基于深度学习的课程推荐与学习预测模型研究

摘要

随着互联网的迅速发展，网络学习社区已经深入到了广大互联网用户的生活中，其正在以惊人的速度不断地影响着互联网用户的学习。与此同时，也出现了知识过载、学习迷航等新的学习问题。而学习资源的推荐可以解决此类问题，同时也是学习者进行快速、有效率地学习的一种重要手段。因此，研发学习资源推荐系统，通过分析学习者的学习记录、学习偏好等信息，判断学习者类型，并向学习者推荐符合其学习兴趣的学习资源，这已成为网络学习社区与教育领域的研究热点。
　　本文主要做了以下工作:
　　(1)本文概述了网络在线学习资源的发展状况与未来的发展趋势，同时详细阐述了个性化推荐系统中的一些主要技术及方法，并对个性化推荐技术的原理做了深入的阐述。
　　(2)本文提出了课程资源推荐模型，该模型在NeuMF模型的基础上进行了改进，实现了在用户潜在特征和课程潜在特征训练过程中加入用户信息和课程信息。该方法在原有模型只使用用户编号和项目编号的情况下，通过扩展加入用户性别、职业、课程方向、课程分类等信息特征来进行模型训练。为了验证使用这种方式训练模型的有效性，本文使用慕课网中的实际数据集进行对比实验，结果表明通过该方法获得的训练模型能够比原模型具有更好的性能。
　　(3)本文提出了基于卷积神经网络的学习预测模型，实现了将用户信息和课程信息融入到隐因子分解模型中。该方法通过卷积神经网络从用户ID、用户个人信息提取用户特征信息，从课程ID、课程分类中提取课程特征信息，来构建描述用户和课程关系的关系向量，最后通过计算关系向量获取最终预测结果。为了验证模型的有效性，本文使用慕课网的真实数据进行了与其他模型的对比实验，实验表明该方法能够获得更好的预测效果。

目录

摘要

第一章 绪论

1．1 研究背景和意义

1．2 本文的研究重点及工作内容

1．3 本文组织结构

第二章 推荐算法及课程推荐研究现状

2．1 基于内容的推荐算法

2．2 基于协同过滤的推荐算法

2．2．1 基于内存的协同过滤算法

2．2．2 基于模型的协同过滤算法

2．3 混合推荐算法

2．4 课程推荐研究现状

2．5 本章小结

第三章 课程推荐模型

3．1 人工神经网络

3．1．1 人工神经网络概述

3．1．2 反向传播算法

3．2 基于神经网络的协同过滤模型

3．2．1 MF模型

3．2．2 MLP模型

3．2．3 NeuMF模型

3．2．4 模型比较

3．3 基于辅助信息的神经网络协同过滤模型

3．3．1 研究动机

3．3．2 模型构建

3．4 实验结果与分析

3．4．1 实验设置

3．4．2 不同设置中的实验比较

3．5 本章总结

4．1 研究动机

4．2 隐因子分解模型

4．3 卷积神经网络

4．3．1 自然语言处理中CNN的应用

4．4 ALS学习算法

4．5 基于卷积神经网络的学习预测模型

4．6 实验结果与分析

4．6．1 实验设置

4．6．2 基准实验比较

4．6．3 实验结果与分析

4．7 本章总结

5．1 总结

5．2 展望

参考文献

致谢

声明