导读:本文包含了个性化学习推荐论文开题报告文献综述及选题提纲参考文献，主要关键词:深度学习,推荐系统,个性化,用户属性
个性化学习推荐论文文献综述
单荣杰,马文明,祁明明[1]（2019）在《基于深度学习的个性化推荐模型应用》一文中研究指出随着信息技术的进步,推荐系统被广泛应用于购物以及新闻等网站门户中,通过分析用户的行为,得出用户兴趣偏向,进而对用户推荐相关信息,以吸引用户的注意。同时深度学习理论与技术的完善,更多复杂的模型被提出,在计算机视觉、语言理解等方面有着广泛的应用。将深度学习技术应用于推荐系统,能够更加充分的融合用户社会属性等方面信息,生成个性化的推荐,使得推荐质量得到较大提升。(本文来源于《电子技术与软件工程》期刊2019年23期）
王吉林[2]（2019）在《“互联网+”时代移动学习资源个性化推荐模型》一文中研究指出本文在分析移动学习资源个性化推荐现状的基础上,给出了一种基于混合模式的移动学习资源个性化推荐模型,并对模型的各个模块进行简单说明。希望为今后移动学习资源的个性化推荐提供模型构架方面的参考。(本文来源于《电子技术与软件工程》期刊2019年22期）
汤怀[3]（2019）在《基于逻辑回归模型的校园个性化学习资源推荐系统》一文中研究指出本文从当前校园个性化学习资源推荐系统的不足进行分析,从学习者提出的学习测验问题出发,将学习测验问题及是否正确作答转化为矩阵表示,提出一种提升学习者学习效率的学习者模型,并进行学习资源建模,再利用逻辑回归模型,以学习者学习前的测试结果作为输入,计算输出测验得分提高的最高期望值,推荐系统通过测验得分提高的期望值来量化学习效率,并通过不断迭代对学习资源进行二分类以最大化这个期望值,并提出期望值提升模型的工作方案。(本文来源于《电子技术与软件工程》期刊2019年22期）
郭竑晖,宋召良[4]（2019）在《基于E-learning的在线学习平台个性化推荐服务关键技术研究》一文中研究指出E-learning在线学习平台个性化推荐服务关键技术受到广泛的重视,传统的工作已经不能满足当前的时代发展需求,应结合相关在线学习平台的个性化推荐服务特点,正确采用关键技术,设计相关的服务平台,全面提升个性化推荐服务的应用效果,打破传统工作的局限性,为其后续发展夯实基础。(本文来源于《电脑编程技巧与维护》期刊2019年11期）
申云凤[5]（2019）在《基于多重智能算法的个性化学习路径推荐模型》一文中研究指出基于多重智能算法的个性化学习路径推荐能够有效解决在线用户学习迷途问题,从而实现对在线用户学习进行动态指导和控制。该文以在线学习行为分析为基础,依据推荐流程,建构出个性化学习路径推荐模型。在尊重学习用户个体化差异前提下,引入人工神经网络分类和蚁群优化路径推荐等多重智能型算法。并且在个性化学习路径推荐实现环节,采用协同过滤推荐和蚁群算法相结合,有效避免了协同过滤推荐的马太效应问题,以便降低不同学习用户群的差距。(本文来源于《中国电化教育》期刊2019年11期）
李欣,张桂花[6]（2019）在《基于学生画像的个性化深度学习算法推荐模型的研究》一文中研究指出智能教育是大数据时代的发展趋势和应用热点,本文基于高校智慧校园信息化数据,通过构建多维度的学生画像,利用ALS矩阵分解算法和卷积神经网络算法建立模型,从而针对学生的不同学习特点、风格、习惯等进行个性化的学习路径和培养方案推荐。(本文来源于《数码世界》期刊2019年11期）
杨淼,董永权,胡玥[7]（2019）在《基于学习者建模和数据挖掘的个性化学习路径推荐研究》一文中研究指出在线学习作为一种新型的学习方式,能够为学习者提供个性化的学习支持。有效推荐个性化学习路径是学习服务研究中的重点问题。文章结合大数据背景下个性化学习的特征,建立学习者模型,通过数据挖掘技术深入分析学习者的学习行为信息以及知识之间的关系,结合基于内容的推荐和协同过滤的推荐方式,设计个性化学习路径推荐的具体方案,为解决在线学习过程中学习者面临的"信息过载"和"知识迷航"问题提供参考和借鉴。(本文来源于《上海教育评估研究》期刊2019年05期）
刘帝勇,杨强[8]（2019）在《基于机器学习的核电文档个性化推荐系统研究》一文中研究指出本文对采用个性化推荐的方式来辅助用户开展文件检索进行研究,根据用户历史搜索记录以及用户网站行为日志进行分析来推荐用户想要的搜索结果,变被动搜索为主动推荐。文章从推荐系统的建设思路、总体架构设计、数据采集来源分析、数据处理策略、推荐引擎的模型设计、机器学习计算框架选择几个部分来开展研究。重点阐述了基于文件的协同过滤算法迭加基于图的推荐模型的算法核心。通过计算文件之间的相似度,并根据文件的相似度以及用户的历史行为生成推荐列表,再根据岗位、知识点等实体关联所建立的关系图来对推荐结果进行过滤、排序。通过开展基于机器学习的文档个性化推荐研究,为基于大数据及人工智能技术的文档及信息资源开发利用做了有益的探索。(本文来源于《电力大数据》期刊2019年09期）
赵学孔,龙世荣[9]（2019）在《基于用户学习路径分析的教育资源个性化推荐研究》一文中研究指出针对学习者用户差异性需求推荐个性化教育资源是智能学习领域研究的难点,也是构建E-learning个性化学习支持服务的关键。学习者在网络学习过程中,其时序化的学习行为日志蕴含了各种学习路径信息。通过对目标用户学习路径分析可挖掘其所潜在的认知风格、学习偏好、认知水平等各种隐性特征信息,为E-learning教育资源个性化推荐提供重要依据。基于关联规则挖掘对用户行为日志分析,从系统架构、模型构建、路径匹配以及推荐算法四个维度切入,提出了E-learning环境下基于用户学习路径分析的教育资源个性化推荐解决方案。(本文来源于《大学教育》期刊2019年10期）
刘敏,郑明月[10]（2019）在《智慧教育视野中的学习分析与个性化资源推荐》一文中研究指出学习分析与个性化学习资源推荐是智慧教育的两个重要环节。该文采用准实验研究方法探索学习分析和个性化学习资源推荐的理论与实践问题。从学习风格、在线学习偏好、学习者知能结构以及学习者在线学习行为及结果等方面进行学习分析,对学习资源的内容、类型、资源的推荐时间以及频次等进行个性化的推荐设置。研究表明学习分析和个性化学习资源推荐为学习者设置了个性化学习路径,有利于提高学习者参与学习活动的积极性、提高学习者的学习成绩、改善学习者的知能结构,在一定程度上实现因材施教的教育理想,并对学习分析、学习资源推荐与学习者主体意识的关系进行了讨论,提出了提高学习分析与个性化学习资源推荐效果的策略。(本文来源于《中国电化教育》期刊2019年09期）
个性化学习推荐论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文在分析移动学习资源个性化推荐现状的基础上,给出了一种基于混合模式的移动学习资源个性化推荐模型,并对模型的各个模块进行简单说明。希望为今后移动学习资源的个性化推荐提供模型构架方面的参考。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
个性化学习推荐论文参考文献
[1].单荣杰,马文明,祁明明.基于深度学习的个性化推荐模型应用[J].电子技术与软件工程.2019
[2].王吉林.“互联网+”时代移动学习资源个性化推荐模型[J].电子技术与软件工程.2019
[3].汤怀.基于逻辑回归模型的校园个性化学习资源推荐系统[J].电子技术与软件工程.2019
[4].郭竑晖,宋召良.基于E-learning的在线学习平台个性化推荐服务关键技术研究[J].电脑编程技巧与维护.2019
[5].申云凤.基于多重智能算法的个性化学习路径推荐模型[J].中国电化教育.2019
[6].李欣,张桂花.基于学生画像的个性化深度学习算法推荐模型的研究[J].数码世界.2019
[7].杨淼,董永权,胡玥.基于学习者建模和数据挖掘的个性化学习路径推荐研究[J].上海教育评估研究.2019
[8].刘帝勇,杨强.基于机器学习的核电文档个性化推荐系统研究[J].电力大数据.2019
[9].赵学孔,龙世荣.基于用户学习路径分析的教育资源个性化推荐研究[J].大学教育.2019
[10].刘敏,郑明月.智慧教育视野中的学习分析与个性化资源推荐[J].中国电化教育.2019