基于领域学习多目标粒子群优化算法的个性化网络学习资源推荐方法

摘要

随着信息技术的深入发展，网络学习已经成为一种重要的学习方式，相比于传统学习方式，网络学习不受时间、地点的限制，能够及时满足学生随时学习的需要;网络学习资源是网络学习的基础，网络学习资源大量而丰富，能够满足学习者各种学习目标的需要。但是，网络学习者需要花费大量的时间检索所需要的网络学习资源，筛选资源的过程会使学生失去学习兴趣并出现学习超载问题;同时，已有的网络学习资源构建过程中没有考虑学习者的知识水平、认知能力和学习风格等因素，增加了学习者获得合适网络学习资源的难度。
　　为了解决以上问题，本文提出基于邻域学习多目标粒子群优化算法的个性化网络学习资源推荐方法(DNVMOPSO_RA)，我们的DNVMOPSO_RA方法对网络学习者和网络学习资源特征进行参数化表示，并将网络网络学习资源推荐过程建构为多目标推荐问题，利用邻域学习多目标粒子群优化算法(DNVMOPSO)进行优化。我们的DNVMOPSO_RA方法能够匹配学习者的个性化特征和网络学习资源的特征，从而为学习者推荐个性化的网络学习资源，提高学习者的学习效率。我们的DNVMOPSO算法通过邻域学习策略提高算法的收敛精度和多样性;邻域学习策略是将分解类多目标进化算法中的邻域策略引入多目标粒子群优化算法，从而使粒子可以学习更多邻居粒子。通过多目标测试函数的测试实验，实验结果表明DNVMOPSO算法在收敛性和多样性方面优于已有的多目标智能优化算法。通过网络学习资源推荐问题的测试，表明DNVMOPSO_RA方法在多目标个性化网络学习推荐问题中，具有明显优于基于其他多目标智能优化算法推荐方法的性能，说明DNVMOPSO算法适合解决多目标个性化网络学习资源推荐问题，同时，也表明了DNVMOPSO_RA方法的有效性和高效性。
　　本研究的主要创新工作包括:
　　(1)验证多目标个性化网络学习资源推荐问题中各个子问题之间的冲突性。从问题函数值的变化模式说明各个子问题目标之间的冲突性，从而证明将个性化网络学习资源推荐问题建构为多目标优化问题模型的合理性。
　　(2)对多目标粒子群优化算法进行改进，提出邻域学习策略。多目标粒子群优化算法在优化过程中粒子向历史和当前最优粒子学习，具有较好的收敛性能。分解类多目标进化算法采用邻域策略为个体找到距离较近的邻居，通过邻居之间的交叉变异获得实验向量，具有较好的多样性性。本文将分解类多目标进化算法的邻域策略引入多目标粒子群优化算法中，提出邻域学习多目标粒子群优化算法(DNVMOPSO)，在该算法中，粒子不仅能够向历史最优学习，同时利用邻域学习策略，粒子还能够向邻域内其它粒子学习，从而使算法具有良好的收敛性和多样性。
　　(3)本文将我们的DNVMOPSO算法应用于多目标个性化网络学习资源推荐问题，提出了DNVMOPSO_RA方法，通过将多种多目标智能优化算法引入个性化网络学习资源推荐问题，并与DNVMOPSO算法性能进行了对比。
　　(4)通过分解方法找出多目标智能优化算法Pareto最优解集中的最优个体。不同于单目智能优化算法能够发现一个全局最优个体，多目标智能优化算法优化结果是一组Pareto最优解，这些解之间不能直接比较优劣。分解方法能够将多目标优化问题分解为包含多个标量子问题的单目标优化问题，单目标函数值能够表现多目标优化问题个体解之间的大小关系，本文通过分解方法找出多目标智能优化算法的最优个体，并通过比较算法最优个体的单目标函数值优劣，表现算法性能。

目录

声明

摘要

1 绪论

1．1 研究背景

1．2 研究问题的提出

1．3 研究意义

1．4 本章小结

2 国内外相关研究综述

2．1 基于传统方法的个性化网络学习资源推荐方法

2．2 基于智能优化算法的个性化网络学习资源推荐方法

2．3 本章小结

3 本文提出的DNVMOPSO_RA方法

3．1 网络学习资源和学习者特征参数化表示

3．2 个性化网络学习资源推荐问题模型

3．3 多目标个性化网络学习资源推荐问题合理性验证

3．4 DNVMOPSO算法

3．5 DNVMOPSO_RA方法框架

3．6 本章小结

4 实验与分析

4．1 基准测试函数测试算法性能

4．2 实际个性化网络学习资源推荐问题测试DNVMOPO_RA方法的有效性

4．3 多组个性化网络学习资源推荐问题测试DNVMOPSO_RA方法的高效性

4．4 本章小结

5 总结与展望

5．1 研究结论

5．2 创新点与难点

5．3 未来工作

5．4 结束语

参考文献

致谢

攻读学位期间发表的学术论文目录