史密斯2000)发生的限制。因此,许多研究都采用运行数据挖掘技术来缓解稀疏性问题。例如Romero(2009年)制定了具体的Web数据挖掘工具,在推荐引擎发现合适的规则。他们的目标是推荐给学生最适合的链接/网页,。其次,它需要知道许多用户配置文件,以制定针对给定用户准确的建议。因此,在一些电子学习环境学习者的数量很低,推荐结果不够准确。Р多种推荐方式混合克服这些策略的缺点,研究人员用于内容的混合推荐方法。结合几个建议STRAT-egies可以预期,以提供比单独任一策略更好的结果。Р至于在电子学习环境一些人实现了基于内容的过滤和协同过滤,以使一个课件选择模块个人美化版建议的组合。该算法与用户开始ü在课件管理系统的门户网站输入一些关键字。接下来,课件推荐模块的用户u k个课件与其他选择相同或类似的关键字相同的用户兴趣组内找到。 Garcia等。(2009)应用关联规则挖掘发现通过学生的使用数据中的IF-THEN推荐规则的形式有趣的信息,然后用于协同推荐系统共享和评分教师与同类分布在教育其他专家一起获得的推荐规则。Р作为适当的推荐技术必须根据pedagogiCal的原因来选择。这些教学的原因是从(2007年Drachsler等)终身学习的具体要求的。实施教学决定成推荐器系统的一个方法是使用各种推荐技术在一个段中议书的策略。从一个推荐技术改变为另一个的决定可以根据教学起见完成,从(2008 Drachsler等人)终身学习的特定需求的。本文采用基于学习者和材料的显性和隐性的属性推荐技术。Р第一种技术集成资源的多维属性,学习者的评级信息作为推荐依据。我们提出的框架可以同时使用该信息来学习者的自适应多偏好模型。根据该技术的特性,可以提高系统推荐的准确性和多样性。第二种技术集成有关学习者访问的材料的连续潜伏模式信息。利用这些信息和应用序列模式挖掘算法,帮助我们根据共同的学习序列筛选项目。
全文预览
