文章基本信息
- 文章名称:课程内容分析:面向慕课学习者的学习对象推荐系统的一个步骤
- 发表时间:
- 文章来源:
针对什么问题?
- 尽管线上课程非常受欢迎,但又有多少人真正从中学到了知识呢?
- 由于用户使用慕课的目的不同以及慕课用户的职业也不同,慕课学习需要用户有较高的自我激励和自我调节能力。较多用户反映自己没有足够时间了解MOOC的过程,或者自己只是被大量的课程所淹没。
- 想保持一种宝贵的热情来帮助学习者增长知识。为各个个体找到合适的既符合学习目标又符合学习者学习能力的学习对象。
解决方案
提出了一个新的基于CF的推荐MOOC课程的方法:MLBR。该方法使用更轻的课程向量代替学习者课程矩阵,以降低空间代价,MLBR函数将学习者分散到不同单元中,通过相似度存储,减少了相似度计算和相似学习者搜索的时间开销。节约了时间成本和空间成本。
提出的框架
贡献有哪些?
- 提出了一种基于协同过滤(cf)的慕课推荐方法MLBR
- MLBR通过考虑离线相似度计算,在线推荐和推荐相似度更新,节省了CF推荐在学习者喜爱程度上的时间成本。
- MLBR通过学习者-课程向量节省了学习者对课程成绩的空间成本。
- 在真实数据集上的实验表明,该算法具有良好的效率和有效性。