利用序列模式树和基于内容过滤的个性化推荐（外文翻译） ㊣ 精品文档 值得下载

学习者的多偏好及物质的多维属性没有充分考虑。

此外，这些算法不能有效地利用学习者访问材料的历史序列模式。

为了解决这些问题，提高了推荐精度和推荐质量，基于序列模式挖掘和基于多维属性的协同过滤的推荐系统框架方案被提出。

在序列模式为基础的方法，修改和先验的算法实现的发现潜在的模式在材料访问和使用它们的建议。

学习者偏好树引入考虑到资源的多维属性，和学生的等级及动态模型和学习者在基于多维属性的建议。

最后，两种方法的结果推荐使用级联组合，权重和混合的方法。

该方法优于以前的算法，并且学习者的真正的学习偏好可以准确地根据下文信息实时得到满足。

关键词出了新的个性化策略，如协作过滤和混合方法混合这两种技术。

大部分研究协同过滤的人员利用协同过滤。

米利塞维奇等人博瓦迪利亚等。

方法在电子学习环境中的使用集中于具有相似兴趣的用户马林塞尔吉奥等，在重要转换接收器这领域产生大量的研究论文。

协同过滤被使用。

用于预测最合适的材料提供给学习者。

起初，所有的用户和活跃学习者之间的相似性是通过皮尔逊相关计算。

然后，具有最高相似性的活性学习者的个用户选择为邻居。

最后，使用来自附近获得的权重组合，评级预测的计算。

博瓦迪利亚等年使用的新方程结合学习者从测试成绩获得入协同过滤计算内容的预测。

他们的实验表明，该方法获得高的项目预测的准确性。

由于在电子学习环境，学习材料有多种多媒体格式，包括文本，超文本，图像，视频，音频和幻灯片，难以计算两个条目等的内容相似度。

在这个意义上，用户的偏好信息是推荐的良好因素。

因此，更适合在电子学习系统，因为它是完全独立条目的内在特征被推荐等。

不管它在许多应用领域的成功，协同过滤有两个严重的缺点。

第，它的适用性和质量是有所谓的稀疏性的问题，当可用的数据不足以用于识别相似用户科特和史密斯发生的限制。

因此，许多研究都采用运行数据挖掘技术来缓解稀疏性问题。

例如年制定了具体的数据挖掘工具，在推荐引擎发现合适的规则。

他们的目标是推荐给学生最适合的链接网页，。

其次，它需要知道许多用户配置文件，以制定针对给定用户准确的建议。

因此，在些电子学习环境学习者的数量很低，推荐结果不够准确。

多种推荐方式混合克服这些策略的缺点，研究人员用于内容的混合推荐方法。

结合几个建议可以预期，以提供比单独任策略更好的结果。

至于在电子学习环境些人实现了基于内容的过滤和协同过滤，以使个课件选择模块个人美化版建议的组合。

该算法与用户开始在课件管理系统的门户网站输入些关键字。

接下来，课件推荐模块的用户个课件与其他选择相同或类似的关键字相同的用户兴趣组内找到。

等。

应用关联规则挖掘发现通过学生的使用数据中的推荐规则的形式有趣的信息，然后用于协同推荐系统共享和评分教师与同类分布在教育其他专家起获得的推荐规则。

作为适当的推荐技术必须根据的原因来选择。

这些教学的原因是从年等终身学习的具体要求的。

实施教学决定成推荐器系统的个方法是使用各种推荐技术在个段中议书的策略。

从个推荐技术改变为另个的决定可以根据教学起见完成，从等人终身学习的特定需求的。

本文采用基于学习者和材料的显性和隐性的属性推荐技术。

第种技术集成资源的多维属性，学习者的评级信息作为推荐依据。

我们提出的框架可以同时使用该信息来学习者的自适应多偏好模型。

根据该技术的特性，可以提高系统推荐的准确性和多样性。

第二种技术集成有关学习者访问的材料的连续潜伏模式信息。

利用这些信息和应用序列模式挖掘算法，帮助我们根据共同的学习序列筛选项目。

总之，为了提高学习资源推荐准确率，开发用于整合的基于多维资源属性的框架利用学习者的评级信息提取潜在序列模式是必要的。

个性化推荐，算法，在线学习，动态偏好，多属性对于许多在线学习系统，巨大的电子学习材料的量已经发生了很大变化，并在各种媒体格式等的增长。

因此，在这种情况下，是很难找到根据学习者的喜好适合自己的学习材料。

提供个性化学习资源的任务往往是在框架中，系统建议项目活动的用户的推荐任务而言年。

因此，推荐系统已被用于电子学习环境，建议有用的资源给用户。

这些系统解决信息过载，并为用户提供个人学习环境。

对于任何推荐系统的动机是为了确保有效地使用可用的材料。

使用这种方法，我们可以根据教学问题和可用的材料提高了个人学习计划。

在最近几年，推荐系统被部署在越来越多的电子商务实体最好表示和容纳客户的利益。

根据施加的战略，它们可分为三大类基于内容，协作和混合建议和。

基于内容的推荐是从信息检索的。

基于内容的推荐算法识别并提取内容和用户的功能，然后建立个匹配模型他们。

推荐是根据用户的偏好和项目的特点比较的。

在另方面，协同过滤的主要思想是分组志趣相投的用户在起。

这些系统也被称为基于组别的系统。

假定谁收到了类似的选择的用户将在将来的相同的选择。

协同推荐系统通过观察用户的邻居给用户的建议。

混合段中议书机制试图处理些局限性，并通过这两种方法相结合克服了纯粹的基于内容的方法和纯净的协作方式绘制的难点。

应用现有推荐算法为电子学习直接环境时有几个缺点由于学习的过程是可重复和定期的，总会有适合学习者种固有的以访问资料的顺序呈现的学习过程。

这些信息可以反映出学习者的潜在偏好。

但是，大多数现有的推荐系统中不使用这些信息。

为了能够应用基于推荐的序列模式，新的算法在本文中提出。

些传统的推荐算法只使用学习者的评级建议，并没有考虑学习者和学习资源的属性。

为了模拟学习者的多偏好这项研究考虑了资源的多维属性和在统的模式学生的评价等级。

学习者的喜好是动态变化的。

因此，能够及时的提出好的建议当学习者的当前需求发生变化的时候，推荐算法必须必须能够跟踪学习者的行为提出动态的建议。

因此，本论文提出了在基于多维属性的的推荐方法。

按照上述的缺点，本文提出了种新的基于内容的推荐系统架构和相关的推荐算法。

首先，在基于多维属性的推荐的做法，为了反映学习者兴趣的整个范围，兴趣偏好树被引入到考虑资源多方面的属性以及学习的评级。

事实上，兴趣偏好树是基于目标学习者的历史访问记录和资源的多维属性构建的。

然后，可以利用的信息用于计算学习者之间相似性。

在基于序列模式的推荐方法，发掘访问的材料的潜在模式，并给予推荐，加权关联规则算法和算法的的应用。

两种方法的结果结合起来，创造并最终给出用户合理化的建议。

无论是在教育机构脱机或联机学习材料已经变得越来越多。

因此，能够为学习者根据关键字搜索方法发现的最合适的材料是非常难的事情。

个性化终身学习的创建已被公认为大挑战问题由峰值研究机构年凯。

因此，推荐系统已被用于电子学习发言推荐有用的材料给用户。

第个推荐系统是世纪年代中期开发的等，。

在各个领域，如电影，音乐，新闻，商业和医药很多推荐系统已被开发，但在教育领域少数等，。

该建议的策略和技术与它们的用处物料段中议书的概述，我们简要地调查了些重要的作品和解释，可以由我们建议的方法来解决它们的缺点。

基于内容的过滤该技术表明类似于每个用户在过去考虑到对象的内容分析，该用户在过去已经评估喜欢的那些项等人。

作为电子学习应用程序的示例等年。

在线自动推荐内容给学习者的最近导航历史和异同。

聚类被和卡迈勒年提出，根据其主题和相似的小组学习文件。

实际上，在基于内容过滤的现有度量只检测有相同属性的项目之间的相似性。

事实上，现存的基于内容的推荐执行的基本过程仅仅检测内容的相似性，这会导致过于专门的建议仅包括非常类似于用户已经知道。

为了避免基于内容的方法的过分专业化，研究人员亲提