领域的应用，提出了基于人类个体和群组行为的社会传感器信息传播模型。该模型在信息传播覆盖率、信息送达时间和信息送达率等指标上的良好性能。项目探索了基于图结构的神经网络在路面裂缝检测和地铁隧道渗漏水图像分割和识别中的应用。

内容获取失败，请点击重试