利用LSTM网络和课程关联分类的推荐模型

摘要：

在线学习课程数量庞大,存在明显的信息过载问题,个性化智能推荐是解决这一问题的有效方式.根据学习者所学习的课程往往具有时间序列性这一特点,提出了基于LSTM网络的在线课程推荐模型.从大量学习者所学习的课程序列中提取学习行为特点,进而预测学习者将要学习的课程.该算法是基于课程之间的时序性而提出的,因此按照课程之间关系的紧密程度将课程分类后推荐的准确率更高.由于在线课程不断更新,人工维护课程分类的工作量较大,同时分类也不够科学,利用GSP算法和谱聚类算法,挖掘出课程间隐藏的时序联系,提出了更合理的课程自动分类方法.实验结果证明,与传统的协同过滤算法以及基于RNN的课程推荐算法相比,该算法推荐准确度更高.

关键词：智能推荐、课程序列、深度学习、长短时记忆(LSTM)网络、数据挖掘

所属期刊栏目：13

分类号：TP301(计算技术、计算机技术)

在线出版日期：2019-09-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1380-1389