CN114254199A - 基于二分图投影和node2vec的课程推荐方法 - Google Patents

基于二分图投影和node2vec的课程推荐方法 Download PDF

Info

Publication number
CN114254199A
CN114254199A CN202111578447.3A CN202111578447A CN114254199A CN 114254199 A CN114254199 A CN 114254199A CN 202111578447 A CN202111578447 A CN 202111578447A CN 114254199 A CN114254199 A CN 114254199A
Authority
CN
China
Prior art keywords
course
student
bipartite graph
training
edge
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
CN202111578447.3A
Other languages
English (en)
Inventor
徐晓滨
旷琳岚
冯静
侯平智
李勇
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.)
Hangzhou Yanshi Technology Co ltd
Hangzhou Dianzi University
Original Assignee
Hangzhou Yanshi Technology Co ltd
Hangzhou Dianzi University
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 Hangzhou Yanshi Technology Co ltd, Hangzhou Dianzi University filed Critical Hangzhou Yanshi Technology Co ltd
Priority to CN202111578447.3A priority Critical patent/CN114254199A/zh
Publication of CN114254199A publication Critical patent/CN114254199A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于二分图投影和node2vec的课程推荐方法。本发明首先获取来自在线教育学生选课数据，并且对该数据进行编码，并用二分图来描述选课信息，通过实际链接情况划分训练集和测试集。获取和课程相关的加权投影矩阵。接着调用node2vec算法模型生成和课程，学生节点有关的最佳网络节点特征表示，通过已经求得的学生节点和课程节点的特征向量，获取链接特征向量，并根据已知的学生‑课程二分图的链接设置标签。并通过逻辑回归模型进行训练和预测，得到较高的推荐准确率。

Description

基于二分图投影和node2vec的课程推荐方法
技术领域
本发明属于推荐技术领域，涉及一种基于二分图投影和node2vec的课程推荐方法。
背景技术
随着大数据、人工智能、智能硬件等先进科学工具的发展，作为信息技术与教育结合的产物，在线教学已经成为未来教育的一种发展趋势，受到越来越多的关注。相比于传统教育，在线教育具有不拘于时间和空间的限制，知识学习的持续性强等优点。但是，不同学生由于个体差异，学习兴趣差异，培养方向差异等对学习资源的需求有所不同。在庞大的在线教育学习资源下，使用统一的学习资源，在一定程度上降低了学生学习的效率。因此，为学生提供个性化课程推荐，有助于学生开展高效学习。
课程推荐是一种利用现有的数据信息，学习出学生和课程的特点，并对学生进行课程建议的过程。其核心思想就是通过学生和课程之间的交互信息来挖掘出学生的学习偏好。目前，使用的较多的推荐方法包括基于内容的推荐方法和基于协同过滤的推荐方法等。
基于内容的推荐方法依靠学生本身的特点提取特征，根据学生的历史选择课程，推荐给学生与其兴趣偏好相似的课程。具体来说，首先提取学生特征，其次根据学生已选择或者是未选择的课程的特征数据，来得出学生的喜好特征，最后根据相似度计算为学生生成课程推荐列表。该方法依赖学生历史课程的选择，无法挖掘出学生潜在的兴趣，同样它也无法为新的学生进行推荐。此外，该方法中，准确提取学生特征也比较难实现。
基于协同过滤的推荐方法通过搜索目标学生的最近邻，通过评分矩阵计算学生之间的相似度，从而实现对目标学生的课程推荐。其中，常用的计算相似度的方法包括基于余弦相似度的方法，基于欧式距离的方法，基于皮尔逊相关系数的方法等。该类方法在数据的特征属性比较完整的情况下能够比较准确的计算出相似度。然而，随着在线学习资源中学生和课程的数目的急剧增加，数据的稀疏性极大增加，使得该类推荐方法的效果有所下降。
在真实数据中，特征内容的缺失和不足，数据的稀疏度问题不可避免。将学生和课程建模成二分图，在学生和课程内容信息的基础上，扩充了结构化信息。其次，训练node2vec算法模型，能够更好的学习学生和课程的特征，从而进行精准的课程推荐。
发明内容
本发明针对现有技术的不足，提出了一种基于二分图投影和node2vec的课程推荐方法。
本发明包括以下各步骤：
步骤1：学生-课程二分图构建
(1)获取数据集：在在线教育学生选课数据中提取学生和课程以及学生选课的相关信息；
(2)构建二分图：将学生信息作为一类节点，课程信息作为一类节点，选课信息作为链接关系，构建学生-课程二分图B(V1,V2,E)。
步骤2：数据集划分
(1)建立学生-课程测试二分图：在学生-课程二分图中移除已存在链接的n％条链接作为测试样本中的positive-edge，并将剩余链接构成的二分图作为学生-课程测试二分图。
(2)建立学生-课程测试样本：在学生-课程二分图的所有空白链接中，抽出与为建立测试二分图而移除的positive-edge相同数目的空白链接作为negative-edge，并将positive-edge和negative-edge共同组成的样本作为测试样本。
(3)建立学生-课程训练二分图：在学生-课程测试二分图中移除已存在链接的n％条链接作为测试样本中的positive-edge，并将剩余链接构成的二分图作为学生-课程训练二分图。
(4)建立学生-课程训练样本：在学生-课程测试二分图的所有空白链接中，抽出与为建立训练二分图而移除的positive-edge相同数目的空白链接作为negative-edge，并将positive-edge和negative-edge共同组成的样本作为训练样本。
步骤3：学生-课程二分图加权投影
(1)提取学生加权投影图：以学生V1作为节点，在学生-课程二分图B'(V1,V2,E)中提取学生节点间的共同选课关系，构建学生加权投影图G1(V1,E1,W1)，其权重W1表示在学生节点之间共同选课的数量。
(2)提取课程加权投影图：以课程节点V2作为节点，在学生-课程二分图B'(V1,V2,E)中提取课程节点间的关系，构建课程加权投影图G2(V2,E2,W2)，其权重W2表示同时选择两门课程的学生的数量。
步骤4：基于node2vec的学生与课程的节点特征表示
(1)基于二阶随机游走的节点近邻序列获取：
a.设定超参数p控制重复访问刚刚访问过的节点的概率，超参数q控制游走的方向；
b.计算随机游走经过某一条边(t,x)的偏执算子αpq(t,x)：
Figure BDA0003426171230000031
其中dtx为节点t，x间的最短距离；
c.计算随机游走经过某一条边(t,x)到达节点v的转移概率πvx＝αpq(t,x)·wvx，其中wvx为边(v,x)的权重；
d.计算给定当前节点v，访问下一个顶点x的概率为：
Figure BDA0003426171230000032
其中，Z为归一化常数；
e.根据上述的概率生成随机游走序列。
(2)采用skip-gram模型学习随机游走序列的向量表示：
a.对随机游走序列进行one-hot编码作为模型的输入层；
b.one-hot向量与权重矩阵相乘构建隐藏层；
c.采用SoftMax构建输出层；
d.采用随机梯度下降法对模型进行训练。
(3)学生节点向量表示f(V1)和课程节点向量表示f(V2)获取：对学生加权投影图G1(V1,E1,W1)和课程加权投影图G2(V2,E2,W2)分别进行随机游走序列生成和skip-gram模型训练，学习学生节点向量表示f(V1)和课程节点向量表示f(V2)。
步骤5：学生-课程链接特征提取
(1)计算学生-课程链接的向量表示：基于学生节点和课程节点的向量表示，根据f(V1,V2)＝f(V1)*f(V2)求取学生-课程链接的向量表示；
(2)设置学生-课程链接的向量表示的标签属性：学生-课程二分图B'(V1,V2,E)中边对应的向量表示标签属性为1，否则为0。
步骤6：基于逻辑回归的二分类模型训练以及评估
(1)逻辑回归二分类模型构建与训练：
a.根据学生-课程训练样本中的链接特征和与其对应的标签属性构建逻辑回归模型。
b.构造损失函数，并通过优化参数，获取最小的损失函数。最后通过logistic回归进行分类。
(2)学生-课程链接预测模型评估：将步骤二所建立的学生-课程训练样本和学生-课程测试样本分别作为训练集和测试集。将训练集输入逻辑回归进行模型训练.在然后将测试集输入到训练好的模型中，从而获取测试样本的标签，最后通过预测准确率对预测的效果进行评估。
本发明的有益效果：本发明将原始的学生选课数据先进行编号预处理，根据学生和课程类别不同的特点，构建学生-课程二分图，在学生和课程内容信息的基础上，扩充了结构化信息。紧接着分别计算出和课程节点、学生节点相关的投影矩阵。通过node2vec算法，能提取出最佳网络节点特征。根据网络节点特征，提取学生-课程链接特征。最后通过训练逻辑回归模型，实现对学生课程推荐的准确率的评估，并且能获得较好的效果。
附图说明
图1.本发明的流程图；
图2.学生-课程加权投影图构建；
图3.基于node2vec算法的学生，课程特征节点提取图；
图4.学生-课程链接特征提取图。
具体实施方式
下面结合附图对本发明进行进一步的说明。
根据图1所示的流程图，并结合实际数据处理与模型构建，详细的介绍该方法的每一个步骤。
步骤1：学生-课程数据二分图构建
(1)获取数据集：在线教育学生选课数据中提取学生和课程以及学生选课的相关信息；
(2)构建二分图：将学生信息作为一类节点，课程信息作为一类节点，选课信息作为链接关系，构建学生-课程二分图B(V1,V2,E)，二分图由7118条学生选课信息，1001个学生节点，613个课程节点组成。
步骤2：数据集划分
(1)建立学生-课程测试二分图：在学生-课程二分图中移除已存在链接的10％条链接作为测试样本中的positive-edge，并将剩余链接构成的二分图作为学生-课程测试二分图。
(2)建立学生-课程测试样本：在学生-课程二分图的所有空白链接中，抽出与为建立测试二分图而移除的positive-edge相同数目的空白链接作为negative-edge，并将positive-edge和negative-edge共同组成的样本作为测试样本，用于测试模型。
(3)建立学生-课程训练二分图：在学生-课程测试二分图中移除已存在链接的10％条链接作为测试样本中的positive-edge，并将剩余链接构成的二分图作为学生-课程训练二分图。
(4)建立学生-课程训练样本：在学生-课程测试二分图的所有空白链接中，抽出与为建立训练二分图而移除的positive-edge相同数目的空白链接作为negative-edge，并将positive-edge和negative-edge共同组成的样本作为训练样本，于之后的监督学习，训练模型。
步骤3：学生-课程二分图加权投影
(1)提取学生加权投影图：如图2所示，以学生V1作为节点，在学生-课程二分图B'(V1,V2,E)中提取学生节点间的共同选课关系，构建学生加权投影图G1(V1,E1,W1)，其权重W1表示在学生节点之间共同选课的数量。
(2)提取课程加权投影图：如图2所示，以课程节点V2作为节点，在学生-课程二分图B'(V1,V2,E)中提取课程节点间的关系，构建课程加权投影图G2(V2,E2,W2)，其权重W2表示同时选择两门课程的学生的数量。
步骤4：基于node2vec对课程与学生的特征提取
(1)基于二阶随机游走的节点近邻序列获取：
a.设定超参数p控制重复访问刚刚访问过的节点的概率，超参数q控制游走的方向，在本实施例中，设定p值为0.5，q值为2.0；
b.计算随机游走经过某一条边(t,x)的偏执算子αpq(t,x)：
Figure BDA0003426171230000061
其中dtx为节点t，x间的最短距离；
c.计算随机游走经过某一条边(t,x)到达节点v的转移概率πvx＝αpq(t,x)·wvx，其中wvx为边(v,x)的权重；
d.计算给定当前节点v，访问下一个顶点x的概率为：
Figure BDA0003426171230000062
其中，Z为归一化常数；
e.根据上述的概率生成随机游走序列。
(2)基于二阶随机游走的节点近邻序列获取：
a.对随机游走序列进行one-hot编码作为模型的输入层；
b.One-hot向量与权重矩阵相乘构建隐藏层；
c.采用SoftMax构建输出层；
d.采用随机梯度下降法对模型进行训练。
(3)学生节点向量表示f(V1)和课程节点向量表示f(V2)获取：如图3所示，对学生加权投影图G1(V1,E1,W1)和课程加权投影图G2(V2,E2,W2)分别进行随机游走序列生成和skip-gram模型训练，将训练模型的特征向量维度设置为32；window-size为5；参数控制训练的并行worker为2；迭代次数设置为3。学习学生节点向量表示f(V1)和课程节点向量表示f(V2)。通过这一步，一共获得了1001个32维的学生特征向量，613个32维的课程特征向量。
步骤5：学生-课程链接特征提取
(1)计算学生-课程链接的向量表示：基于学生节点和课程节点的向量表示，根据f(V1,V2)＝f(V1)*f(V2)求取学生-课程链接的向量表示；
(2)设置学生-课程链接的向量表示的标签属性：学生-课程二分图B'(V1,V2,E)中边对应的向量表示标签属性为1，否则为0。
步骤6：基于逻辑回归的二分器模型的训练以及评估
(1)逻辑回归训练过程：
a.如图4所示，根据学生-课程训练样本中的链接特征和与其对应的标签属性构建逻辑回归模型。
b.构造损失函数，选择拟牛顿法作为优化方法，通过利用损失函数二阶导数矩阵即海森矩阵来迭代优化损失函数。最后通过logistic回归进行分类。
(2)学生-课程链接预测模型评估：在本实施例中，选择了640条positive-edge和640条negative-edge作为学生-课程训练集样本对逻辑回归模型进行训练。将学生-课程测试样本作为测试集，将测试集输入已训练好的模型中，并计算预测的准确率，其中ytest测试集的标签值，ypre经过为经过逻辑回归训练后的预测值。同时比较通过随机森林，SVM，Preferential attachment等这方法对学生-课程数据的预测准确率。
Figure BDA0003426171230000071
表1在不同方法下的课程推荐准确率
Figure BDA0003426171230000072
Figure BDA0003426171230000081

Claims (6)

1.基于二分图投影和node2vec的课程推荐方法，其特征在于包括：
步骤1：学生-课程二分图构建；
步骤2：数据集划分
步骤3：学生-课程二分图加权投影；
步骤4：基于node2vec的学生与课程的节点特征表示；
步骤5：学生-课程链接特征提取；
步骤6：基于逻辑回归的二分器模型的训练以及评估；
步骤1包括：
1-1、在在线教育学生选课数据中提取学生和课程以及学生选课的相关信息；
1-2、将学生信息作为一类节点，课程信息作为一类节点，选课信息作为链接关系，构建学生-课程二分图；
步骤2包括：
2-1、建立学生-课程测试二分图；
2-2、建立学生-课程测试样本；
2-3、建立学生-课程训练二分图；
2-4、建立学生-课程训练样本；
步骤3包括：
3-1、提取学生节点中的共同选课关系，构建学生加权投影图，权重为共同选课的数量；
3-2、提取课程节点中的共同选课关系，构建课程加权投影图，权重同时选择两门课程的学生的数量；
步骤4包括：
4-1、获取基于二阶随机游走的节点邻接序列；
4-2、采用skip-gram模型学习随机游走序列的向量表示；
4-3、获取课程节点向量表示，获取学生节点向量表示；
步骤5具体包括：
5-1、计算学生-课程链接的向量表示；
5-2、设置学生-课程链接的向量表示的标签属性，学生-课程二分图中边对应的向量表示标签属性为1，否则为0；
步骤6具体包括：
6-1、逻辑回归二分类模型构建与训练；
6-2、将训练集输入逻辑回归模型进行训练，训练完毕后，通过acc对测试集的结果进行评估。
2.根据权利要求1所述的基于二分图投影和node2vec的课程推荐方法，其特征在于：所述的建立学生-课程测试二分图具体是：在学生-课程二分图中移除已存在链接的n％条链接作为测试样本中的positive-edge，并将剩余链接构成的二分图作为学生-课程测试二分图。
3.根据权利要求2所述的基于二分图投影和node2vec的课程推荐方法，其特征在于：所述的建立学生-课程测试样本具体是：在学生-课程二分图的所有空白链接中，抽出与为建立测试二分图而移除的positive-edge相同数目的空白链接作为negative-edge，并将positive-edge和negative-edge共同组成的样本作为测试样本。
4.根据权利要求1所述的基于二分图投影和node2vec的课程推荐方法，其特征在于：所述的建立学生-课程训练二分图具体是：在学生-课程测试二分图中移除已存在链接的n％条链接作为测试样本中的positive-edge，并将剩余链接构成的二分图作为学生-课程训练二分图。
5.根据权利要求4所述的基于二分图投影和node2vec的课程推荐方法，其特征在于：所述的建立学生-课程训练样本具体是：在学生-课程测试二分图的所有空白链接中，抽出与为建立训练二分图而移除的positive-edge相同数目的空白链接作为negative-edge，并将positive-edge和negative-edge共同组成的样本作为训练样本。
6.根据权利要求1所述的基于二分图投影和node2vec的课程推荐方法，其特征在于：步骤6-1具体是：
a.根据学生-课程训练样本中的链接特征和与其对应的标签属性构建逻辑回归模型；
b.构造损失函数，并通过优化参数，获取最小的损失函数，最后通过logistic回归进行分类。
CN202111578447.3A 2021-12-22 2021-12-22 基于二分图投影和node2vec的课程推荐方法 Pending CN114254199A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111578447.3A CN114254199A (zh) 2021-12-22 2021-12-22 基于二分图投影和node2vec的课程推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111578447.3A CN114254199A (zh) 2021-12-22 2021-12-22 基于二分图投影和node2vec的课程推荐方法

Publications (1)

Publication Number Publication Date
CN114254199A true CN114254199A (zh) 2022-03-29

Family

ID=80796618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111578447.3A Pending CN114254199A (zh) 2021-12-22 2021-12-22 基于二分图投影和node2vec的课程推荐方法

Country Status (1)

Country Link
CN (1) CN114254199A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115423546A (zh) * 2022-07-25 2022-12-02 华中师范大学 一种基于多图神经网络的课程推荐方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115423546A (zh) * 2022-07-25 2022-12-02 华中师范大学 一种基于多图神经网络的课程推荐方法

Similar Documents

Publication Publication Date Title
CN110597735B (zh) 一种面向开源软件缺陷特征深度学习的软件缺陷预测方法
CN111881342A (zh) 一种基于图孪生网络的推荐方法
CN112132014B (zh) 基于非督导金字塔相似性学习的目标重识别方法及系统
Ahmed et al. Clarify of the random forest algorithm in an educational field
CN107562812A (zh) 一种基于特定模态语义空间建模的跨模态相似性学习方法
CN113344053B (zh) 一种基于试题异构图表征与学习者嵌入的知识追踪方法
CN112308115B (zh) 一种多标签图像深度学习分类方法及设备
CN110737805B (zh) 图模型数据的处理方法、装置和终端设备
Wu MOOC learning behavior analysis and teaching intelligent decision support method based on improved decision tree C4. 5 algorithm
CN111553166A (zh) 基于场景认知计算的在线学习者动态模型预测方法
CN115687760A (zh) 一种基于图神经网络的用户学习兴趣标签预测方法
CN109947923A (zh) 一种基于词向量的初等数学题型自动提取方法及系统
CN114329181A (zh) 一种题目推荐方法、装置及电子设备
CN116361697A (zh) 一种基于异构图神经网络模型的学习者学习状态预测方法
CN113742586B (zh) 一种基于知识图谱嵌入的学习资源推荐方法及系统
CN114897085A (zh) 一种基于封闭子图链路预测的聚类方法及计算机设备
CN114254199A (zh) 基于二分图投影和node2vec的课程推荐方法
CN113783715A (zh) 一种采用因果卷积神经网络的机会网络拓扑预测方法
CN113095466A (zh) 基于元学习模型的可满足性模理论求解器的算法
Kavipriya et al. Adaptive weight deep convolutional neural network (AWDCNN) classifier for predicting student’s performance in job placement process
CN113010687A (zh) 一种习题标签预测方法、装置、存储介质以及计算机设备
CN112200474A (zh) 教学质量评价方法、终端设备及计算机可读存储介质
Chetoui et al. Course recommendation model based on Knowledge Graph Embedding
CN114117251B (zh) 一种智慧文博下融合多因素的矩阵分解个性化推荐方法
Bannet Tumuhimbise et al. Advanced Prediction of a student in a university using Machine Learning techniques

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