機器學習與學資源適配

第1部分緒論
第1章研究背景與意義
1.1 相關政策
1.1.1 國內政策
1.1.2 國外政策
1.2 國內外研究現狀
1.2.1 階段描述
1.2.2 國內應用現狀
1.2.3 經典學習資源適配算法進展
1.2.4 學習資源適配中深度學習技術的發展
1.3 學習資源適配的挑戰
1.4 學習系統中的學習資源適配
1.4.1 國內應用現狀
1.4.2 國外應用現狀
1.5 本書內容與結構安排
參考文獻
第2章相關理論基礎
2.1 概念界定
2.2 學習資源適配的數學基礎
2.2.1 概率知識
2.2.2 矩陣分解
2.3 學習資源適配中的教育學理論
2.4 學習資源適配評價標準
2.4.1 評分預測指標
2.4.2 Top-K推薦指標
2.4.3 CTR推薦指標
參考文獻
第2部分關鍵技術
第3章認知診斷模型
3.1 基礎知識
3.1.1 知識追蹤的任務定義
3.1.2 知識追蹤數據集介紹
3.1.3 傳統的知識追蹤模型
3.2 引入流行模型的知識追蹤模型
3.2.1 深度知識追蹤
3.2.2 基於圖神經網絡的知識追蹤
3.2.3 融入Transformer模型的知識追蹤
3.3 融入學習過程因素的知識追蹤模型
3.3.1 納入學習者能力因素的知識追蹤
3.3.2 融入題目文本信息及其知識點的知識追蹤
3.3.3 融合認知診斷的學習資源適配技術
3.4 研究趨勢和展望
3.4.1 研究趨勢
3.4.2 展望
參考文獻
第4章基於評分記錄的學習資源適配
4.1 基礎知識
4.1.1 評分的性質
4.1.2 隱含因子先驗估計模型
4.1.3 基於深度學習的推薦模型
4.2 基於CNN的內容推薦模型
4.2.1 基於內容的推薦框架
4.2.2 CNN
4.2.3 隱含因子模型
4.2.4 實驗分析
4.3 基於隱含反饋嵌入的深度矩陣分解推薦模型
4.3.1 研究內容
4.3.2 模型框架
4.3.3 模型優化
4.3.4 實驗及結果分析
4.4 研究趨勢
參考文獻
第5章基於評論信息的個性化學習資源適配
5.1 基礎知識
5.1.1 評論信息的來源
5.1.2 評論信息的關係
5.1.3 評論信息的特點
5.2 基於評論表示學習和歷史評分行為的置信度感知推薦模型
5.2.1 研究內容
5.2.2 模型框架
5.2.3 模型優化和超參數
5.2.4 實驗分析
5.3 基於評論特徵表示學習的高效深度矩陣分解模型
5.3.1 研究內容
5.3.2 模型框架
5.3.3 模型優化和超參數
5.3.4 實驗分析
5.4 研究趨勢
參考文獻
第6章融入社交關係感知網絡的學習資源適配
6.1 基礎知識
6.1.1 社交關係表徵
6.1.2 圖捲積神經網絡
6.1.3 基於社交關係的推薦
6.2 基於學習者多視角的社交推薦模型
6.2.1 研究內容
6.2.2 模型框架
6.2.3 實驗分析
6.3 融合圖捲積的複雜社交關係推薦模型
6.3.1 研究內容
6.3.2 模型框架
6.3.3 實驗分析
6.4 .研究趨勢
參考文獻
第7章知識圖譜與學習資源適配
7.1 基於多尺度動態捲積的知識圖譜嵌入模型
7.1.1 背景
7.1.2 M-DCN模型
7.1.3 實驗分析
7.2 基於異質圖神經網絡的少樣本知識圖譜推理模型
7.2.1 背景
7.2.2 IERCN模型
7.2.3 實驗分析
7.3 基於異質圖神經網絡的知識圖譜交互學習推理模型
7.3.1 背景
7.3.2 HRAN模型
7.3.3 實驗分析
7.4 基於知識圖譜的學習資源適配模型
7.5 研究趨勢
參考文獻
第3部分應用與展望
第8章學習資源適配系統的開發與實現
8.1 國家教育資源公共服務平臺
8.2 教育雲平臺介紹
8.2.1 多並發學習資源
8.2.2 跨格式學習資源
8.2.3 學習資源聚合
8.2.4 學習資源適配
8.3 平臺應用
第9章總結、展望與應用
9.1 總結
9.2 展望
9.3 應用
9.3.1 基於多模態推薦的個性化學習路徑制定
9.3.2 融入認知診斷的學習目標規劃
9.3.3 基於推薦算法的教育乾預措施
9.3.4 個性化學習資源適配
後記