基于领域知识的个性化推荐算法研究

摘要

随着因特网的普及与物联网的兴起，信息技术在永不停息的向前发展，信息产生和传播的速度在随着科学技术的进步，不断的提高。但是，在这些不断增加的信息当中，大多数都是低价值密度的信息，如何从大量的低价值密度的信息当中，发现、提炼出高价值的、具有精确性和实用性的信息成为了关键所在。在这种背景下，推荐系统(Recommender Systems)随之出现。
　　推荐系统包括三个组成要素：推荐候选项、用户和推荐策略。就推荐策略而言，协同过滤算法因其能够满足个性化推荐的需求而被广泛采用，该算法本身也在不断的进化发展。伴随着推荐系统中不断出现的新增用户和新增推荐项，数据的冷启动已经成为了推荐系统中最常见的问题。同时，为了适应不同领域的推荐需求，协同过滤算法也出现了各种变体。但是，在计算相似度时，主流的推荐方法只考虑到用户对推荐候选项的评价，或者是根据用户的属性和推荐候选项的属性来计算，导致推荐效果不佳。本文针对这些问题，提出了基于领域知识的推荐算法。其中研究解决了两个方面的问题：
　　(1)试题具有相关性约束的特点，协同过滤推荐算法，忽略了试题的相关性约束和学生信息，无法完成对试题的评价，更不能将学生深层需求信息和试题的特征信息进行匹配。针对这些问题，本文给出了描述学生特征、评价试题和挖掘试题相关性约束的方法。将协同过滤推荐算法的应用范围扩展至试题推荐领域。
　　(2)针对提高推荐合理性的问题，利用试题存在相关性约束的特点。在上一步协同过滤算法的基础之上，利用时序模型挖掘试题之间的先序关系，结合试题的先序关系，为学生提供更加合理的试题推荐。最后，通过实验验证了基于领域知识的试题推荐算法(domain knowledge based test recommendation algorithm)DTRA的可行性和有效性。该算法能够收到满意的推荐效果。

目录

声明

摘要

1．1研究背景及意义

1．2国内外研究现状

1．2．1国外研究现状

1．2．2国内研究现状

1．3论文的研究内容和组织结构

1．3．1论文主要研究内容

1．3．2论文组织结构

第2章相关理论

2．1知识的获取方法

2．2知识的表示及知识表示学习方法

2．2．1知识的表示的分类

2．2．2知识表示学习方法

2．3主流的推荐算法

2．3．1基于关联规则的推荐算法

2．3．2基于内容的推荐算法

2．3．3协同过滤推荐算法

2．3．4混合推荐算法

2．4本章小结

第3章基于领域知识的推荐算法研究

3．1引言

3．2整体框架设计

3．3领域知识的结构化表示

3．3．1领域知识的表示方法

3．3．2领域数据中的时序信息

3．4学生个性的评价方法

3．4．1学习者模型中学习者特征的选取

3．4．2知识范围和学习能力的量化方法

3．5基于效用的试题评价的方法

3．5．1试题评价的标准选取方法

3．5．2试题评价的计算方法

3．5．3试题之间先序关系的挖掘

3．6基于领域知识的协同过滤算法

3．7本章小结

4．1数据集介绍

4．2常用评价指标

4．3实验设计与分析

4．3．1实验说明

4．3．2实验环境

4．3．3实验结果及分析

4．4本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢