CN108345697A - 面向大学生群体的智慧课程推荐方法、系统及存储介质 - Google Patents

面向大学生群体的智慧课程推荐方法、系统及存储介质 Download PDF

Info

Publication number
CN108345697A
CN108345697A CN201810239365.8A CN201810239365A CN108345697A CN 108345697 A CN108345697 A CN 108345697A CN 201810239365 A CN201810239365 A CN 201810239365A CN 108345697 A CN108345697 A CN 108345697A
Authority
CN
China
Prior art keywords
course
student
curricula
variable
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810239365.8A
Other languages
English (en)
Inventor
林金娇
王睿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Finance and Economics
Original Assignee
Shandong University of Finance and Economics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University of Finance and Economics filed Critical Shandong University of Finance and Economics
Priority to CN201810239365.8A priority Critical patent/CN108345697A/zh
Publication of CN108345697A publication Critical patent/CN108345697A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了面向大学生群体的智慧课程推荐方法、系统及存储介质，包括：步骤(1)：获取学生当前的选课行为数据、选课历史数据以及用户目标数据；步骤(2)：根据选课历史数据，搭建学生与课程之间的关系矩阵；步骤(3)：根据学生当前的选课行为对步骤(2)已经搭建好的学生与课程之间的关系矩阵进行更新，得到更新后的学生与课程之间的关系矩阵；步骤(4)：每一种用户目标数据都对应一个预先设定的选课系数矩阵，预先设定的选课系数矩阵中每个元素的取值是预先设定的；建立推荐结果与当前选课行为的目标函数，将目标函数最小化，得到的推荐结果输出。可以实现大学生的课程的智慧推荐。

Description

面向大学生群体的智慧课程推荐方法、系统及存储介质
技术领域
本发明涉及技术领域，特别是涉及面向大学生群体的智慧课程推荐方法、系统及存储介质。
背景技术
作为一种新的教育模式，智慧学习的基础是智慧设备和智慧技术，智慧的学习通常是基于情景感知的无处不在的学习。开放式和动态智慧学习平台的重点是学生和内容，而不是设备，要有效和智慧地基于IT基础设施进行学习。深入了解学生的行为和学习模式对研究人员和教育工作者来说是非常重要的，他们可以开发出更有效的学习工具和策略。
Rashid定义的推荐系统是一种决策策略，为复杂信息环境下的给定用户提供项目建议。推荐系统已经在电子商务领域取得了成功，这是一种帮助用户找到他们想要购买的产品的工具。由于电子学习平台的信息过于丰富，用户需要很长时间才能找到他们真正需要的东西。推荐系统使用诸如聚类和/或学生评分等技术来寻找其他类似的学生，并根据之前的学生的学习情况提供建议。
Tang&McCalla提供了一个电子学习系统，旨在向学生推荐会议论文和书籍章节等技术文章。该系统的主要目的是利用聚类方法来寻找学生兴趣点，这些建议仅基于论文的使用和评分。
Chen等人提出了面向学生的个性化课程推荐系统。它根据学生的反应提供适当的课程材料，系统重新评估学生的能力。该系统缺乏处理以往学生信息的能力。
Kum aran&Sankar提出了一个个性化的推荐框架，它使用一个语义网络来代表学生的个人信息和领域知识。
这些建议基于学生的评分和表现，提出的解决方案缺乏适应不断变化的个性化目标的能力，因此，该系统缺乏处理广泛的个性化目标的机制，例如学术研究、职业追求、兴趣与欲望等。
现有技术存在的技术问题是，大学生在自主选课时，不清楚如何为自己的目标选择合适的课程，比如，学生的目标有出国、考研、学术研究或者职业追求，不同的学生如果设置同样的课程，可能满足不了大学生个性化的需求，但是，完全放权给大学生，让大学生自己选择，又存在学生面对纷繁复杂的课程，不知道该如何选择的问题。
发明内容
为了解决现有技术的不足，本发明提供了面向大学生群体的智慧课程推荐方法、系统及存储介质，当确认一个新的学生目标时，必须启动课程推荐引擎以激活适当的应用程序，来执行所期望的目标。我们提出了一种新的推荐算法，它探究了课程与学生目标之间的联系。并通过对学生使用智慧学习的评价，讨论了算法的有效性及可用性。
本发明的第一方面提供了一种面向大学生群体的智慧课程推荐方法；
面向大学生群体的智慧课程推荐方法，包括：
步骤(1)：获取学生当前的选课行为数据、选课历史数据以及用户目标数据；
步骤(2)：根据选课历史数据，搭建学生与课程之间的关系矩阵；
步骤(3)：根据学生当前的选课行为对步骤(2)已经搭建好的学生与课程之间的关系矩阵进行更新，得到更新后的学生与课程之间的关系矩阵；
步骤(4)：每一种用户目标数据都对应一个预先设定的选课系数矩阵，预先设定的选课系数矩阵中每个元素的取值是预先设定的；建立推荐结果与当前选课行为的目标函数，将目标函数最小化，得到的推荐结果输出。
进一步的，所述步骤(1)中，
所述选课行为数据，包括：所有用户对课程的选择动作记录或者放弃动作记录；
选课历史数据，包括：每个学生已选的历史课程记录；
用户目标数据，包括：目标考研专业、目标出国领域或目标工作岗位；
进一步的，所述步骤(2)中，
所述学生与课程之间的关系矩阵A'的元素的取值为0或1，其中，0表示学生没有选择某课程，1表示学生选择了某课程；矩阵的大小为m×n，其中m代表的学生数量，n代表课程的数量。
进一步的，所述步骤(3)中，
如果当前选中某课程，那么更新后的关系矩阵的元素置为1。
进一步的，所述步骤(4)中，
其中，aij表示学生i选择课程j的数据，
如果aij＝0表示学生i未选择课程j；
如果aij＝1表示学生i选择了课程j；
表示学生i选择课程j的推荐程度得分，越大表示越推荐学生i选择课程j；
wij表示课程推荐结果的相关系数，课程推荐结果的相关系数是预先根据用户目标数据设置的；
将公式(1)表示为公式(2)所示的矩阵形式：
其中,A表示更新后的学生与课程之间的关系矩阵，A的元素是aij；
表示推荐矩阵，的元素是
W表示预先设定的选课系数矩阵，是矩阵A的系数矩阵，W的元素是wij；
目标函数：
其中，||·||F表示Frobenius正则项,||||0表示0范数，数据项用于表示实际的课程推荐结果和学生当前选择的结果之间的差异，参数β2、λ2和μ均是设定值，用于平衡不同项间的权重，表示拉普拉斯矩阵。
进一步的，所述方法还包括：
步骤(5)：针对推荐数据，人工进行推荐结果的进行评价与优化。
本发明的第二方面提供了一种面向大学生群体的智慧课程推荐系统；
面向大学生群体的智慧课程推荐系统，包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述任一方法所述的步骤。
本发明的第三方面提供了一种计算机可读存储介质；
计算机可读存储介质，其上运行有计算机指令，所述计算机指令被处理器运行时，完成上述任一方法所述的步骤。
与现有技术相比，本发明的有益效果是：
本发明将用户的目标与选课行为进行融合，从而提高用户选课行为预测结果的正确率与精度，实现了课程的智慧推荐和针对性推荐，让准备出国、准备考研或者准备工作的学生可以根据自己的目标来选择自己需要学习的课程，而不是盲目的选择。在本发明中，基于相似学生的实际目标，由系统自动收集数据。而许多推荐系统则依赖于学生的评分和表现。面向目标的推荐系统的优点是使用面向目标的方法来寻找相似的学生，而不需要预先定义。本发明能够有效减少服务过载，解决用户迷失方向。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本发明的流程图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
作为本发明的第一个实施例，
如图1所示，面向大学生群体的智慧课程推荐方法，包括：
步骤(1)：获取学生当前的选课行为数据、选课历史数据以及用户目标数据；
所述选课行为数据，包括：所有用户对课程的选择动作记录或者放弃动作记录；
选课历史数据，包括：每个学生已选的历史课程记录；
用户目标数据，包括：目标考研专业、目标出国领域或目标工作岗位；
步骤(2)：根据选课历史数据，搭建学生与课程之间的关系矩阵；
所述学生与课程之间的关系矩阵A'的元素的取值为0或1，其中，0表示学生没有选择某课程，1表示学生选择了某课程；矩阵的大小为m×n，其中m代表的学生数量，n代表课程的数量。
步骤(3)：根据学生当前的选课行为对步骤(2)已经搭建好的学生与课程之间的关系矩阵进行更新，得到更新后的学生与课程之间的关系矩阵；如果当前选中某课程，那么更新后的关系矩阵的元素置为1。
步骤(4)：每一种用户目标数据都对应一个预先设定的选课系数矩阵，预先设定的选课系数矩阵中每个元素的取值是预先设定的；建立推荐结果与当前选课行为的目标函数，将目标函数最小化，得到的推荐结果输出：
其中，aij表示学生i选择课程j的数据，
如果aij＝0表示学生i未选择课程j；
如果aij＝1表示学生i选择了课程j；
表示学生i选择课程j的推荐程度得分，越大表示越推荐学生i选择课程j；
wij表示课程推荐结果的相关系数，课程推荐结果的相关系数是预先根据用户目标数据设置的；
将公式(1)表示为公式(2)所示的矩阵形式：
其中,A表示更新后的学生与课程之间的关系矩阵，A的元素是aij；
表示推荐矩阵，的元素是
W表示预先设定的选课系数矩阵，是矩阵A的系数矩阵，W的元素是wij；
目标函数：
其中，||·||F表示Frobenius正则项,||||0表示0范数，数据项用于表示实际的课程推荐结果和学生当前选择的结果之间的差异，参数β2、λ2和μ均是设定值，用于平衡不同项间的权重，表示拉普拉斯矩阵。
进一步的，所述方法还包括：
步骤(5)：针对推荐数据，人工进行推荐结果的进行评价与优化。
本发明的第二个实施例提供了一种面向大学生群体的智慧课程推荐系统；
面向大学生群体的智慧课程推荐系统，包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述任一方法所述的步骤。
本发明的第三个实施例提供了计算机可读存储介质，其上运行有计算机指令，所述计算机指令被处理器运行时，完成上述任一方法所述的步骤。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.面向大学生群体的智慧课程推荐方法，其特征是，包括：
步骤(1)：获取学生当前的选课行为数据、选课历史数据以及用户目标数据；
步骤(2)：根据选课历史数据，搭建学生与课程之间的关系矩阵；
步骤(3)：根据学生当前的选课行为对步骤(2)已经搭建好的学生与课程之间的关系矩阵进行更新，得到更新后的学生与课程之间的关系矩阵；
步骤(4)：每一种用户目标数据都对应一个预先设定的选课系数矩阵，预先设定的选课系数矩阵中每个元素的取值是预先设定的；建立推荐结果与当前选课行为的目标函数，将目标函数最小化，得到的推荐结果输出。
2.如权利要求1所述的面向大学生群体的智慧课程推荐方法，其特征是，所述步骤(1)中，所述选课行为数据，包括：所有用户对课程的选择动作记录或者放弃动作记录；
选课历史数据，包括：每个学生已选的历史课程记录；
用户目标数据，包括：目标考研专业、目标出国领域或目标工作岗位。
3.如权利要求1所述的面向大学生群体的智慧课程推荐方法，其特征是，所述步骤(2)中，所述学生与课程之间的关系矩阵A'的元素的取值为0或1，其中，0表示学生没有选择某课程，1表示学生选择了某课程；矩阵的大小为m×n，其中m代表的学生数量，n代表课程的数量。
4.如权利要求1所述的面向大学生群体的智慧课程推荐方法，其特征是，所述步骤(3)中，如果当前选中某课程，那么更新后的关系矩阵的元素置为1。
5.如权利要求1所述的面向大学生群体的智慧课程推荐方法，其特征是，所述步骤(4)中，
其中，aij表示学生i选择课程j的数据，
如果aij＝0表示学生i未选择课程j；
如果aij＝1表示学生i选择了课程j；
表示学生i选择课程j的推荐程度得分，越大表示越推荐学生i选择课程j；
wij表示课程推荐结果的相关系数，课程推荐结果的相关系数是预先根据用户目标数据设置的；
将公式(1)表示为公式(2)所示的矩阵形式：
其中,A表示更新后的学生与课程之间的关系矩阵，A的元素是aij；
表示推荐矩阵，的元素是
W表示预先设定的选课系数矩阵，是矩阵A的系数矩阵，W的元素是wij；
目标函数：
其中，||·||F表示Frobenius正则项,|| ||0表示0范数，数据项用于表示实际的课程推荐结果和学生当前选择的结果之间的差异，参数β2、λ2和μ均是设定值，用于平衡不同项间的权重，▽A表示拉普拉斯矩阵。
6.如权利要求1所述的面向大学生群体的智慧课程推荐方法，其特征是，所述方法还包括：步骤(5)：针对推荐数据，人工进行推荐结果的进行评价与优化。
7.面向大学生群体的智慧课程推荐系统，其特征是，包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述权利要求1-6任一方法所述的步骤。
8.计算机可读存储介质，其特征是，其上运行有计算机指令，所述计算机指令被处理器运行时，完成上述权利要求1-6任一方法所述的步骤。
CN201810239365.8A 2018-03-22 2018-03-22 面向大学生群体的智慧课程推荐方法、系统及存储介质 Pending CN108345697A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810239365.8A CN108345697A (zh) 2018-03-22 2018-03-22 面向大学生群体的智慧课程推荐方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810239365.8A CN108345697A (zh) 2018-03-22 2018-03-22 面向大学生群体的智慧课程推荐方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN108345697A true CN108345697A (zh) 2018-07-31

Family

ID=62958228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810239365.8A Pending CN108345697A (zh) 2018-03-22 2018-03-22 面向大学生群体的智慧课程推荐方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN108345697A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109360458A (zh) * 2018-10-25 2019-02-19 重庆鲁班机器人技术研究院有限公司 趣味性辅助教学方法、装置及机器人
CN109409706A (zh) * 2018-10-11 2019-03-01 武汉微道云信息科技有限公司 选修课程推荐方法、设备、存储介质及装置
CN109657154A (zh) * 2018-12-28 2019-04-19 浙江省公众信息产业有限公司 基于情景的资源排序装置和资源排序方法
CN110929163A (zh) * 2019-12-09 2020-03-27 上海复深蓝软件股份有限公司 课程推荐方法、装置、计算机设备及存储介质
CN111328407A (zh) * 2018-10-16 2020-06-23 日益得有限公司 用于基于学习效率提供私人定制教育内容的机械学习方法、装置及计算机程序
CN111402098A (zh) * 2020-04-20 2020-07-10 深圳市博悦生活用品有限公司 基于儿童成长期的智慧早教方法、系统、设备、存储介质
CN113420261A (zh) * 2021-08-23 2021-09-21 平安科技（深圳）有限公司 基于归因分析的课程推荐方法、装置、设备及介质
CN116109456A (zh) * 2023-04-03 2023-05-12 成都大学 一种智慧教育综合评价方法、系统、电子设备及存储介质
CN116843526A (zh) * 2023-08-31 2023-10-03 湖南强智科技发展有限公司 一种提升学生选课概率的方法、系统、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8699939B2 (en) * 2008-12-19 2014-04-15 Xerox Corporation System and method for recommending educational resources
CN104680453A (zh) * 2015-02-28 2015-06-03 北京大学 基于学生属性的课程推荐方法及系统
CN106095973A (zh) * 2016-06-20 2016-11-09 东北大学 一种结合短时流量预测的旅游路线推荐方法
CN106157156A (zh) * 2016-07-29 2016-11-23 电子科技大学 一种基于用户社区的协作推荐系统
CN106484777A (zh) * 2016-09-12 2017-03-08 腾讯科技（深圳）有限公司 一种多媒体数据处理方法以及装置
CN107045533A (zh) * 2017-01-20 2017-08-15 广东技术师范学院天河学院 基于标签的教育资源推荐方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8699939B2 (en) * 2008-12-19 2014-04-15 Xerox Corporation System and method for recommending educational resources
CN104680453A (zh) * 2015-02-28 2015-06-03 北京大学 基于学生属性的课程推荐方法及系统
CN106095973A (zh) * 2016-06-20 2016-11-09 东北大学 一种结合短时流量预测的旅游路线推荐方法
CN106157156A (zh) * 2016-07-29 2016-11-23 电子科技大学 一种基于用户社区的协作推荐系统
CN106484777A (zh) * 2016-09-12 2017-03-08 腾讯科技（深圳）有限公司 一种多媒体数据处理方法以及装置
CN107045533A (zh) * 2017-01-20 2017-08-15 广东技术师范学院天河学院 基于标签的教育资源推荐方法及系统

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409706A (zh) * 2018-10-11 2019-03-01 武汉微道云信息科技有限公司 选修课程推荐方法、设备、存储介质及装置
CN111328407A (zh) * 2018-10-16 2020-06-23 日益得有限公司 用于基于学习效率提供私人定制教育内容的机械学习方法、装置及计算机程序
CN109360458A (zh) * 2018-10-25 2019-02-19 重庆鲁班机器人技术研究院有限公司 趣味性辅助教学方法、装置及机器人
CN109657154A (zh) * 2018-12-28 2019-04-19 浙江省公众信息产业有限公司 基于情景的资源排序装置和资源排序方法
CN110929163A (zh) * 2019-12-09 2020-03-27 上海复深蓝软件股份有限公司 课程推荐方法、装置、计算机设备及存储介质
CN111402098B (zh) * 2020-04-20 2023-02-28 深圳市火火兔智慧科技有限公司 基于儿童成长期的智慧早教方法、系统、设备、存储介质
CN111402098A (zh) * 2020-04-20 2020-07-10 深圳市博悦生活用品有限公司 基于儿童成长期的智慧早教方法、系统、设备、存储介质
CN113420261A (zh) * 2021-08-23 2021-09-21 平安科技（深圳）有限公司 基于归因分析的课程推荐方法、装置、设备及介质
CN113420261B (zh) * 2021-08-23 2021-11-09 平安科技（深圳）有限公司 基于归因分析的课程推荐方法、装置、设备及介质
CN116109456A (zh) * 2023-04-03 2023-05-12 成都大学 一种智慧教育综合评价方法、系统、电子设备及存储介质
CN116109456B (zh) * 2023-04-03 2023-07-28 成都大学 一种智慧教育综合评价方法、系统、电子设备及存储介质
CN116843526A (zh) * 2023-08-31 2023-10-03 湖南强智科技发展有限公司 一种提升学生选课概率的方法、系统、设备及存储介质
CN116843526B (zh) * 2023-08-31 2023-12-15 湖南强智科技发展有限公司 一种提升学生选课概率的方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
CN108345697A (zh) 面向大学生群体的智慧课程推荐方法、系统及存储介质
Mubarak et al. Confirming the links between socio-economic variables and digitalization worldwide: the unsettled debate on digital divide
CN103353872B (zh) 一种基于神经网络的教学资源个性化推荐方法
Johnston City and society: An outline for urban geography
Christodoulopoulos et al. A group formation tool in an e-learning context
Yu Prioritized information fusion method for triangular intuitionistic fuzzy set and its application to teaching quality evaluation
CN108647996A (zh) 一种基于Spark的个性化推荐方法及系统
CN106156333B (zh) 一种融合社会化信息的改进单类协同过滤方法
CN107563841A (zh) 一种基于用户评分分解的推荐系统
CN107045533B (zh) 基于标签的教育资源推荐方法及系统
San Cristóbal Mateo et al. Multi-attribute utility theory
CN108470075A (zh) 一种面向排序预测的社会化推荐方法
CN110032679A (zh) 一种基于层次注意力网络的动态新闻推荐的方法
KR20170027576A (ko) 연구 이력 매칭 기반의 연구자 추천 장치 및 방법
JP2018169986A (ja) 企業情報提供システムおよびプログラム
CN109670161A (zh) 商品相似度计算方法及装置、存储介质、电子设备
CN107895303A (zh) 一种基于ocean模型的个性化推荐的方法
CN106202377A (zh) 一种基于随机梯度下降的在线协同排序方法
CN110096652A (zh) 舆情风向标指数计算方法及装置、可读存储介质
CN113806630A (zh) 基于注意力的多视角特征融合跨域推荐方法及装置
CN110222838A (zh) 深度神经网络及其训练方法、装置、电子设备及存储介质
CN111709640A (zh) 一种针对教育场景的特征均衡智能分组方法
White et al. User-controlled mapping of significant literatures
CN106897388A (zh) 预测微博事件热度的方法及装置
Asgarnezhad et al. An Effective Algorithm to Improve Recommender Systems using Evolutionary Computation Algorithms and Neural Network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180731