您现在的位置: 首页> 研究主题> 资源推荐

资源推荐

资源推荐的相关文献在2004年到2023年内共计593篇,主要集中在自动化技术、计算机技术、信息与知识传播、教育 等领域,其中期刊论文80篇、会议论文2篇、专利文献109600篇;相关期刊66种,包括河南图书馆学刊、情报理论与实践、情报学报等; 相关会议2种,包括第十四届全国软件与应用学术会议、香港中医学会、教育研究基金会2017国际针灸高峰论坛等;资源推荐的相关文献由1238位作者贡献,包括潘柏宇、单明辉、王冀等。

资源推荐—发文量

期刊论文>

论文:80 占比:0.07%

会议论文>

论文:2 占比:0.00%

专利文献>

论文:109600 占比:99.93%

总计:109682篇

资源推荐—发文趋势图

资源推荐

-研究学者

  • 潘柏宇
  • 单明辉
  • 王冀
  • 姚键
  • 尹玉宗
  • 顾思斌
  • 廖一桥
  • 赵磊
  • 王世强
  • 李鹏
  • 期刊论文
  • 会议论文
  • 专利文献

搜索

排序:

年份

作者

    • 洪晓敏
    • 摘要: 随着信息化时代发展,微阅读成为普遍的阅读模式。本研究通过了解某高专208名学生的微阅读现状,尝试开展专业微阅读资源推荐,通过问卷调查分析推荐结果,并进行探讨,以期对后续的教学改革提供参考。结果发现,对于专业微阅读资源推荐,学生普遍表示认可,能有效促进学生的专业成长。
    • 韩曾丽; 赵蕾霞; 田蓁子
    • 摘要: 文章以河北经贸大学图书馆微信公众平台馆藏资源推荐活动实践为例,从活动内容、特色、效果三个方面阐述了微信公众平台馆藏资源推荐体系建设,探讨了高校图书馆馆藏资源推荐体系建设策略,提出了高校图书馆利用微信公众平台开展馆藏资源推荐活动的建议,以期为业界开展资源推荐、阅读推广活动提供参考。
    • 宋菲菲; 隋栋; 周湘贞
    • 摘要: 为了提高资源推荐性能,采用广义回归神经网络完成资源推荐。首先,提取推荐系统的用户和资源特征,选择两者的特征差异值之和作为推荐系统目标函数,然后构建广义回归神经网络(Generalized regression neural network,GRNN)资源推荐模型。考虑到GRNN训练效果对平滑因子和核函数中心的依赖性强的特点,引入差分进化(Differential evolution,DE)算法对GRNN的平滑因子和核函数中心偏移因子进行优化求解:选择最小特征差异值求解函数作为DE算法适应度函数,通过DE算法的多次交叉、变异和选择操作,获得最优平滑因子和偏移因子。最后采用优化后的平滑因子和偏移因子进行GRNN资源推荐,生成特征差异较小的候选资源序列作为资源推荐序列。试验证明,选择合理的DE算法交叉速率和差分缩放因子,能够获得较好的平滑因子和偏移因子,GRNN也能够获得更好的推荐效果。和常用资源推荐算法比较,对于3种不同的训练样本,该文算法能够获得更优的资源推荐准确率,且RMSE值较低。
    • 程光胜
    • 摘要: 伴随着大数据和人工智能在教育领域的渗透和融合,个性化学习成为当前和未来教育关注的焦点,而自适应学习系统为个性化学习提供了一种实践路径.在分析自适应学习基本模型的基础上,结合自适应超媒体系统通用模型AEHS,引入了学习情境,构建了基于情境感知的自适应学习系统模型.为了提高自适应结果的精准性,根据学习情境中的学习者要素、时间要素、空间要素和设备要素,对学习者进行学习情境分组,以此为基础,通过学习者模型、领域模型和教学模型的协同作用,在自适应引擎的驱动下,生成自适应学习结果.最后,结合动态变化的时间因素,提供了个性化资源推荐的实现思路.
    • 马健; 贺媛; 李昕; 牛立刚; 纪永成; 王蕊
    • 摘要: 以提供个性化实验教学资源、提升学生自主学习能力为目标,设计基于大数据分析的高校实验教学平台。利用虚拟计算机节点采集高校实验教学资源,利用Kubestorage云数据存储模块的目录、存储、缓存服务器完成实验教学数据的存储、计算以及节点任务划分和控制,利用时间和共同评分的混合协同过滤推荐算法为用户推荐需要的实验教学资源,通过用户层前端页面接口为用户呈现结果。实验结果表明:该平台可实现数据并发访问,满足多用户登录需求;可根据用户的兴趣点推荐相似度高的实验教学资源,并能够可视化呈现平台数据。
    • 吕淑君
    • 摘要: 高等数学资源的推荐方式有很多,但是部分的算法存在问题和缺陷,最终得出的推荐结果不具有可靠性和精准性。因此,提出基于卷积神经网络的高等数学资源推荐算法。设定加权模糊资源推荐目标,进行协同卷积数学资源推荐层级的确定,构建卷积神经网络数学资源推荐模型,通过隶属度矩阵实现高等数学资源推荐算法设计。实验结果表明:与传统模糊层级数学资源推荐算法测试组对比,本文所设计的卷积神经网络数学资源推荐算法测试组最终得出的MSE均值相对较高,表明此种算法的应用精准度与可靠性更佳,具有实际的应用价值。
    • 曲强
    • 摘要: 在数字资源海量化时代背景下,数字资源的精准化推荐是确保数字资源高效推广的关键,本文提出了基于概率矩阵分解的数字资源推荐算法。论文构建了用户网页访问矩阵、用户资源点击矩阵、网页资源相关度矩阵,并采用梯度下降法获得了概率最高的资源作为推荐的数字资源。将提出的方法和HIN推荐、用户意图聚类推荐进行对比,结果表明基于概率矩阵分解的数字资源推荐算法性能最佳,这对数字资源的高效推广具有一定的参考价值。
    • 吴舒展
    • 摘要: 由于传统学术论文推荐方法存在推荐效果差的问题,导致推荐结果不能满足用户的检索需求,为此融合知识图谱和深度学习算法,实现对学术论文推荐方法的优化设计。收集学术论文数据,并构建相应的知识图谱。分析用户的行为偏好和检索需求。提取学术论文资源特征,利用深度学习算法实现对学术论文的分类处理。通过构建查询向量、度量相似性、生成资源推荐列表三个步骤实现学术论文推荐。通过实验对比得出结论:设计的推荐方法的召回率提高了4.53%,且推荐结果的命中率得到明显提升。
    • 樊海玮; 张锐驰; 安毅生; 秦佳杰
    • 摘要: 针对协同过滤算法推荐学习资源的单一性弱点导致的学习者的个性化资源获取需求难以满足的问题,提出融合知识图谱邻居双端的在线学习资源推荐算法。首先,在用户端将学习者的既有知识节点与新知识节点之间的实体及其邻居信息聚合得到学习者的嵌入表示,从而捕捉学习者的个性化需求;其次,在项目端利用学习资源的邻域信息扩充学习资源的语义与嵌入表示;最后,将用户的嵌入表示和项目的嵌入表示送入全连接层以得到二者的交互概率。为了验证所提算法的有效性,使用公开数据集MOOPer进行对比实验。实验结果表明,在该数据集上,所提算法相较于最优基线模型在曲线下面积(AUC)和准确率上分别提升了1.12个百分点和1.31个百分点,且在Precision@K和Recall@K上均有一定的提高。
    • 杨冰清
    • 摘要: 网络教学的形式迅速发展,网络上各种学习资源的数量也在急剧膨胀,学生容易面临“信息过载”的问题亟需解决。利用遗传算法与K-means聚类算法对协同过滤算法进行优化,并构建协同过滤个性化推荐模型。研究结果表明,在最近邻居数为30时,优化后的协同过滤推荐模型MAE值为0.77,比未优化的模型低0.05;在推荐课程资源个数为5时,优化协同过滤推荐模型的推荐准确率为52%;问卷调查显示觉得个性化课程资源推荐系统有效的学生占98%,觉得无效的仅占2%。以上结果说明协同过滤个性化推荐模型能很好地为学生推荐课程资源,提高学生的学习兴趣和学习效率。
  • 查看更多

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号