雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

国际创新研究期刊》的研究在科学、工程和技术

菜单

ISSN在线(2319 - 8753)打印(2347 - 6710)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

一个基于Web的推荐系统为个人使用混合协同过滤方法的学习环境

Dr.K.Anandakumar1,K.Rathipriya2,Dr.A.Bharathi3
  1. 副教授(SL.G)、计算机应用、Bannariamman理工学院,Sathyamangalam、印度。
  2. 助理教授,信息技术部,Avinashilingam家科学研究所和高等教育对于女性来说,印度哥印拜陀。
  3. 教授,信息技术部,Bannariamman理工学院,Sathyamangalam、印度。
相关文章Pubmed,谷歌学者

访问更多的相关文章国际创新研究期刊》的研究在科学、工程和技术

国际创新研究期刊》的研究在科学、工程和技术

文摘

网络已经影响了一代的大增长巨大的电子学习资源。这项工作主要是设计一个个人的推荐系统,解决稀疏和本身的问题,这将提供一个更多样化的推荐列表为每个学习者。改进的基于社区的协同过滤和混合遗传算法与粒子群优化(PSO)方法实现。这些技术被用于改善多样性和收敛性向的首选解决方案考虑用户的偏好。实验的结果表明,该方法优于现有算法精度的措施,可以减轻本身和稀疏问题和生成一个更多样化的推荐名单

关键字
个人学习环境、协同过滤、粒子群算法、遗传算法、学习行为。

介绍
在教育领域,学习者的学习行为的标准更重要,因为它极大地影响了学习的过程[1]。另外,学习的过程是基于教学行为;如果老师使用同一套方法教学的学习者不会成功的[2]。有几种学习过程;一个是基于移动学习的学习过程。移动学习过程的灵活性,定制和协作(3和4)。最重要的一个方法是个性化推荐散文(5、6),这些方法实现学习者的知识发现方法的数据挖掘和机器学习等。使用这些方法来发现用户根据他们的利益活动和这些活动被用来制作这些建议[7,8]。的一些例子的电子学习资源个性化推荐的书推荐Amazon.com[9],电影推荐Netflix.com[10]和视频推荐Tivo.com [11]。如今,有一个快速发展的基于web的教育体系。在线学习系统的快速发展,大量的电子学习资源生成[12]。一些个性化的推荐系统的一般过程包括三个步骤; these steps are used to solve the problem in this system and are proposed in [13]. These steps are (i) record the user behaviour and generate a template for the behaviour (ii) Behaviour template should be maintained (iii) Generate recommendation information to users based on their behaviour template.
推荐系统是提供一个实用的个性化推荐一组对象属于一个给定的领域,从关于用户和对象的信息[22]。雷竞技官网给定术语是用来定义建议problemC×我→R,这个表达式C表示系统的组用户。我表示推荐系统和R表示完全命令系统[23]本文以这种方式组织:第二部分介绍了一些背景知识对推荐系统的研究;第三节描述了提出方法;第四节给出了推荐系统的结果。第五部分给出了研究工作的结论。

相关工作
基于规则的推荐系统创建用户通过用户历史行为规则关联规则挖掘技术[14]。这是一个简单的推荐系统但很难控制的质量和数量规则[15]。生成一个基于内容的推荐是根据相似性差异的内容资源和用户的偏好[16]。协同过滤推荐系统的另一个方法是研究在[17],它是最主要的方法之一。该系统不依赖于内容的资源和用户的新的兴趣。这两种类型的协同过滤是记忆和基于模型的算法[18]。
有三种方法来找出学生互动和评估改善学习[19]。三个步骤是监控工具,元认知工具和指导系统。监控工具用于显示或监督学生的行为对学生和教师基于他们的方法[20]。元认知工具分析学生的行为基于预期的结果[21]。
图像
上面的图(图1)代表提议的方法的步骤。最初的日志数据从用户网站给出作为输入。然后改进社区为基础的协同过滤算法用于分类相似的用户。之后,使用混合遗传算法和PSO优化搜索过程之后,用户首选项指示生成最终建议。

提出的方法
答:改善于社区的协同过滤
最重要的协同过滤方法是于社区的方法。它很受欢迎,很容易实现。但是它也有一些缺点,相似性函数和前于社区的方法的问题是,他们不占邻居之间的交互。为了克服这个限制,改善使用于社区的协同过滤,它的目的是即兴创作之前的方法,从而消除全球影响。
这种策略是估计一个“效果”,在序列。在每个步骤中,我们从上一步使用残差作为当前步骤的因变量。因此,第一步后,把剩余工资,而不是原始的评级。对于每一个上面提到的影响,我们的目标是估计一个参数为每个项目或一个参数为每个用户。本节的其余部分,我们描述我们的方法来评估用户特定的参数;的方法是完全类似的物品。
图像
b混合GA算法
许多机器学习方法应用开发人员通过学习模块,包括归纳逻辑编程,决策树,演绎推理、模糊逻辑、神经网络和遗传算法。
优化问题是一项艰巨的任务要完成,由于巨大的搜索空间。为了克服这种挫折,介绍了遗传算法获得函数的全局最优。遗传算法初始化执行四个阶段的优化,选择,交叉,变异[24]。遗传算法从最初的解决方案,选择从一组配置在搜索空间称为人口使用随机生成的解决方案。通过使用用户适应度函数,一个开始的解决方案的每个用户可以检查。第二阶段是选择阶段,高分数的健身选择并复制本身。第三阶段是交叉阶段产生的染色体称为两个孩子产生的染色体称为父母。交叉阶段运作通过交换相应部分的字符串表示这些家长和孩子。最后阶段是突变阶段运营在一个染色体。
图像
粒子群优化(PSO)在许多领域有广泛的应用,它是一种基于人口的随机优化技术[25]。算法用于搜索最优解的粒子。敌人的每一个迭代中,更新每个粒子的两个“最好”的值。铅是第一个最佳值;它代表了最好的解决方案的位置矢量和通过这种粒子。第二个最佳值是gb是全球最好的位置和识别最好的位置发现了整群,直到迭代t。粒子速度和位置更新后发现这两个最佳值,它是由以下方程
图像

实验结果
有各种类型的数据集,可以推荐给这个系统。这里收集用户的意见来自不同用户通过创建一个合成数据集和过程是在java平台中实现。这种方法的性能是衡量使用决策支持精度指标假设预测过程作为一个二元运算;项目预计(好)(坏的管理者)。精度和召回这类是最受欢迎的指标。当指推荐系统,回忆和精度可以定义如下:
图像
TP -真阳性,FP -假阳性和FN -假阴性。从精度和召回f-measure计算。
图像
我是资源的预测评级,R是学习者给予评级为资源,和S的总数是对评级R和R。
预测目标用户,这里考虑目标用户评分项的数量的训练集5、10和20。然后,我们使用不同的算法计算出相应的美。
图像
上面的表(表1)显示了拟议的系统与以前的技术性能比较,绩效评估是通过测量的美。减少美值表示一种改进预测精度的建议。这里提出的技术与现有的和基于内容的系统。

结论
个性化是一个因素,重视电子学习推荐系统而言。这里开发电子学习应用的个性化推荐系统是通过实施改进的基于社区的协同过滤和粒子群优化的混合遗传算法。该系统评估使用美和F -措施。现有的和拟议的方法进行比较,结果表明,该技术生成推荐结果与精度提高了减少错误率。

引用
  1. 曼卓林,g R。加埃塔,M。,Orciuoli, F., & Salerno, S.,”A Semantic Metacognitive Learning Environment”, Cognitive and Metacognitive Educational Systems, AAAI Fall Symposium, 2010.
  2. Looi C.-K。,Wong, L.-H., So, H.-J., Seow, P., Toh, Y., Chen, W., et al.,“Anatomy of a mobilized lesson: learning my way”, Computers & Education,Vol. 53, No.4, pp. 1120–1132,2009.
  3. Cobcroft, R。塔,S。史密斯,J。,& Bruns, A.,” Mobile learning in review: Opportunities and challenges for learners, teachers, and institutions”. Proceedings of Online Learning and Teaching , pp.21-30, 2006
  4. 奈史密斯,L。,Lonsdale, P., Vavoula, G., & Sharples, M.,“Literature review in mobile technologies and learning”. NESTA Futurelab report 11,2004.
  5. 雷斯尼克,P。,Iacovou, N., Suchak, M., Bergstrom, P., Riedl, J.,” GroupLens: an open architecture for collaborative filtering of netnews”, ACM Conference on Computer Supported Cooperative Work , pp. 175–186. 1994
  6. w·希尔,l .代替g m . Rosenstein Furnas。,“Recommending and evaluating choices in a virtual community of use”, Human Factors in Computing Systems, pp. 194–201, 1995.
  7. 雷斯尼克,P。,Murray Hill ,N.J., Varian,H.R., ” Recommender systems”, Communications of the ACM,Vol.40,No. 3., pp. 56-58, 1997.
  8. 刘,J。K。郭问。,“Solving the accuracy–diversity dilemma via directed random walks”, PhysRevE.85.016118,2012.pp. 1-9,2012
  9. 林登,G。,Smith,B., York,J, “Amazon.com recommendations: item-to-item, collaborative filtering”, IEEE Conference on Internet Computing,Vol. 7,No.1.,pp.76–80,2003.
  10. 班尼特,J。,Lanning, S., “The Netflix prize”, in: 13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2007.
  11. 阿里,K。W。范·斯塔姆,TiVo:“制造显示建议使用一个分布式协同过滤架构”,第十届ACM SIGKDD国际会议上知识发现和数据挖掘,394 - 401年,2004页。
  12. 陈,W。,Niu,Z., Zhao,X and Li,Y., “A Hybrid Recommendation Algorithm Adapted in E-Learning Environments,” World Wide Web,Vol.17,No.2.,pp.271-284, 2012,
  13. 里奇,F。,Rokach, L., & Shapira, B.,” Introduction to Recommender Systems Handbook, Recommender Systems Handbook”, Springer, pp.1– 35,2011.
  14. 史密斯,B。,McCarthy, K., Reilly, J., O‘Sullivan, D., McGinty, L., & Wilson, D.,” Case studies in association rule mining for recommender systems”.International Conference on Artificial Intelligence,pp.1-7,2005.
  15. Agrawal, R。,Imielinski, T., & Swami, A.” Mining association rules between sets of items in large databases”. In Proceedings of ACM International Conference on Management of data, Vol.22, No.1, pp. 207–216, 1993.
  16. Symeonidis, P。“基于内容的推荐系统降维”。在c . Preisach h . Burkhardt, l . Schmidt-Thieme & r·德克尔(Eds)、数据分析、机器学习和应用,研究分类,数据分析,和知识的组织。619 - 626年,2008页。
  17. 陆,y . T。,Yu, S. I., Chang, T. C., & Hsu, J. “A content-based method to enhance tag recommendation”. Twenty-first International joint conference on artificial intelligence, pp.2064-2069, 2009.
  18. 俄罗斯少女组合,M。,Srikanth, M., & Silva, T. D. “Tag recommendations using bookmark content”. European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases”, pp.96-107,2008.
  19. 梯子平台,。,Martinez, A., Jermann, P., & Muehlenbrock, M. “From mirroring to guiding: A review of state of the art technology for supporting collaborative learning”. International Journal of Artificial Intelligence in Education, Vol. 15, No.4. pp.261–290,2005.
  20. Kahrimanis G。迈耶,。,Chounta, I.-A., Voyiatzaki, E., Spada, H., Rummel, N., et al. “Assessing collaboration quality in synchronous CSCL problem-solving activities: Adaptation and empirical evaluation of a rating scheme .Learning in the synergy of multiple disciplines”. 4th European conference on Technology Enhanced Learning, pp. 267–272, 2009.
  21. Gaudioso E。,Montero, M., Talavera, L., & del Olmo, F. H. “Supporting teachers in collaborative student modeling: A framework and an implementation”. Expert Systems with Applications, Vol. 36, No.2, pp. 2260–2265, 2014.
  22. 尼古拉Capuano、加埃塔Matteo Pierluigi Ritrovato和里奥萨勒诺。”引出的潜在的学习需要通过学习目标的建议”,电脑在人类行为中,30卷,pp.663 - 673, 2014。
  23. Adomavicius G。,& Tuzhilin, A. “Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions”. IEEE Transactions on Knowledge and Data Engineering, Vol. 17, No. 6, pp. 734–749, 2005.
  24. 戴维斯l .遗传算法手册》.Vol.3,没有。4页。446 - 448年,1991年。
  25. 肯尼迪,J。,Eberhart, R.C.” Particle swarm optimization”, IEEE International Joint Conference on Neural Networks,Vol.4, pp. 1942– 1948,1995