CN109508429A - 基于教育平台大数据分析的个性化自适应学习推荐方法 - Google Patents
基于教育平台大数据分析的个性化自适应学习推荐方法 Download PDFInfo
- Publication number
- CN109508429A CN109508429A CN201910092878.5A CN201910092878A CN109508429A CN 109508429 A CN109508429 A CN 109508429A CN 201910092878 A CN201910092878 A CN 201910092878A CN 109508429 A CN109508429 A CN 109508429A
- Authority
- CN
- China
- Prior art keywords
- learner
- learning
- value
- content
- state value
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 15
- 238000007405 data analysis Methods 0.000 title claims abstract description 9
- 230000035945 sensitivity Effects 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000007418 data mining Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000035508 accumulation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于教育平台大数据分析的个性化自适应学习推荐方法，对教育平台中每个学习者的历史学习记录数据进行了科学合理的分析，将学习者的学习状态以及对学习内容变化的敏感程度共同作为学习者的性格特征，并两者综合聚类之后作为学习推荐策略的建立基础，更加充分、全面地反映了学习者的个性特征对学习效果的影响，能够更精确地为每个学习者提供相应的学习内容，以提高学习者的学习效率。
Description
技术领域
本发明属于数据分析及个性化推荐技术领域，具体涉及一种基于教育平台大数据分析的个性化自适应学习推荐方法的设计。
背景技术
伴随着网络技术日新月异的发展，数据正在数以万计的累积发展，大数据时代已经到来。数据挖掘与推荐系统的应用逐渐向教育领域发展，因此基于远程网络的个性化学习及教育平台应运而生。如今在个性化学习领域研究中面临的一个重要问题是：如何解决传统教学过程对时间和空间地域依赖的限制，从而去建立一个个性化、自主化的学习环境，学习者能够通过个性化学习系统为其推荐具有针对性的知识教育服务。同时这种个性化的学习推荐模式还应当符合现代教育以人为本的理念，因此应当根据学习者的不同需求为其提供相应的学习内容和个性化的学习策略。
构建个性化学习推荐系统的根本在于自动获取学习者个性特征和与之对应的学习行为模式的关联，而通过使用数据挖掘技术可以挖掘出这一关联规则。因此，就如何利用数据挖掘技术对积累的大量在线学习行为数据进行分析，并挖掘学习者的个性特征与学习效率的关系，已经成为新的研究重点。
近年来在线数据挖掘工作广泛展开，但是关于学习者的在线学习个性化推荐的研究工作仍不够充分。目前的学习效果评估方法都是进行简单等级划分，应用更精确的大数据分析预测的方法较少，没有充分考虑到学习者的个性特征(例如学习效率、学习能力、对学习内容变化的敏感程度等)对学习效果的影响。
发明内容
本发明的目的是为了解决现有的在线学习个性化推荐方法没有充分考虑到学习者的个性特征对学习效果的影响的问题，提出了一种基于教育平台大数据分析的个性化自适应学习推荐方法。
本发明的技术方案为：基于教育平台大数据分析的个性化自适应学习推荐方法，包括以下步骤：
S1、获取教育平台中每个学习者的历史学习记录数据，并根据历史学习记录数据计算每个学习者的学习效率值。
S2、定期对每个学习者进行学习内容测试，并获取每个学习者的测试分数。
S3、对每个学习者的学习效率值和测试分数进行加权拟合，得到每个学习者的综合学习状态值。
S4、根据每个学习者的历史学习记录数据获取其对学习内容变化的敏感程度值。
S5、对每个学习者的综合学习状态值和敏感程度值进行归一化处理。
S6、对归一化处理后所有学习者的综合学习状态值和敏感程度值进行聚类。
S7、根据聚类结果在数据库中建立类别到学习内容的指针，得到每一类学习者的推荐策略库。
S8、根据每一类推荐策略库为该类学习者进行个性化学习内容的推荐。
进一步地，步骤S1中学习效率值的计算公式为：
其中η表示学习者的学习效率值，Φ表示学习者完成的有效学习内容，即配合鼠标键盘操作且没有快进操作完成的学习内容，T表示学习者在教育平台的登录时间。
进一步地，步骤S3中综合学习状态值的计算公式为：
X＝α·η+β·s (2)
其中X表示学习者的综合学习状态值，α,β均为权重，且α+β＝1，s为学习者的测试分数。
进一步地，步骤S4中对学习内容变化的敏感程度值的计算公式为：
其中Sx表示学习者对学习内容变化的敏感程度值，f表示总的学习内容，Δf表示学习内容变化量，x表示学习者改变学习内容的频数，Δx表示频数变化量。
进一步地，步骤S5中归一化处理的公式为：
其中Xi表示第i个学习者的综合学习状态值，i＝1,2，...,N，N为教育平台中的学习者总数，max X,min X分别表示最大综合学习状态值和最小综合学习状态值，X′i表示归一化后第i个学习者的综合学习状态值；Sxi表示第i个学习者对学习内容变化的敏感程度值，max Sx,min Sx分别表示最大敏感程度值和最小敏感程度值，Sx′i表示归一化后第i个学习者对学习内容变化的敏感程度值。
进一步地，步骤S6包括以下分步骤：
S61、以归一化处理后的综合学习状态值X′为横坐标，以归一化处理后的敏感程度值Sx′为纵坐标，建立二维直角坐标系。
S62、根据归一化处理后每个学习者的具体综合学习状态值和敏感程度值，将其映射到二维直角坐标系中，得到学习者的散点图。
S63、根据散点图的分布情况，选择K个点作为初始质心。
S64、将每个代表学习者的点指派到最近的质心，形成K个簇。
S65、重新计算每个簇的质心位置。
S66、判断质心位置是否发生改变，若是则返回步骤S64，否则将每个簇中的学习者作为一类学习者，完成聚类操作并进入步骤S7。
进一步地，步骤S8具体为：针对每个学习者，提取其所属类别的推荐策略库中的学习内容，筛选去除其历史学习记录数据中已经完成的学习内容，将剩余学习内容向该学习者进行推荐。
本发明的有益效果是：
(1)本发明综合考虑学习者的学习效率和学习成绩，加权拟合得到学习者的综合学习状态值，能够更加客观且全面地表征每一个学习者的学习状态。
(2)本发明能够有效识别学习者在学习内容发生变化时做出的反应，能够有效评估学习者对学习内容变化的敏感程度。
(3)本发明对教育平台中每个学习者的历史学习记录数据进行了科学合理的分析，将学习者的学习状态以及对学习内容变化的敏感程度共同作为学习者的性格特征，并两者综合聚类之后作为学习推荐策略的建立基础，更加充分、全面地反映了学习者的个性特征对学习效果的影响，能够更精确地为每个学习者提供相应的学习内容，以提高学习者的学习效率。
附图说明
图1所示为本发明实施例提供的基于教育平台大数据分析的个性化自适应学习推荐方法流程图。
图2所示为本发明实施例提供的K-Means聚类方法流程图。
图3所示为本发明实施例提供的K-Means聚类结果示意图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。
本发明实施例提供了一种基于教育平台大数据分析的个性化自适应学习推荐方法，如图1所示，包括以下步骤S1～S8：
S1、获取教育平台中每个学习者的历史学习记录数据，并根据历史学习记录数据计算每个学习者的学习效率值。
学习效率值的计算公式为：
其中η表示学习者的学习效率值，Φ表示学习者完成的有效学习内容，即配合鼠标键盘操作且没有快进操作完成的学习内容，T表示学习者在教育平台的登录时间。
本发明实施例中，有效学习内容Φ的具体取值用学习内容的文件大小进行表征。
S2、定期对每个学习者进行学习内容测试，并获取每个学习者的测试分数。
S3、对每个学习者的学习效率值和测试分数进行加权拟合，得到每个学习者的综合学习状态值。
综合学习状态值的计算公式为：
X＝α·η+β·s (2)
其中X表示学习者的综合学习状态值，α,β均为权重，且α+β＝1，s为学习者的测试分数。
本发明实施例中，将学习效率值η等同于学习者的平时成绩，将测试分数s等同于学习者的期末考核成绩，在国内外的高校中，在统计学生的总体评价分数时，一般平时成绩和期末成绩按照3:7或2:8来设置，因此在计算学习者的综合学习状态值时为更加客观公正，本发明实施例中将α设置为0.3，β设置为0.7。
S4、根据每个学习者的历史学习记录数据获取其对学习内容变化的敏感程度值。
本发明实施例中，为有效识别学习者在学习内容发生变化时做出的反应，采用弹性系数的思想来计算学习者对学习内容变化的敏感程度值，计算公式为：
其中Sx表示学习者对学习内容变化的敏感程度值，f表示总的学习内容，Δf表示学习内容变化量，x表示学习者改变学习内容的频数，Δx表示频数变化量。
S5、对每个学习者的综合学习状态值和敏感程度值进行归一化处理。
由于综合学习状态值和敏感程度值具有不同的量纲，需要对其进行归一化处理后在进行综合评价，本发明实施例中采用最大-最小标准化的方法进行归一化处理，具体公式为：
其中Xi表示第i个学习者的综合学习状态值，i＝1,2，...,N，N为教育平台中的学习者总数，max X,min X分别表示最大综合学习状态值和最小综合学习状态值，X′i表示归一化后第i个学习者的综合学习状态值；Sxi表示第i个学习者对学习内容变化的敏感程度值，max Sx,min Sx分别表示最大敏感程度值和最小敏感程度值，Sx′i表示归一化后第i个学习者对学习内容变化的敏感程度值。
S6、对归一化处理后所有学习者的综合学习状态值和敏感程度值进行聚类。
本发明实时例中，采用K-Means聚类方法对归一化处理后所有学习者的综合学习状态值和敏感程度值进行聚类。如图2所示，步骤S6包括以下分步骤：
S61、以归一化处理后的综合学习状态值X′为横坐标，以归一化处理后的敏感程度值Sx′为纵坐标，建立二维直角坐标系。
S62、根据归一化处理后每个学习者的具体综合学习状态值和敏感程度值，将其映射到二维直角坐标系中，得到学习者的散点图。
S63、根据散点图的分布情况，选择K个点作为初始质心。K的具体取值通过先验知识得到，本发明实施例中K＝3。
S64、将每个代表学习者的点指派到最近的质心，形成K个簇。
S65、重新计算每个簇的质心位置。
S66、判断质心位置是否发生改变，若是则返回步骤S64，否则将每个簇中的学习者作为一类学习者，完成聚类操作并进入步骤S7。
本发明实施例中，最终聚合得到3类学习者，如图3所示。
S7、根据聚类结果在数据库中建立类别到学习内容的指针，得到每一类学习者的推荐策略库。
本发明实施例中，在构建某一类学习者的推荐策略库时，需要在数据库中把该类别通过指针指向该类学习者完成的所有学习内容。
S8、根据每一类推荐策略库为该类学习者进行个性化学习内容的推荐，具体推荐方法为：针对每个学习者，提取其所属类别的推荐策略库中的学习内容，筛选去除其历史学习记录数据中已经完成的学习内容，将剩余学习内容向该学习者进行推荐。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.基于教育平台大数据分析的个性化自适应学习推荐方法，其特征在于，包括以下步骤：
S1、获取教育平台中每个学习者的历史学习记录数据，并根据历史学习记录数据计算每个学习者的学习效率值；
S2、定期对每个学习者进行学习内容测试，并获取每个学习者的测试分数；
S3、对每个学习者的学习效率值和测试分数进行加权拟合，得到每个学习者的综合学习状态值；
S4、根据每个学习者的历史学习记录数据获取其对学习内容变化的敏感程度值；
S5、对每个学习者的综合学习状态值和敏感程度值进行归一化处理；
S6、对归一化处理后所有学习者的综合学习状态值和敏感程度值进行聚类；
S7、根据聚类结果在数据库中建立类别到学习内容的指针，得到每一类学习者的推荐策略库；
S8、根据每一类推荐策略库为该类学习者进行个性化学习内容的推荐。
2.根据权利要求1所述的个性化自适应学习推荐方法，其特征在于，所述步骤S1中学习效率值的计算公式为：
其中η表示学习者的学习效率值，Φ表示学习者完成的有效学习内容，即配合鼠标键盘操作且没有快进操作完成的学习内容，T表示学习者在教育平台的登录时间。
3.根据权利要求2所述的个性化自适应学习推荐方法，其特征在于，所述步骤S3中综合学习状态值的计算公式为：
X＝α·η+β·s (2)
其中X表示学习者的综合学习状态值，α,β均为权重，且α+β＝1，s为学习者的测试分数。
4.根据权利要求3所述的个性化自适应学习推荐方法，其特征在于，所述步骤S4中对学习内容变化的敏感程度值的计算公式为：
其中Sx表示学习者对学习内容变化的敏感程度值，f表示总的学习内容，Δf表示学习内容变化量，x表示学习者改变学习内容的频数，Δx表示频数变化量。
5.根据权利要求4所述的个性化自适应学习推荐方法，其特征在于，所述步骤S5中归一化处理的公式为：
其中Xi表示第i个学习者的综合学习状态值，i＝1,2，...,N，N为教育平台中的学习者总数，maxX,minX分别表示最大综合学习状态值和最小综合学习状态值，Xi′表示归一化后第i个学习者的综合学习状态值；Sxi表示第i个学习者对学习内容变化的敏感程度值，maxSx,minSx分别表示最大敏感程度值和最小敏感程度值，Sxi′表示归一化后第i个学习者对学习内容变化的敏感程度值。
6.根据权利要求5所述的个性化自适应学习推荐方法，其特征在于，所述步骤S6包括以下分步骤：
S61、以归一化处理后的综合学习状态值X′为横坐标，以归一化处理后的敏感程度值Sx′为纵坐标，建立二维直角坐标系；
S62、根据归一化处理后每个学习者的具体综合学习状态值和敏感程度值，将其映射到二维直角坐标系中，得到学习者的散点图；
S63、根据散点图的分布情况，选择K个点作为初始质心；
S64、将每个代表学习者的点指派到最近的质心，形成K个簇；
S65、重新计算每个簇的质心位置；
S66、判断质心位置是否发生改变，若是则返回步骤S64，否则将每个簇中的学习者作为一类学习者，完成聚类操作并进入步骤S7。
7.根据权利要求1所述的个性化自适应学习推荐方法，其特征在于，所述步骤S8具体为：针对每个学习者，提取其所属类别的推荐策略库中的学习内容，筛选去除其历史学习记录数据中已经完成的学习内容，将剩余学习内容向该学习者进行推荐。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910092878.5A CN109508429B (zh) | 2019-01-30 | 2019-01-30 | 基于教育平台大数据分析的个性化自适应学习推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910092878.5A CN109508429B (zh) | 2019-01-30 | 2019-01-30 | 基于教育平台大数据分析的个性化自适应学习推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109508429A true CN109508429A (zh) | 2019-03-22 |
| CN109508429B CN109508429B (zh) | 2021-06-15 |
Family
ID=65758277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910092878.5A Active CN109508429B (zh) | 2019-01-30 | 2019-01-30 | 基于教育平台大数据分析的个性化自适应学习推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109508429B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110162713A (zh) * | 2019-05-31 | 2019-08-23 | 成都鼎晟数智科技有限公司 | 基于卷积神经网络的自适应学习内容推荐方法及系统 |
| CN110413891A (zh) * | 2019-07-29 | 2019-11-05 | 湖北金百汇文化传播股份有限公司 | 一种基于网络化的个性化学习平台 |
| CN110688409A (zh) * | 2019-09-19 | 2020-01-14 | 北京作业盒子科技有限公司 | 学习状态的挖掘方法、推荐方法及电子设备 |
| CN111221915A (zh) * | 2019-04-18 | 2020-06-02 | 江苏大学 | 基于CWK-means的在线学习资源质量分析方法 |
| CN111368182A (zh) * | 2020-02-17 | 2020-07-03 | 浙江创课网络科技有限公司 | 基于教育平台大数据分析的个性化自适应学习推荐方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886054A (zh) * | 2014-03-13 | 2014-06-25 | 中国科学院自动化研究所 | 一种网络教学资源的个性化推荐系统和推荐方法 |
| CN104484454A (zh) * | 2014-12-27 | 2015-04-01 | 西安交通大学 | 一种面向知识地图的网络学习行为与效能分析方法 |
| US20160098404A1 (en) * | 2014-10-01 | 2016-04-07 | Tal Rubenczyk | System and method for enhancing exploration of data items |
| CN108573628A (zh) * | 2018-04-23 | 2018-09-25 | 中山大学 | 基于学习轨迹的学习能力评估与扩展知识点集推荐的方法 |
| CN109213863A (zh) * | 2018-08-21 | 2019-01-15 | 北京航空航天大学 | 一种基于学习风格的自适应推荐方法及系统 |
-
2019
- 2019-01-30 CN CN201910092878.5A patent/CN109508429B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886054A (zh) * | 2014-03-13 | 2014-06-25 | 中国科学院自动化研究所 | 一种网络教学资源的个性化推荐系统和推荐方法 |
| US20160098404A1 (en) * | 2014-10-01 | 2016-04-07 | Tal Rubenczyk | System and method for enhancing exploration of data items |
| CN104484454A (zh) * | 2014-12-27 | 2015-04-01 | 西安交通大学 | 一种面向知识地图的网络学习行为与效能分析方法 |
| CN108573628A (zh) * | 2018-04-23 | 2018-09-25 | 中山大学 | 基于学习轨迹的学习能力评估与扩展知识点集推荐的方法 |
| CN109213863A (zh) * | 2018-08-21 | 2019-01-15 | 北京航空航天大学 | 一种基于学习风格的自适应推荐方法及系统 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111221915A (zh) * | 2019-04-18 | 2020-06-02 | 江苏大学 | 基于CWK-means的在线学习资源质量分析方法 |
| CN111221915B (zh) * | 2019-04-18 | 2024-01-09 | 西安睿德培欣教育科技有限公司 | 基于CWK-means的在线学习资源质量分析方法 |
| CN110162713A (zh) * | 2019-05-31 | 2019-08-23 | 成都鼎晟数智科技有限公司 | 基于卷积神经网络的自适应学习内容推荐方法及系统 |
| CN110413891A (zh) * | 2019-07-29 | 2019-11-05 | 湖北金百汇文化传播股份有限公司 | 一种基于网络化的个性化学习平台 |
| CN110688409A (zh) * | 2019-09-19 | 2020-01-14 | 北京作业盒子科技有限公司 | 学习状态的挖掘方法、推荐方法及电子设备 |
| CN111368182A (zh) * | 2020-02-17 | 2020-07-03 | 浙江创课网络科技有限公司 | 基于教育平台大数据分析的个性化自适应学习推荐方法 |
| CN111368182B (zh) * | 2020-02-17 | 2023-07-04 | 河北仓澜教育科技集团有限公司 | 基于教育平台大数据分析的个性化自适应学习推荐方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109508429B (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508429A (zh) | 基于教育平台大数据分析的个性化自适应学习推荐方法 | |
| He et al. | Mining transition rules of cellular automata for simulating urban expansion by using the deep learning techniques | |
| Fotheringham et al. | Local forms of spatial analysis | |
| Zheng et al. | Understanding the tourist mobility using GPS: How similar are the tourists? | |
| Prudêncio et al. | Meta-learning approaches to selecting time series models | |
| CN105183870B (zh) | 一种利用微博位置信息的城市功能区探测方法及系统 | |
| CN101893704B (zh) | 一种基于粗糙集的雷达辐射源信号识别方法 | |
| CN106650763A (zh) | 一种电力缴费渠道分析的指标选择、权值优化与渠道规划的计算方法 | |
| Verma et al. | Fuzzy association rule mining based model to predict students’ performance | |
| Bununu | Integration of Markov chain analysis and similarity-weighted instance-based machine learning algorithm (SimWeight) to simulate urban expansion | |
| Li et al. | Knowledge transfer and adaptation for land-use simulation with a logistic cellular automaton | |
| Zou et al. | A novel network security algorithm based on improved support vector machine from smart city perspective | |
| Peng | Research on online learning behavior analysis model in big data environment | |
| Chiu et al. | Missing Value Imputation Designs and Methods of Nature-Inspired Metaheuristic Techniques: A Systematic Review | |
| CN107016416A (zh) | 基于邻域粗糙集和pca融合的数据分类预测方法 | |
| CN108241625A (zh) | 预测学生成绩变化趋势的方法及系统 | |
| Sun et al. | Intelligent oil well identification modelling based on deep learning and neural network | |
| Asghari et al. | Spatial rainfall prediction using optimal features selection approaches | |
| CN108364098A (zh) | 一种天气特征对用户签到影响的度量方法 | |
| Aji et al. | An implementation of C4. 5 classification algorithm to analyze student’s performance | |
| Wang | Analysis and prediction of CET4 scores based on data mining algorithm | |
| Inyang et al. | Visual association analytics approach to predictive modelling of students’ academic performance | |
| CN116701974A (zh) | 气候变化下的降水多要素时空变化分析及归因识别方法 | |
| Ramadiani et al. | Evaluation of student academic performance using e-learning with the association rules method and the importance of performance analysis | |
| CN115860396A (zh) | 一种基于土地储备分析模型的智能规划方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |