基于MLP改进型深度神经网络学习资源推荐算法

摘要：

针对在线学习过程中出现的知识过载及传统推荐算法中存在的数据稀疏和冷启动问题,提出了一种基于多层感知机(MLP)的改进型深度神经网络学习资源推荐算法.该算法利用多层感知机对非线性数据处理的优势,将学习者特征和学习资源特征进行向量相乘的预测方式转换为输入多层感知机的方式,改进了DN-CBR神经网络推荐模型.为验证模型的有效性,以爱课程在线学习平台数据为样本构建数据集,通过对比实验表明,在该数据集上,改进后模型相较于DN-CBR模型在归一化折损累积增益和命中率指标上分别提升了1.2％和3％,有效地提高了模型的推荐性能.

关键词：学习资源推荐、深度学习、卷积神经网络、word2vec、多层感知机

所属期刊栏目：37

分类号：TP183(自动化基础理论)

资助基金：中央高校教育教学改革专项资助项目300103190639,300103292405,300103292403,300103190605

在线出版日期：2020-10-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：2629-2633