英语口语学习推荐（通用14篇）
篇1：英语口语学习推荐
记忆单词
我要模考网词汇练习：http:///Users/Use...&type=languages 特点：在线词汇练习，不枯燥，效率高，在答案页面上还可以听单词发音。建议：在“各类语言”页面中搜索标签“记忆练习”，然后选一组词汇，反复练习，直到做到全对为止。对于发音没把握的单词，在对答案时要记得查听一下该单词的发音。每天花十分钟左右，放松心情，把练习当作游戏来做可能效率会更高。
注意：如果你发现答案有问题一定要查朗文或牛津字典，阅读英文解释和例句。
考试吧http:///
普特英语：http:///index3.php（里面的资源非常丰富。如果听VOA听力，一定要听VOA Special English, 不要听VOA Standard English—这个较难）。
大耳朵英语http:///
北京周报http://.cn/ 这个比较难了，政治性，文化性较强，可阅读欣赏一下。
恒星英语学习网http:///
旺旺英语学习网http:///
海辞在线翻译http://dict.cn/ 在网上查单词比较好的网站，有例句。查单词最终还是要以朗文和牛津词典为准。
有道在线词典（百度上可以查到）
推荐电影：
阿甘正传；肖申克的救赎；黑暗中的舞者；辛德勒的名单；冰河世纪；花木兰；第六感生死缘（Meet Joe Black）；死亡诗社（Dead Poets Society）；暮光之城；音乐之声；上帝也疯狂； 蝴蝶梦（Rebecca）；费城故事；云中漫步；这个杀手不太冷；七宗罪；达芬奇密码（这部电影中有一些法语，建议看中英字幕，上面两部对于了解西方宗教文化有益处）。
篇2：英语口语学习推荐
常有同学问：学英语有什么诀窍？说老实话，要想掌握一种语言，在缺乏必要的语言环境的条件下，学习英语其实并没有什么妙招或者捷径。全在同学们的兴趣与勤奋，同时也要要把握好英语学习的方法。
一、培养学习英语的兴趣“兴趣是最好的老师”，兴趣是学习英语的巨大动力，有了兴趣，学习就会事半功倍。我们都有这样的经验：喜欢的事，就容易坚持下去；不喜欢的事，是很难坚持下去的。而兴趣不是与生俱来的，需要培养。开始时多参加一些英语方面的活动，比如，唱英文歌、做英语游戏、读英语幽默短文、练习口头对话等。时间长了，懂得多了，就有了兴趣，当然，学习起来就有了强烈的动力。
二、要有正确的学习态度
1、要勤学苦练。外语是一种交际工具。学习外语是学到熟练地使用这个工具的本领。掌握工具的主要途径是练。学外语的过程其实是一种练功夫的过程。语言知识应该了解，但不下苦功在听、说、读、写上练习，仅靠死记硬背一些孤立的单词、一些语法条条，是很难掌握英语这一交际工具的。就像学游泳、学钢琴一样，对其理论掌握再好，不通过反复训练是永远也学不会的。著名英语大师许国璋先生曾经说过：“学外语，要眼尖、耳明、嘴勤、手快。只要多读、多记、多讲、多写，自有水到渠成之日。”
2、要把学英语当作一个体力活，要尽可能多地去接触英语材料，不管是听的、读的、写的和说的，接触的多了，实践的多了，英语水平自然也会不断提高。
3、学英语要有积极的态度。如果你认为英语是个负担，它就是个负担！如果你认为英语有趣又刺激，你就会更经常地练习，进步得更快！
篇3：基于机器学习的推荐系统
相比过去, 数据存储不再是难题, 但随着海量数据的产生, 产生了大量数据的资源无法得到合理的利用。随着科技的发展, 人们逐渐把目光转向了数据挖掘这个领域。各种数据挖掘技术被利用到现实生活中。机器学习技术在其中起了很大的作用, 其中比较广为所知的就是Alpha Go与李世石的“世纪之战”, 被誉为人机大战, 最终以Alpha Go胜利告终, 再一次向人们展示了机器学习的强大。在很多人眼里机器学习是个非常抽象的概念, 本文将对其在推荐系统领域做一定的解析。
2 机器学习的过程
何为机器学习?通俗来说机器学习就是让机器跟人一样学习并总结“经验”。当然机器不能跟人一样去经历各种事情积累“经验”。而是通过已有的数据让机器去分析, 总结其中的规律, 并总结形成一套模型, 应用到实际生活中去。
2.1 获取数据
机器学习的第一步就是获取数据, 没有数据的机器学习都是空谈。数据的获取相对于后面的步骤较为容易, 因为数据无处不在。超市里有消费者的购买记录, 行车记录仪上有车辆的行驶记录, 电影院有影迷的观看记录等, 这些数据信息是我们开始机器学习的前提。
2.2 清洗数据
我们获取的数据是无规则的, 其中有很多对我们没有利用价值的冗余数据, 还有可能会有影响到我们分析结果的错误信息。我们在进行具体的分析之前需要对这些信息进行预处理, 以免会影响到分析结果的准确率。数据的预处理主要分为三个方面:距离度量、抽样、降维。
在协同过滤推荐系统中使用的KNN分类 (k-Nearest Neighbor) 主要取决于距离度量方法。比较常用的距离度量方法有欧几里得距离、皮尔逊相关系数、Jaccard系数 (针对二进制属性) 等。抽样是数据挖掘从大数据集中选择相关数据子集的主要技术, 其在最终的解释步骤也起了很重要的作用, 最常采用的抽样方法是无取代抽样, 当物品被选择时, 物品被从整体中取走, 但执行取代抽样也是允许的, 也就是说物品即使被选择也无需从整体中去除。通常训练集和测试集比例为80/20。最后降维是为了去除一些非常稀疏且对结果集影响不大的点, 降低维度, 避免维度灾难, 降低运算难度。
2.3 分析数据与建立模型
在整个机器学习的过程中, 难度最大最为核心的就是分析数据。分析数据的方法有很多种, 每一种在不同的实际应用有其不同的作用, 要具体情况具体分析。这里将介绍几种在推荐系统中较为常用的数据分析方法:
最近邻算法 (KNN) :KNN通过存储训练记录并使用它们来预测未知样本的标签类别。这种分类器会存储所有的训练集, 只有当新纪录与训练集完全匹配时才进行分类。相对于其它机器学习算法, KNN是最简单的, 因为KNN无需建立一个显示的模型, 被称为是一个懒学习者。尽管KNN方法简单直观, 但它的结果准确, 非常易于提升。
k-means算法:k-means算法是一个分块聚类算法, 把获取的n个对象数据分割成k个不相关子集 (k<n) 。它与处理混合正态分布的最大期望算法很相似, 因为它们都是试图找到数据中自然聚类的中心。它假设对象属性来自于空间向量, 并且目标是使各个群组内部的均方误差总和最小。k-means算法一开始会随机选择k个中心点, 所有物品都会被分配到它们最靠近的中心节点的类中。当物品新添加或者移除时, 新聚类的中心节点需要更新, 聚类的成员关系也需要更新, 这样不断迭代, 直到没有物品改变它们的聚类成员关系。最终的聚类对初始的中心点异常敏感, 还可能存在空聚类。
人工神经网络 (ANN) :人工神经网络算法模拟生物网络, 由一组内连接点和带权链组成, 是一类模式匹配算法。通常用于解决分类和回归问题。ANN是机器学习的一个庞大的分支, 有数百种不同的算法, 深度学习就是其重要的组成部分之一。ANN最主要的优点就是能处理非线性的分类任务, 通过并行处理, 使得其能够在部分网络受损的情况下操作。但ANN很难对给定的问题提供理想的网络拓扑。当拓扑确定后, 其表现水平就会位于分类错误率的下线。
贝叶斯分类器:贝叶斯分类器是基于概率定义和贝叶斯定理的一类算法, 贝叶斯统计学派使用概率来代表从数据中学习到的关系的不确定性。其把每一个属性和类标签当作随机变量。给定一个带有N个属性的记录 (A1, A2, A3, ..., AN) , 目标是预测类Ck, 方法是在给定数据P (Ck|A1, A2, ..., AN) 下, 找到能够最大化该类后验概率的Ck的值。常见贝叶斯分类器算法有朴素贝叶斯算法、平均单依赖估计 (AODE) 以及贝叶斯网络 (BBN) 等。
2.4 测试模型
整个机器学习的最后一步就是测试模型, 检测模型的准确率。这是衡量一个算法的优劣的重要步骤。测试的数据集可以从测试中随机选取或者从提前预留的测试集中获取。
3 机器学习在推荐系统领域存在的挑战
机器学习在推荐系统中同样有很广泛的应用, 其中较为广泛的是采用三种方式:基于商品的推荐算法、基于用户的推荐算法以及混合推荐算法。在很多大型互联网网站比如Amazon、淘宝、京东等, 都投入了很大的精力在推荐系统这一领域上, 希望用户能够更加快速的找到自己想要的商品。
尽管机器学习在推荐系统领域的发展潜力很大, 但也不得不面临一些问题。其中一个很棘手的问题就是随着时间的推移, 用户的兴趣爱好也可能跟着变化, 而我们获取的仅仅是用户过去的购买记录。当用户有了新的兴趣后, 短时间很难去捕获到。这只是其中一个方面, 对机器学习算法的研究还有很长的路要走, 但我相信, 随着科技的进步, 这些都不是问题。
摘要：在这个数据信息无处不在的时代, 如何对这些数据进行获取并进行相应的分析成了众多人的研究的课题。本文针对这一现状, 对机器学习相关的推荐系统做了一些简单的概述。通过对机器学习在推荐系统上用的一些技术和思想进行解析, 让更多的人了解什么是大数据, 什么是机器学习。最为重要的一点是让大家了解机器学习对我们的日常所产生的深远影响。
关键词：机器学习,推荐系统,大数据,数据挖掘
参考文献
[1]王志梅, 杨帆.基于Hebbian一致性学习的P2P推荐算法[J].计算机研究与应用, 2006, 42 (36) :110-113.
[2]吴颜, 沈洁, 顾天竺等.协同过滤推荐系统中数据稀疏问题的解决[J].计算机应用研究, 2007, 24 (06) :94-97.
[3]Peter Harrington.Machine Learning in Action[M].北京:人民邮电出版社, 2015.
[4]陈刚, 刘发升.基于BP神经网络的数据挖掘方法[J].计算机与现代化, 2006 (10) .
篇4：学习中国古典家具推荐书目
中国古典家具收藏，目前主要是指明清两代的珍贵材质的家具，也包括民国时期的红木与柚木家具。为使收藏者更好更准确地把握中国古典家具的知识，本人推荐以下书目，以供参考。
1、《明式家具珍赏》，王世襄著，1985年9月香港出版。这是中国古典家具的第一部大型图书，共收录明式家具162件，分文字论述、彩色图版与图版解说三部分。该书兼备了学术性与艺术性，应为家具收藏者必备之书。
2、《清代家具》，田家青著，1995年11月三联书店（香港）出版。这是第一部关于清代家具的学术专著，共收录140余件清代家具，每件附有说明。该书图文并茂，使读者对清代家具的真实面貌能有一个较为完整的了解。
3、《清代广式家具》，蔡易安编著，1993年3月香港八龙书屋出版。这是介绍和研究清代广式家具的第一本著作，分“综述”与“图样”两部分，尤为珍贵的是收录了清末《广东五常酸枝傢私》图样画册。该书为研究清代广式家具的必读之书。
4、《明清苏式家具》，濮安国著，1999年8月浙江摄影出版社出版。这是第一部系统阐述明清苏式家具的专著，分文字与图片两部分。文字较为详尽，分时代背景、品种和形制、用材和工艺、风格及其演变四个部分。全书图文并茂，史料与知识性俱强，对研究苏式家具具有重要的意义。
5、《中国厅堂》，陈从周著，1998年9月上海画报出版社第三版。这是一部介绍江南地区古代厅堂的图录型专著。在介绍江南12处古园林与6座古第宅风貌的同时，也展示了这些著名厅堂里面陈设的明清家具，内容较为广泛，且大都是历史陈设原貌，对收藏者学习与了解古典家具，极具必要性。上述书目均为大型图书。
6、《中国古代家具》，胡德生著，1992年6月上海文化出版社出版。这是第一部阐述中国古代家具发展的普及读物，全书介绍床榻、几案、茵席、箱柜、屏风、架子、椅凳、高足桌案等门类的发展史，对古代家具收藏爱好者起到较好的领引作用。
7、《中国历代家具图录大全》，阮长江编著，1992年7月江苏美术出版社出版。这是第一本全面系统地介绍中国古代家具造型艺术的实用工具性图书，合计收集中国古代历朝家具造型资料线描图956幅，并标明确切的资料实物出处。该书对了解与掌握中国家具发展及演变史，有着极大的帮助。
8、《明清家具》，彭玉清主编，2003年3月中国鉴赏出版社出版。该书属图录点评类读物，分床榻、椅凳、桌案、屏风、柜格箱架五大类，收录370余件明清时期的珍贵家具，每件家具都有特征与特色点评，并配注尺寸，对提高收藏者的鉴赏能力很有启发作用。
9、《民国家具的鉴赏与收藏》，姜维群著，2004年8月百花文艺出版社出版。这是一本反映与研究民国时期家具收藏的读物。该书从民国家具的溯源、特征、区域、分类、流通方面，给予了介绍，是帮助收藏者了解与收藏民国家具的参考之书。
篇5：英语学习网站推荐
6.CET四六级复习全攻略
edunet.com
http:///elt/
主题：是一个全方位的学英语作为第二语言的网站
功能：聊天室，语法讲解，练习，小测试，成语讲解
特色：特别深入地介绍了语法，听力，沟通技巧等
对象：esl教师和学英语人士
《世界日报》北美版-生活美语
主题：针对英文基础较好的学习人士和教师的网站
功能：阅读，游戏。语法讲解，讨论等
特色：深入讲解了时态用法，每周有新课程推出，旧课程可以在存档中找到
对象：esl教师和学英语人士
the english zone
主题：非商业性英文学习网站
功能：语法讲解，练习，小成语讲解，英文笑话，阅读和写作
对象：学英语人士
esl flow
主题：内容组织得很好的英文网站
功能：语法讲解，口语，英语对话，阅读和课程安排
特色：用流程图的方式讲解英语语法概念
对象：esl教师和学英语人士
esl house
主题：为中国朋友所熟知的朗曼英语教学方法
功能：测试，专题文章，链接，小窍门
对象：esl教师和学英语人士
parlo-language, culture, life
在线简明牛津百科全书。英文。人名词典，可通过名字、关键词或时间查询28，000位世界著名人物的简要介绍。英文。
地名大词典。英文。
英文伊斯兰教百科全书。
翻译者家庭助手。英文。
免费网上翻译服务
免费网上翻译服务
5、语法、阅读、教学、写作
提高英语听力的方法。
英文公共演讲练习资源。赛博风：在网络中听英语(excellent)
chinadaily--language tips
天天英语
篇6：英语学习推荐：英语外教课
我接触到很多爸妈都有报网上外教报课的需求，同时也目睹了很多报班后又退班，或者折价转让等遗憾状况，所以在此把我的经验和心得和大家分享一下，供爸妈们参考。我尝试用项目分析常用的5W1H法来说明。
我们先来看最简单的3W。
W
hat——什么是网上外教课?
不说了自己去百度。
W
here：在哪儿上网上外教课?
Anywhere!想在哪儿上就在哪儿上，只要有网就行，就这么任性——这可以说是网上外教课的最大优势之一。如果报线下外教课，至少得一个家长陪吧，送到培训地点，孩子进去上课，家长在外面傻等，下课再接孩子回家，一个下午泡汤了。
但是我们知道，英语课不像奥数、乐器、书法等其他兴趣班，一周上一次课就可以了。学英语课时不一定长，但频率必须要高!一周一次两小时课的效果，不如一周四次、每次半小时。这样看来，网上外教课的优势就非常凸显了。
W
ho：外教老师是谁?
想找哪个国家的外教老师上都可以!还是那么任性。关键是，爸妈都希望自己的孩子说一口标准、地道、流利的英语口语。在语音语调上，哪怕是菲律宾外教，也要比中教好。练口语要找外教，学语法要找中教。
再来看剩下的2W1H，这三个是需要好好考虑一下的。
W
hy：为啥上网上外教课?
为啥给孩子报网上外教课?当然是全面提高孩子英语水平啦，孩子英语就全交给外教老师了!如果你的想法只是停留在这个层面，那就图样图森破了。
我们都知道学英语有“听说读写”四门功课，那么你希望外教课帮你全面提高这四方面的能力吗?显然，“写”的能力是外教课力所不能及的，你一定看出来了。那么，“听说读”三项能力都能通过外教课全面提高吗?
篇7：英语学习_推荐英语读物_必备
乱我心者，今日之日多烦忧
阅读：英语学习中高级阶段之重
一、英语学习的中高级阶段：阅读量的大小决定成绩 读可以促说促写：说不好写不来之根源 ― 无话可说或言之无物、有话不会说。
Alexander: The most efficient way to improve your speaking and writing in English is to read more and recite more, because when we are speaking or writing, we are, more often than not, consciously or unconsciously repeating what we have heard or read before. 阅读方法：尽量不查生词；快速浏览，以培养象读《重庆晚报》那样的英语阅读习惯；随手摘录Nice Expressions & Inspiring Ideas。
二、推荐读物
1.21st Century
2.Jack Canfield & Mark Victor Hansen: Chicken Soup for the Soul
3.British Literature
Kingsley Amis: Lucky Jim
Jane Austen: Pride and Prejudice
Lewis Carroll: Alice’s Adventures in Wonderland
D.H.Lawrence: Sons and Lovers
George Orwell: Nineteen Eighty-four
4.American Literature
Theodore Dreiser: Sister Carrie
Margaret Mitchell: Gone with the Wind
J.D.Salinger: The Catcher in the Rye
John Steinbeck: The Grapes of Wrath
Mark Twain: The Adventures of Huckleberry Finn
（注：文学经典名著改编的英文电影（52部）本院在线视频资源）
5.Chinese Culture
Gu Hongming(辜鸿铭): The Spirit of the Chinese People
Lin Yutang(林语堂): My Country and My People
三、极力推荐阅读网站
1.经典英语文学作品在线：
2.Inspirational Stories：
3.英语学习、应试资料大全：((沪江英语)(普特英语)（好听力）(我爱E-书)(译心译意)(20051001)
附1：治学、人生三境界
王国维提出治学有三种境界，完全可以看作“人生奋斗的三种境界”，即：
1、“独上高楼，望尽天涯路”（晏殊《蝶恋花》）
2、“衣带渐宽终不悔，为伊消得人憔悴”（柳永的《凤梧桐》）
3、“众里寻他千百度，蓦然回首，那人却在灯火阑珊处。”（辛弃疾《青玉案》）
附2：四等人者，君何在？
《论语•季氏》有云：“生而知之者，上也。学而知之者，次也。困而学之，又其次也。困而不学，民斯为下矣。”
篇8：英语口语学习推荐
学习者模型建模的关键主要是要解决以下三个问题:首先, 需要确定学习者模型主要描述学习者的哪些特征信息以便为系统提供最可靠的推荐依据;其次需要考虑这些学习者特征信息如何获取和采集;第三, 对采集到的信息如何处理才能准确表征出学习者的特征, 以此为基础为学习者提供个性化的服务。本文将就学习者模型建模的这几个关键问题展开讨论。
1 学习者模型框架
学习者模型是系统建立的对学习者特征的描述, 其主要功能是对学习者的基本信息、学习风格、学习活动过程中的学习行为、学习路径、学习的绩效表现等信息进行记录、存储、提取, 以帮助系统更好地理解学习者在学习过程中的个性化需求, 从而为学习者提供个性化的学习服务。CELTS-11学习者信息模型规范将学习者特征信息分为个人信息、学业信息、管理信息、关系信息、安全信息、偏好信息、绩效信息和作品集信息八类, 但这八类信息对学习者特征信息的描述在粒度上较为粗糙, 需要在此基础上做进一步的拓展。结合网络学习中学习者的个体差异, 全面考虑学习过程中影响学习的学习者因素——包括智力因素和非智力因素, 我们在CELTS-11的基础上对学习者特征信息进行扩展、归类合并, 构建出网络学习个性化推荐系统学习者模型框架图 (如图1所示) 。网络学习个性化推荐系统学习者模型框架图由5种学习者特征信息组成, 这5种学习者特征信息包含为学习者基本信息、偏好信息、学习目标、认知状态和知识水平。
2学习者特征信息的采集
根据学习者特征信息在学习者模型中是否会随学习活动的开展而变化更新, 我们将学习者特征信息分为静态信息和动态信息两类。静态信息主要指那些在学习活动过程中保持不变的信息, 如学习者基本信息、偏好信息等, 而动态信息则是那些会随学习活动的开展而变化更新的信息, 如学习目标、认知状态、知识水平信息等。通过对学习者模型研究文献的梳理, 我们发现, 学习者特征信息的获取与采集方式主要包括两种方式, 显性采集方式和隐性采集方式。显性采集方式是指系统在学习者知晓的情况下采集由学习者直接提供的信息的过程, 隐性采集方式是指系统在学习者不知晓的情况下通过对学习过程中学习行为的监控而获取信息的过程。
2.1 学习者特征信息的显性采集法
学习者特征信息的显性采集法主要包括以下途径:搜集学习者第一次在系统注册时提供的注册信息以获取学习者的相关基本信息;通过调查问卷表获取学习者的学习风格、学习需求、学习目标、知识水平等的初始状态信息。通过显性采集法可以获取学习者模型中的绝大部分静态信息, 如学习者的基本信息就是学习者注册时提供的, 包括学号、姓名、性别、专业、毕业学校、民族、联系方式等;同时还能获取动态信息的初始数据, 这些初始数据加上静态信息可以帮助系统建立起一个对学习者的初步认识, 即对学习者模型的初始化。当学习者第一次进入系统学习时, 系统可以依据初始学习者模型为学习者推送合适的学习资源、学习活动和学习路径, 个性化地为学习者提供学习服务。
2.2 学习者特征信息的隐性采集法
隐性采集法主要通过实时跟踪并记录学习者的学习行为, 分析学习者特征的方法。隐性采集法通常是在学习者不知晓的情况下进行的, 因而不会像显性采集法那样会导致学习者在系统中的停留时间增加。隐性采集法采集到的信息是学习者在学习活动中的学习行为信息, 会随学习活动的开展而变化更新, 属于学习者模型中的动态信息, 这些动态信息将是学习者模型更新的重要数据源。学习者模型将会对隐性采集法采集到的信息进行“学习”, 从而修缮学习者模型, 使学习者模型朝着越来越接近真实学习者特征的方向发展, 使个性化推荐系统的个性化服务更趋于完善。
隐性采集法通常通过两种途径获取学习者特征的动态信息。第一种途径是系统跟踪和记录学习者在学习活动过程中的学习行为数据, 如学习者对各种类型学习资源的访问次数可以反映出学习者对不同类型学习资源的偏好程度;学习者花费在某个知识点上的学习时间可以反映出学习者对该知识点的认知状态;学习者针对学习任务完成的作品集合数量以及练习测试的成绩数据可以反映出学习者的知识水平状态等。通过对这些学习过程中的学习行为数据进行跟踪、记录、挖掘, 可以获取学习者特征中的动态信息, 对静态信息进行补充和完善, 使学习者模型对学习者特征的描述和刻画随学习活动的开展而更为准确全面。第二种途径是系统从与学习者相关联的网络学习伙伴、指导教师等的联系活动中搜集到的与学习者学习活动相关的数据, 如学习伙伴对学习者在小组协作活动中的评价信息, 指导教师在论坛、聊天室对学习者发言信息的评价等, 这些信息都是判断学习者学习态度和学习能力的重要指标, 这些信息对学习者模型中学习者特征的描述也是具有重要意义的。
3 学习者特征信息的分析步骤与技术
网络学习个性化推荐系统通过显性和隐性方式采集到的学习者特征信息往往是有噪音的, 系统必须对这些数据进行分析、处理、归类和整合, 才能获取能够表征学习者的特征值, 作为系统个性化推荐的依据。
一般来讲, 学习者在注册时向系统提供的显性信息, 如学习者的姓名、年龄、专业、民族、出生日期、联系方式等信息可以直接被系统识别并作为学习者特征值存入学习者模型库。学习者在参与学习前或在学习过程中参与问卷调查的数据, 如回答学习风格测量量表得到的数据列表等需要通过相应的规则进行计算, 从而归纳总结出学习者的学习风格特征。除此之外, 系统在学习者学习过程中通过监控学习者学习行为采集到的大部分动态信息如学习者的学习目标、学习路径、学习行为、学习状态、作品集合、学习交流协作等数据都无法直接作为学习者特征值存储在学习者模型中, 需要对其做进一步的筛选、挖掘、整合、归类、重新描述之后, 才能够作为学习者特征值存储于学习者模型中供系统实施个性化推荐使用, 我们采用数据挖掘技术来对系统采集记录下的学习者学习活动的行为数据进行分析, 挖掘出学习者的学习偏好、分析出学习者的学习状态和知识水平。对系统采集到的显性信息和隐性信息, 使用数据挖掘技术分析学习者的特征需要经历两个步骤, 数据预处理阶段和模式发现阶段。数据预处理阶段又包含四个步骤:首先, 通过数据清洗对采集到的学习者特征信息进行筛选, 将系统记录下的冗余信息和记录清除掉, 筛选出那些能反映学习者特征的信息作为数据挖掘的数据源;其次, 利用Cookies技术从服务器日志文件的记录中识别每一个用户;第三, 识别会话, 判断出用户对站点的访问;最后, 对学习者的会话进行事件定义。通过数据预处理阶段得到的数据需存储起来作为模式发现阶段的数据源。模式发现阶段可以使用的技术主要包括决策树、规则归纳法、人工神经网络、贝叶斯网络、统计计算法和视频分析技术等。
4 结语
学习者模型的建立是网络学习个性化推荐系统的关键环节。本文在对学习者模型建模关键问题分析的基础下, 构建了网络学习个性化推荐系统学习者模型框架, 确定了学习者模型要刻画的学习者特征信息的类型, 在此基础上, 将学习者特征信息采集的方式分为显性采集法和隐性采集法, 并对每种采集法的信息采集途径予以阐述, 最后, 论述了使用数据挖掘技术分析采集到的学习者特征信息的步骤及技术, 对网络学习个性化推荐系统学习者模型建模的过程进行了有益探索。
参考文献
[1]孙志伟.基于学习者特征分析的个性化学习支持系统的研究[D].天津:天津师范大学, 2009:14-17.
篇9：寓教于乐儿童学习软件推荐
推荐指数：★★★★☆ 适合年龄：1到10岁
儿童拖拖乐游戏是一款全方位为孩子学习和成长考虑的平板电脑游戏软件。它包罗了绘画、音乐、算术、英文等多方面的知识，并根据儿童在不同年龄段所能接受知识的程度将游戏分为1到5岁和5到10岁两个阶段。
勤学多练一切都不是问题：儿童学写字
推荐指数：★★★★☆ 适合年龄：3到10岁
儿童学写字让孩子在学习写字的过程中有了一个全新的体验。它帮助孩子从小养成良好的书写习惯、增强组词能力。软件对每一个字的笔画顺序都加以演示，孩子可以在不断的学和练中达到熟能生巧，因而在面对难而复杂的字时也能很容易地将其分解，按照正确的笔画顺序写出来。此外，在练习写字的同时屏幕左边会自动出现相应的词组，让孩子在练习写字的同时也能学习组词，增加词汇的储备量。
我为世界添光彩：彩色世界
推荐指数：★★★☆☆ 适合年龄：1到5岁
彩色世界是一款帮助儿童识别色彩的游戏软件。游戏中画板给出的画所表现的事物都是我们在生活中随处可见的。
游戏操作十分简单，小朋友在玩时选好颜色轻轻一点，就为这些仅用黑线勾勒的图画穿上了五颜六色的衣服。适合于教小孩辨别事物颜色、色彩搭配和绘画。
篇10：高中英语学习方法（推荐）
要学好高中英语，应做到“四勤”与“四多”，具体说来，有以下几点：
一、“四勤” 1.勤背诵。积极记忆高中课本中出现的生词及词组，理解其用法，并适当运用一些正、反义词对比，相似词对比等方式加强记忆。这一步虽然枯燥乏味，但少了它，学习英语就像折了翅膀的鹰，空有雄心却寸步难行。2.勤朗读。这是学好英语的法宝之一。朗读的内容一般说来只限于课本，并不以背诵为目的，而着重将注意力集中于自己的正确发音、连续语气等等。通过朗读可以熟悉单词及其用法，体会英语的语气、语境，增强语感。每天只需半小时左右，但须持之以恒。3.勤练习。虽然“题海”战术不足取，但适当做一些练习，尤其是针对自己不足之处的练习是必不可少的，比如完形填空这种难度较大、考查综合能力的题型，平时就应多做一些。每次做完后，认认真真地重新对照答案细细抠一遍，体会这些正确选项究竟合理在什么地方，出题者的意图又是在考查哪些知识点等等。只有在不断的练习、体会中，英语水平及应试能力才会不断提高。4.勤总结。相对于其它学科来说，英语的知识点相当零碎，一定要在平时的收集、整理、总结上下功夫。平时听老师提到或是在参考书上看到的一些零碎的小知识都要及时记录下来，以备以后复习时用。
二、“四多” 1.多看。近年来英语试题的难度逐渐增大，试题的触角涉及到日常生活的各个领域，因此，从高一开始就应尽可能地扩大阅读面，广泛阅读，以求开阔视野，并在潜移默化中提高自己的英文水平。2.多听。近年的中、高考已逐步加入听力试题。其实，多听并不仅仅是为了应试，更重要的一点就是在听的过程中可以逐步增强语感。培养敏锐的语感将有助于增强辨析力和判断力，是英语学习过程中十分重要的一环。3.多说。多说可以增强口语能力，加深记忆，使学过的知识清晰地映在脑海里，不容易被忘记。4.多练。通过做大量的习题，可以增强实践经验，不至于临阵发慌，手足无措。而且，熟能生巧，做题也能做出规律，做出语感来。当然，学习一门语言本身也有其自身的规律，所谓“四勤”、“四多”也只不过是一种加强的手段。要学好英语，更重要的是从语言本身出发，深入钻研其中的奥秘，从字、词、句、章各方面逐个加强练习，严守“四勤”、“四多”的原则，轻轻松松取得好成绩。首先，高中教材中英语词汇的记忆应达到熟练，词汇是构成英语的最基本的要素。如果不记忆词汇犹如一栋大楼而没有砖块一样。教材的把握程度。高中英语教材有一些很经典的课文，最好把课文背下来灵活运用，这种方法虽然比较笨，但的确很有效。句型的总结。善于总结一些典型的句型，归纳在一起，争取做到举一反三，触类旁通的程度。注意一些重要的动词的用法。平时学习时，应多听一些磁带，多记一些东西。语法通常包括时态，名词，代词的数，主，谓语一致，虚拟的语气，主动和被动，不定式（完成时和被动语态），分词（完成时和被动语态），独立主格结构，从句的关系代词及副词等。这些方方面面需要在平时学习时多积累，多记忆。另外有语法书可以看看。在学习教材时应注意语法方面的内容，这样日积月累，语法在不知不觉中你就会学习得比较好。口语最重要的就是要张口把英语说出来，在说英语时，会出现一些语法错误，但这是正常现象，如果在说英语时，保证语法不出现那反倒不正常了，口语最重要的就是多说。把看到的想到的用英语表达出来，这样时间一长口语水平会有一个质的飞跃的。另外向你推荐一本《英语口语大全》的口语书，由外语教学与研究出版社出版，挺好的，可以看看。至于写作方面，应多练习坚持每周写一篇小短文，并尽量应用单句，当然用复句也可以，参加一些优秀的论文，看看别人怎样写的与自己比较，找出自己的不足。依据我个人的经验来看，阅读量是必不可少的，而且要不怕看生词多的文章，要勤查字典。特别的，如果你真的有信心学好英语的话，我建议你可以尝试一下熟背每个单元的重点文章，培养语感。高中英语还是很看重语法的，但是当你具备了基本的语法知识后，就可以不必顾及那么多，凭准确的语感就可以很准确的答题，往往是读着题答案自然就出来的，但是这是还要再停下来从语法的角度多想一下为什么是这样选的，相信提高会很快的。这是必须的。
其次在高中的话，你需要背好语法，语法好了高中英语基本就没什么大问题了。
你在高中把单词和语法弄好了就没问题了。听力的话，在前两项差不多的时候，多听就好了。作文就是固定格式+语法+单词的啊。阅读主要对着文章找，判断选项还是需要用语法和单词，因为选项不是通常和文章不同的地方就是改变单词和句式么。完型其实是高中英语最难的地方，在前面这些项目都差不多的时候，多练，多总结不同情况的词语搭配就好了。
至于口语，地道标准而且专业复杂的口语是需要巨大的努力和实践的，你看看全国英语口语竞赛，也就那样吧，不太好，很多选手的一些语句仍然是处于外国小学水平。除了语音，比奥运那会儿我们的翻译差远了。不过那几个主持人评委口语就不错了，难道是他们大学学得很棒么？其实就是出国工作等见得练得多了。
最后告诉你一个学英语不能忘记的要点，无论学习单词还是语法还是什么，一定记住保证搭配正确。“搭配”就是英语的核心了，你可以想想看。
作为一门语言，要想学好，一定是需要多见识，多总结，多实践的。祝你成功，贵在坚持，起码心态上就不能气馁!
不要怕苦，英语是需要积累的
像单词(别告诉我你单词都背不出啊),语法,句型,搭配
有听力材料的话,坚持每天听
单选其实就是变向考语法,，语法学扎实了,选择题怎么考你都会了 分析句子成分,固定搭配,了解句子意思,词汇积累这些都是很重要的 完型阅读嘛,就是一个字做!
篇11：考研经典英语学习计划[推荐]
第一阶段 寒假——三月：突击词汇，打好基础
在这段时间里，同学们应该仔细背诵新东方的考研单词红宝书。词汇学习不是一日之功，同学们应该在已有学习的基础上，进一步突破和巩固词汇的数量和用法。充足的词汇量不仅是应试阅读理解部分的基础，而且是整个考试成功的关键，因此考生在备考之初必须花大力气积极扩展词汇量。在考研大纲规定的5 500个词汇和词组中，考生至少应该掌握其中的90%以上，而且应该选择其中一部分词汇和词组做重点记忆。不仅如此，考生还应该记忆一些虽然超纲、但出现频率很高的词语，记忆一些与目前的社会热点问题相关的新词语，如有关计算机网络的常用词语。而且，词汇的记忆应该结合文章的上下文，而不能孤立地进行。只有在上下文中记忆的词语印象才更深刻，理解才更透彻，这同时也锻炼了考生根据上下文推测和理解词义的能力。
第二阶段 三月——六月 广泛阅读，综合提高
在这段时间里，大量阅读英文杂志。在备考考研的过程中，正确处理精读和泛读的关系很重要，不少考生过多地强调阅读的量，而忽视了阅读的质。如果不精读文章，就难以有积累，而积累可以是有形的，也可能是无形的。有形的积累包括词汇量的扩大，尤其是重点词汇的积累；对语法结构和词语用法更熟练的掌握，尤其是把握复杂句结构的能力。无形的积累包括对英语特有句式的感受(其中包括所谓“语感”)以及对英语为母语的人表达出来的特有思维方式的深刻体会和认识。近几年来，考研文章的题材呈现出两个显著特点，一是选文内容比较新颖，二是涉及的领域较广阔，包括经济、文化、教育、科技、法律、社会等问题。为了达到对文章的透彻理解，考生必须积极扩大自己的知识面。除了上面提到的传统话题外，考生还要了解新知识，了解社会热点问题，如：计算机网络、信息等技术的应用带来的影响，医学、教育、法律等方面的一些争议，经济上的热点问题、全球化问题等等。相信知识面的扩大无疑将加深考生对文章的理解，拓展把握题的思路。
第三阶段 七月——十一月 研读真题 把握考点
最后几个月考生主要做两本材料：一本要去做02年到06年五年的真题，因为道理很简单，过去这么多年考研真题当中，最有价值最宝贵的就是02到06年真题，这五年题目要求大家考研三个月要好好研究，甚至做两轮都是可以，目的是把握命题真正的规律。去更好的为07年考试做好充分的准备。第二本书大家一定要有一本模拟题集，如果没有模拟题集，光靠真题，一些新的题型没有办法准备，必须准备模拟题集，同样认真去做，认真体会，认真归纳去总结，我们考前几个月复习重点就是这两本书。
第四阶段 十二月——考前 考前冲刺 力保成功
篇12：李阳学习英语理念[小编推荐]
1、将英语真正融入日常生活！不要学英语，而要生活在英语当中！
2、把难单词、难句子制作成海报，贴在家里最显眼的地方，不知不觉就掌握了！
3、不读英语就难受！不读英语就“寝食难安”！让读英语变成“最大的爱好”！
4、睁开眼睛的第一件事就是“大声喊英语”！喊出一天的活力和辉煌！喊出一天的充实和成功！
5、入睡前一定要大喊英语十分钟！让英语进入潜意识，做梦也在学英语。
6、“一日三餐前后”狂读五分钟英语，否则就不配吃饭，这叫“一日三餐法”！饭前读英语反思人生，饭后读英语有助消化！这是一个伟大的习惯！我要在全国普及这个习惯！
7、跑步喊英语！既锻炼了身体肌肉，又锻炼了口腔肌肉！两个肌肉都发达的人绝对有“非凡的竞争力”！具体做法：在出去跑步前，先抄写一段英语放在口袋里。最简单的办法就是从《李阳英语背诵宝典365》这套教材中拿一张卡片。
8、一看到公园，就跑进去大声喊英语。充分享受美景，充分呼吸新鲜空气！
9、“四个一”原则：每当我读英语或说英语的时候，我都会做到一抬头、一挺胸、一收小腹、一用力！这样，我的英语马上就会变得地道、好听！
10、平时说英语、练英语的时候一定要元音特别饱满！这样可以训练自己的非凡气质。
11、有空就疯狂练习辅音。要想说一口流利的英语，就必须做到：元音饱满悦耳、辅音准确清晰。比如，我经常拿一张纸放在嘴巴前面苦练爆破音：newspaper，popular，possible.我经常咬下嘴唇，苦练[v]这个音，夸张地朗读drive，vegetable，five等单词。
12、尽量多地听录音！这是最有效、最便宜的学习方法！听得越多，语感就越好！而且你的英语发音就越好听。
13、看到的、听到的，都尝试翻译成英文，随时随地训练自己的“口译能力”！
14、每天有计划的训练自己的“翻译能力”，最好的办法就是每天翻译一篇小短文。学习英语的最高目标就是：中英文自由转换！这也是社会最需要的能力，当然这也是为你自己创造最大价值的能力！这个能力很难获得，一定要每天坚持练习！先准确翻译单词，然后是句子，其次是短文。
15、随时随地携带“疯狂英语财富本”，疯狂收集好单词、好句子、好文章！尤其是名言警句！
16、疯狂收集好文章，将所有让自己心动的文章反复朗读，最好能脱口而出！因为只有背诵课文才是征服英语的最终解决之路！
17、出门前，立刻制造一个小卡片或小纸条，随身携带，疯狂背诵！这是最有效的学习方法！
18、要养成一种伟大的习惯：善于利用一天当中大量的、被忽略的、被浪费的一分钟、两分钟！你一旦有了这个伟大的习惯，你的一天将是别人的两天，甚至三天！
19、要养成随身携带英语书的习惯！我在窗边、厨房、客厅，甚至厕所都放了英语书，快速看上一两分钟就足够了！什么都怕天天做，什么都怕坚持！
20、要养成热爱丢脸的习惯！管它说好说坏，只管疯狂地说！只有这样才会越说越好！You must enjoy losing face！
李阳疯狂英语介绍
李阳疯狂英语培训中心位于北京，是李阳携同其胞妹李宁及拥有丰富的教育培训和品牌推广经验的王旭东建设的专业英语培训机构和全国授权中心。李阳担任培训中心总裁，李宁为执行董事，王旭东任总经理。李宁是硕士研究生，协助李阳推广普及英语多年，是“李阳疯狂英语”品牌的创始人和推广人之一，更是李阳的个人财产管理人。总经理王旭东加拿大皇家大学MBA毕业，在国内外企业机构任职多年，企业管理经验丰富，战略发展眼光高远，市场运作能力卓越。李阳、李宁、王旭东被称为培训中心的“三驾马车”，推动着培训中心英语培训和授权普及的飞速发展。
李阳疯狂英语培训中心拥有团结协作的管理团队，专业负责的高水平师资队伍，运作能力超强的市场推广人员，经验丰富的策划和品牌推广人才。公司已培训学员数十万人，在全国授权普及培训机构110多家，编辑出版教育培训教材200多种，并深入北大、清华等名校进行英语教育培训义务演讲，深受师生推崇和赞赏。在培和已培训学员通过培训学习受益匪浅，英语学习和实际运用能力快速提升，并因此形成较好的口碑，公司信誉在社会上交口相传。品牌授权遍布全国各地，授权培训机构发展迅速，盈利丰厚，网点星罗棋布，且在快速扩展中。
篇13：英语口语学习推荐
随着现在互联网技术的广泛应用, 基于网络的学习方式正在被大家所广泛接受和采用, 包括各种各样的学习平台和各种远程教育网的开发与应用。但是由于网络资源的无结构性或是半结构性, 人们很难简单、快捷地获取资源。本文提出了一个基于相似学习风格的资源分类和推荐服务的模型。我们首先把大量的学习资料进行基于学习对象的分类, 然后再根据用户的学习风格为不同的学习对象贴上相应的标签, 最后根据用户的搜索, 推理出相应的学习模型, 然后进行推荐服务。
1 学习资源的分类
1.1 学习对象分析
学习对象是“任何具有可重用特征并用来支持学习的数字化资源。学习对象分析的目的是确定合理粒度的学习对象, 确定基本的设计单位。即将学习目标细化成多个子学习目标, 每个子学习目标又可细为多个更小的子学习目标, 从而最终将粒度大的学习对象分解成众多粒度小的学习对象, 以适合学习者网络学习。我们采用的是把相应的学习目标分解成一系列的知识点, 每一个较小的知识点是一个独立的信息块。因为粒度的大小直接影响知识点的可重用性, 粒度越小所完成的学习目标越小、所涵盖的内容范围越小, 在其他学习情境中重用的几率越大, 但粒度太小会增加网络教学资源开发的工作量, 影响开发速度。这样可以及时的检验用户对每一个知识点的掌握得到更多的用户反馈, 并且从访问记录中获取更多的用户特征, 也可以及时的根据用户习惯的改变作出较快的反应。
1.2 学习风格的种类
现在的学习资料的分类一般都是按照学科, 或者是学习的进度难度。没有真正从学习者本身特点来划分。现在针对同一学科的资料越来越多, 学习者苦恼的不是找不到资料, 而是找不到合适的资料。学习效果的好坏不仅取决于学习者的学习方法, 也依赖学习者所采用的资料。我们不可以一味的从资源本身来判定资源的好坏, 而要从学习者和学习资源两个方面共同判定。因为每个人的认知方式都是有自己的特点的认知风格差异。
1.2.1 场依存性和场独立性
某些人的知觉较多的依赖于他们周围的环境信息, 而另外一些人的知觉较多的依赖于他们身体内部的线索。前者场依存喜欢以非指导性的和以学生为主的教学, 后者喜欢指导性和以任务为定向的教学。
1.2.2 反思型和冲动型
冲动型倾向于根据几个线索做出很大的直觉的跃进, 往往以很快的速度形成自己的看法, 在回答问题很快就做出反应;后者做出回答之前倾向于进行深思熟虑的、计算的、分析性的和逻辑性的思考, 往往先评估各种可替代的答案, 然后给予较有把握的答案。
1.2.3 整体性和系列性
把精力集中在一步一步的策略上, 他们提出的假设一般较简单, 每个假设只包括一个属性, 此为系列性。即从一个假设到下一个假设是呈直线的方式进展。另一些从全盘考虑如何解决问题。与此相对应, 有结构的和随意的两种学习风格有些喜欢常规性的、有依赖性的和有条理的知识;另写喜欢不可预测的、不寻常的、出人意料的事物。
1.2.4 深层加工和表层加工
深刻理解所学内容, 将所学内容与更大的概念框架加工为前者记忆学习内容的表面信息, 不将它们与更大的概念框架连结起来为后者。
从认知风格的差异, 我们可以综合学习对象分类原则和认知风格两个因素对我们学习资料来进行相应分类, 如图1所示:
这让我们的学习资源不但有资源本身的分类, 而且有了和学习者的一个交互, 在一定的程度上减小了后面用户模型的算法的复杂度, 也提高了一定的准确度, 因为这是直接与学习者的交互, 省去了算法推理过程中的不精确。不过其中学习风格的分类便签数量还没有确定, 这得根据学习风格与学习资料的具体匹配, 而且这个是最好在资料的最初著成就确定好了, 但是现在这方面还没有一个确定的标准, 这也是本系统中比较困难的一部分。
1.3 文本的分类
确定了相应文本的分类标准后, 便是用一个相应的文本分类模型进行相应的分类。参照现有的文本分类模型, 用一个共用的文本分类器进行大量文本的划分, 但是一样会导致文本分类器里的维数大量的增加, 不利于我们相关粒度的文本分析。我们决定使用更多的文本分类器, 例如:相应的文本内容的一个, 学习进度难度的一个、学习风格的一个、一个总的分类器 (即三个子分类器综合, 这样可以减少每个分类器的维度, 增加精确度) 。然后通过分类模型分类得到最后的分析结果。最后根据用户的反馈, 分析我们的分类结果改善分类结果。 (注:下面图示的分类器个数都不是事先确定的, 可以根据系统的需要增加相应的分类器, 图示仅供说明) 总的文本分类的系统图如图2所示:
2 用户模型的建立
用户模型的建立是个性化服务的基础和核心, 只有首先建立用户模型的描述, 才能根据用户的特点提供针对性的个性化服务。因此, 用户模型是影响个性化推荐系统服务效率的重要因素, 用户模型的质量直接关系到个性化服务的质量。具有相似学习风格的同学也具有相似资源的需求, 因此, 如果能够提出一种有效的方法以帮助相似学习风格的学习者共享有用的学习资源, 将会实现资源与人的真正匹配, 让每个人都得到最合适的资源, 资源发挥最大的功效, 也有助与学生的互助学习。
本部分主要是通过对学习对象的原子属性进行跟踪、记录、统计。首先, 是对用户所处的学习阶段进行判断, 通过对用户的进度难度属性和文本向量进行综合, 用代理模式进行分析, 归属其所属的组范围, 这样便确定了用户所处的学习阶段。然后, 对同一用户的风格因子用聚类方法进行分析, 把具有相似性的风格因子进行联合, 成为一种特定的组合, 再分析用户的风格因子组合, 把用户风格因子组合和特定组合相匹配知道得出用户的学习风格。最后, 通过系统的分析, 我们不但把具有相同的学习目标和进度的同学进行了组合, 而且把相同学习环境中的用户针对其自身的学习风格进行了归类。这样我们不但引导了学生的学习, 而且让学习者在既定的学习目标下正确有效的学习。另外, 对于现在的学习任务很重, 针对不同的学习科目有不同的学习目标, 其中体现的学习风格也是不一致的, 我还针对了同一个学生的不同需要提供不同的推荐。
系统流程:
(1) 用户的日志文件进行分析, 提取其中的知识点的相关属性, 把用户的信息表示成为一个函数m=f (c t f s g1 g2 g3) , 其中c代表用户的id, t代表文本向量, f代表用进度难度属性, s代表用户对这个学习对象的掌握程度, (g1, g2, g3) 代表风格因子 (注:风格因子本文中只是用三个来进行说明, 在系统中风格因子会有很多个, 而且也是随着系统不断完善的) 。
(2) 通过把函数的一部分属性进行提取, 如:t, f, s。把这个三个值交给属于任何一个种类的代理模式, 每一个代理都基于自组织的算法, 对三个属性进行逐个的匹配, 一个属性达到了该代理的阙值 (一个系统自定义的数值) , 则认为匹配, 开始匹配下一个属性, 直到三个属性完全匹配为止;不然, 交给另外的代理模式。直到确定了用户所属于的组范围, 然后可以根据组范围里用户的相关性确定用户的下一步学习范围。
(3) 确定了用户的组范围后, 通过对用户的风格因子进行分析, 通过用户的访问事务, 得出对每一个风格因子的个数, 即Fi.count, i表示风格因子的名称, count代表这种风格因子在用户访问中的个数。通过对用户中的相关风格因子的最大数进行关联分析, 关联度的测量可以按夹角余弦表示为:
(4) 确定用户的相似度s_sim, 两个用户学习风格的相似度是两个用户的风格因子相似度的均值。令用户F1的风格因子集为{F1i}, 用户F2的风格因子集为{F2i}, 则两个用户的学习风格的相似度为:
(5) 用户相似度矩阵R可以表示为:
其中ri, j∈[0, 1]表示了第i个用户和第j个用户的相似度。由于事务之间的相似关系具有对称性和自反性, 因此有ri, j=rj, i。且ri, j=1。得到用户的相似矩阵R后, 可通过设定的置信水平用图论法进行聚类。本系统暂设λ=0.5。
(6) 计算矩阵R连通路径, 得到合群集。首先, 转化相似度矩阵R为BOOL矩阵B。λ=0.5, 矩阵的转化方法为:
无向图G (V, E) , 其中V对应目标点集合X中的p个目标点;边 (u, v) ∈E, 当且仅当Bi, j=1。
调用计算无向图的连通分支算法计算G (V, E) 的连通分支, G (V, E) 中各连通分支内的顶点集合构成了所求的模糊聚类的集合。
经过上面的6步, 我们便可以比较清楚的了解学生的学习目标和学习风格 (即适应的学习方法) , 从中得到一个较为完整的用户描述。然后通过与我们学习资源分类结果的匹配, 系统便可以得出用户真正需要的资源, 相应的推荐服务也更加的个性化和有针对性。下面是系统整个的模型描述:
3 模型的改善
本系统中的总分类器模型、学习者的代理和组代理模型都是可以进行相对的变化的, 他会根据用户的满意度和一些反馈信息, 对他们的分类模型或是聚簇算法进行改进, 去除一些原本设计上的不合理。然后再由改进后的系统模型进行新一轮的统计分析, 这时我们原来收集的资料也没有浪费, 在新一轮的统计结果上与原来的统计信息进行对比, 从中我们可以发现一些原本忽略的细节。这样不断的循环, 到了一定的时间进行一次总的总结, 把几轮的统计信息或用户反馈综合起来。这时我们也可以吧前阶段的信息放入备用信息中, 可能根据用户的变化和系统的进展, 信息所具有的实用性开始降低, 而且也可以减少系统运行色负担。最后, 通过一个对应的阙值来对我们的系统优良作出一个评判性的标准, 判定系统的个性化推荐的准确度 (即可以对多少的用户进行准确推荐) 和精确度 (即可以对一个用户的个性化推荐能达到的精确度)
4 结束语
本系统不是从单一的文本分类或是用户模型的建立来进行用户信息的采集、统计、分析。而是综合了两个方面, 这样我们便可以对影响推荐服务的两个重要因素进行掌握和控制。并且在文本分类中应用了现代心理的学习风格差异的理论, 直接将文本的分类和用户连接在一起, 虽然这样的文本分类体系尚不完善, 但是我们可以通过用户的反馈来不断完善这个模型。这个可以减少因为算法的不精确导致的一些不合理推荐, 也完善了现代心理学的理论应用。总的来说, 本系统在比较现有系统的一些功能划分和推荐服务的精确度上有一定的优势。
摘要：通过研究学习者的学习风格和影响学习风格的因素, 根据学习风格的种类对资源进行基于学习对象的分类, 把丰富繁杂的学习资源个性化地组合起来;然后综合用户的访问事务, 进行基于代理模式和聚类算法的推荐服务;最后根据用户的反馈和评价对现有系统进行完善和改进。
关键词：认知风格,学习对象,代理模式,个性化推荐,资源分类
参考文献
[1]林霜梅.个性化信息检索中基于语义相似网络的用户多兴趣建模研究[D].上海:上海交通大学, 2007.
[2]牛尔力.基于兴趣的P2P网络应用研究[J].微计算机信息, 2009 (3) .
[3]金丽娜.以用户为中心提升高校图书馆服务的思考[J].科技情报开发与经济, 2009 (4) .
[4]李广建.用户模型及其学习方法[J].现代图书情报技术, 2002 (2) .
[5]征宇, 张新明.基于对象的数字化学习资源库的开发[Z].信息技术与课程整合, 2008.
篇14：英语口语学习推荐
摘 要：面向用户需求构建个性化学习环境是当前E-learning领域研究的热点。自适应学习系统（Adaptive Learning System，ALS）是E-learning个性化学习支持服务的解决方案。针对ALS推荐学习资源的精准性与有效性问题，文章尝试性从用户学习路径的视角出发，在对学习者与领域知识建模的基础上通过关联规则挖掘技术动态匹配与重组学习资源，进而实现ALS个性化学习路径推荐机制。仿真实验结果表明，利用本推荐机制在一定程度上能有效推荐学习资源，进而较好地满足当前用户个性化学习需求。
关键词：自适应学习系统；个性化学习路径；学习者模型；领域知识模型；关联规则
中图分类号：G434 文献标志码：A 文章编号：1673-8454（2016）21-0028-04
当前，数字化学习（E-learning）席卷远程教育领域，成为网络信息时代盛行的一种重要学习方式。E-learning打破了传统面授式教育模式的常态化，突破学习的时空限制，为学习者“随时随地”学习提供了可能。然而，调查显示，当前许多E-learning支持平台的实际应用效果并不理想，其中最为突出的问题是平台忽视了“以学习者为中心”的现代教学理念，不能根据用户的个性化需求准确提供学习资源，进而导致在线学习效果不明显。[1]正因如此，关于E-learning环境下的个性化学习理论与实践研究受到众多学者关注，构建支持用户个性化学习需求的E-learning系统成为当前迫切而重要的研究主题。
一、ALS及其研究现状
ALS，即自适应学习系统，亦称适应性学习系统，是在建构主义“以学习者为中心”的现代教育模式引领下提出的一种针对当前学习者的个体特征差异（如年龄、专业背景、兴趣偏好、认知水平等）而动态提供其个性化学习支持服务的系统，其最早由国外以智能教学系统和适应性超媒体系统的术语提出，近年已成为E-learning远程教育领域研究的热点。[2][3]个性化推荐机制是ALS的核心部件，其主要功能是对学习资源的有效匹配与重组，进而满足当前用户的个性化学习需求。
目前，关于ALS的研究尚处于探索时期。国外介入该领域研究较早，典型的代表主要有：Brusilovsky等人首次提出了适应性学习系统，并认为可以从课程序列化与适应性导航技术实现系统的适应性效果；[4]Tang等人采用聚类分析与协同过滤方法将用户访问页面序列和内容进行筛选与分类并推荐给用户，进而构建了ALS系统原型；[5]美国匹兹堡大学Weber G等人通过个性化导航策略实现了ALS适应机制，并开发了ELM-ART、Knowledge Sea系统原型；[6]Castro等人阐述了数据挖掘技术在网络学习过程中的重要作用，为基于数据挖掘的E-learning个性化学习研究奠定了基础。[7]国内该领域研究起步较晚，典型的代表有：华南师范大学陈品德教授从内容呈现和导航支持两方面考虑适应性，设计了A-Tutor原型系统；[8]中国台湾淡江大学利用Agent技术研发了分布式智能学习系统MMU，该系统具有一些简单的智能交互功能。[9]
纵观上述研究，国内外提出的许多ALS系统仍处于原型实验阶段，其适应性及个性化推荐机制还需要不断探索。因此，本研究拟尝试性地从用户学习路径的视角出发，在对学习者与领域知识建模的基础上，通过关联规则挖掘技术动态匹配与重组个性化学习路径，进而实现ALS推荐机制，以期满足当前用户个性化学习需求，同时为本领域相关研究提供参考借鉴。
二、ALS个性化学习路径推荐的解决方案
1.学习者建模
学习者是ALS的主要参与者与体验者，也是个性化资源获取的主体，因此ALS的设计首先应重点考虑学习者的个性化需求特性。为了更清晰地表征学习者对象在系统中的属性，我们需要将其实例化，即对学习者进行建模。可以说，学习者模型是ALS实现的基础，其主要借助用户建模组件或第三方代理软件实时收集并处理学习者个性化信息来实现。[3]本研究鉴于IMS LIP（Learner Information Package）标准，采用四元组的形式从基本特征、学习风格、认知水平和学习记录四个维度来表征学习者模型，其方法如下：
LearnerModel=（BaseInformation，LearningStyle，CognitiveLevel，AccessRecords）。
其中，BaseInformation用于表示学习者一些基本的静态信息，例如昵称、姓名、性别、年龄、专业背景、个人简介等。LearningStyle表示学习者的学习风格，其可借鉴Felder学习风格模型构建，包含值域定义为：{“直觉型-感知型”，“视觉型-言语型”，“活跃型-反思型”，“全局型-序列型”}，该值域可通过ALS系统设定或完成Felder学习风格量表（ILSs）的形式获得。CognitiveLevel表示学习者当前所达到的认知水平，可以从“初级”、“中级”、“高级”三个层次表征，其主要以学习者的单元测试成绩为参考依据由系统自动评定。AccessRecords表示学习者在整个学习过程中的访问记录，包含访问者编号、访问时间、访问地址以及访问内容描述等基本信息，AccessRecords的表示方法为AccessRecords（Ri）=（LearnerId，AccessTime，AccessAdress，ContentInfo）。
2.领域知识建模
领域知识泛指专业领域内所有经验、理论、方法论的知识单元集群，而在计算机世界中我们将其界定为：针对某特定领域需要，采用某种（或若干种）表示方法将知识实体化与结构化，使其能在计算机存储、系统组织和管理方面具有易操作等特性的知识集群。[10]ALS中领域知识是对学习资源的结构化，其为学习者个性化学习提供数据来源。领域知识模型要求知识体系具有良好的结构关系，以便系统推荐资源路径时做出准确的判断。通常情况下，领域知识可用课程、知识单元和知识点（或知识项）三种粒度表征，知识之间的关系包括前驱后继关系、并列或包含关系以及相关关系三种类型，而每个知识单元或知识点都应包含难度、风格和学习任务属性。根据它们之间的逻辑关系，我们给出了领域知识模型的一般结构，如图1所示。
根据以上分析，我们将领域知识的结构模型表征为：KObject={Kid，Kname，Klevel，Kstyle，Kcontent，KOR}。其中，Kid表示知识点的唯一标识，Klevel表示知识点难度水平，Kstyle表示知识点的偏向风格，Kname表示知识点名称，Kcontent表示知识点内容信息，KOR表示知识点所属关系集合。基于上述三种关系类型，本研究中领域知识对象间的关系模型KOR可用如下表达式表示：
KOR（a，b）={
其中，Ktype表示关系类型（Ktype {“前驱”，“后继”，“并列”，“包含”，“相关”}），Kweight关系的权重值（Kweight [0，1]，该值越高代表知识间的相关性越大）。例如，某领域知识a与b的关系记为KOR（a，b）={
3.关联规则定义及其推荐方法
关联规则是数据挖掘领域研究的一个范畴，其最早由Agrawal等人提出，主要用于从数据集合中发现频繁项并找出项集间的关联关系。从本质上讲，关联规则挖掘是在事务数据集合D中发现满足用户给定的最小支持度min_support和最小置信度min_conf的频繁项集并挖掘其关联关系。[11]为了更清晰地反映ALS基于关联规则挖掘的推荐过程与方法，在此我们设定用户访问记录集（即日志事务集合）结构如表1所示。
（1）产生频繁项集
频繁项集是关联规则挖掘的第一环节，需要利用AprioriAll算法将表1中知识项集中频繁项找出。在此，设定最小支持度为0.6，则最小支持度计数为0.6×len（users）=1.8，频繁项集产生过程为：通过第一轮扫描得到候选集C1（Item，Support）={
（2）产生路径关联规则
通过上述频繁项集产生过程，用户访问记录集合产生的知识项集I={K1，K3，K5}，设定最小置信度min_conf为0.8，那么得到候选关联规则置信度如表2所示。
由表2可知，当最小置信度为0.8时得到三条强关联规则，即：{K1，K5}？圯{K3}，{K3，K5}？圯{K1}，{K5}？圯{K1，K3}。由此得到当前用户的学习路径存在三种可能：KPa={K1，K5，K3}，KPb={K3，K5，K1}或KPc={K5，K1，K3}。
（3）推荐路径预处理
推荐路径预处理是对学习路径的优化处理，该过程主要根据领域知识的关系模型KOR对强关联规则路径进行匹配，以选择最优学习路径。例如，设定本例中K1、K3和K5之间存在如下关系：KOR（1，3）={
三、仿真实验及其结果分析
为了检测本研究中ALS个性化学习路径的推荐效果，我们利用VC工具与C语言开发了ALS仿真运行环境。实验初始化数据由系统按照预先定义的权重参数随机自动生成，且设定系统每次随机生成30个知识项集，当最小支持度和最小置信度分别设置为0.6和0.8时，其运行效果如图2所示。
实验中，我们首先固定最小支持度和最小置信度阈值分别为0.8和0.6，经过10轮实验后从知识项平均访问频次与系统推荐频次两个维度对ALS推荐效果进行的分析，结果发现满足最小支持度时知识项平均访问轨迹与系统推荐路径轨迹趋势基本相似，说明系统推荐路径基本有效。然后，我们尝试性以0.05递增幅度调整最小支持度，再次经过10轮试验后从最小支持度Minsup与推荐知识项个数Kcount的分布关系进行分析（见图3），结果显示系统推荐知识项数量会随着Minsup的不断增加而减少，进一步说明系统推荐路径的精确性会随着Minsup的增加而提高。
四、结束语
基于Web的ALS是未来远程学习的一种有效途径，是个性化学习环境建设的趋势，目前仍有很大的探究空间。ALS主要是通过个性化推荐机制对学习内容进行有效筛选与重组来实现的，而学习者模型、领域知识模型以及关联规则挖掘技术是ALS个性化推荐机制形成的有效保障，对改进系统的推荐质量、提高学习者学习效率起着关键性作用。当然，由于诸多局限性因素，本研究仍存在不足之处，例如，ALS推荐路径的优化处理、推荐机制的效率问题等，这也是本研究下一步的趋向。
参考文献：
[1]刘丽萍，魏书敏，赵新云.个性化网络学习支持系统的研究[J].中国教育信息化，2010（23）：47-51.
[2]牟连佳.网络化学习系统的适应性研究[J].电化教育研究.2009（5）：48-53.
[3]赵学孔，徐晓东，龙世荣.B/S模式下自适应学习系统个性化推荐服务研究[J].中国远程教育，2015（10）：71-80.
[4]Brusilovsky，P.（2001）Adaptive hypermedia.User Modeling and User Adapted Interaction，Ten Year Anniversary Issue（Aifred Kobsa，ed.）11（1/2）：87-110.
[5]TangC.，Yin H.，LiT.，LauR.，LiQ.，&Kilis D.： Personalized courseware construction based on web data mining[C].In Proceedings of the first international conference on web information systems engineering，2000：204-211.
[6]Weber G，Brusilovsky P.ELM-ART： an adaptive versatile system for Web-based instruction [J].International Journal of Artificial Intelligence in Education，2001：351-384.
[7]CastroF.，VellidoA.，NebotA.，MugieaF.：Applying Data Mining Techniques to E-learning Problems[J].Studies in Computational Intelligence.2007（62）：183-221.
[8]陈品德，李克东.适应性教育超媒体系统——模型、方法与技术[J].现代教育技术，2002（1）：11-16.
[9]莫赞，冯珊，唐超.智能教学系统的发展与前瞻[J].计算机工程与应用，2002（6）：6-7.
[10]李卫.领域知识的获取[D].北京：北京邮电大学，2008.
[11]Agarwal S. Data Mining： Data Mining Concepts and Techniques.International Conference on Machine Intelligence and Research Advancement.IEEE，2013：203-207.
【英语口语学习推荐】相关文章：
成人英语学习资料推荐10-21
英语美文推荐05-21
自学英语教材推荐04-26
英语本科推荐论文题目05-06
高一英语阅读书目推荐12-08
推荐一本好书英语作文03-07
英语感谢信推荐04-29
高一英语阅读书目推荐05-11
英语专业推荐论文题目05-06
优秀英语论文题目推荐05-06