基于大数据深度学习算法的习题推荐

2022-10-31

一、引言

近年来, 网络发展非常迅速, 网络中产生的数据爆炸式增长。国际数据集团 (IDC) 的报告显示, 预计到2020年全球数据量将比十年前增加22倍。这令人震惊的数据量中蕴含了丰富的待人挖掘的信息, 能够给人类带来颠覆性的变革。但是如何从这巨大的数据中挖掘出有用的信息, 成为了当前需要研究的问题。推荐系统是解决这一问题的方法之一, 当前成为了业界科研工作者研究的热点, 并且逐渐产生了一些相关成果。推荐系统是根据用户的行为和习惯, 从大数据中挖掘出该用户可能感兴趣的物品, 并将这些物品推荐给他。各大电商、搜索网站、社交媒体等都在使用推荐系统。

用于推荐的算法很多, 主要包括协同过滤、基于内容的推荐以及他们的混合算法。协同过滤是应用最广泛的算法, 也相继产生了很多与之相关的改进方法。但是由于数据稀疏和冷启动的问题, 协同过滤也受到了严重制约。深度学习最近在各领域都得到了突破性进展, 也给推荐系统带来了新契机。深度学习可以解决非线性问题, 与经典推荐算法结合起来, 能有效缓解数据稀疏和冷启动的问题。

二、深度学习算法

深度学习是近期人工智能领域研究的热门算法, 突破了传统人工神经网络的局限性, 使人工智能再一次受到关注。深度学习在图像处理方面, 算法的准确率已经超过97%。深度学习应用在翻译领域中, 其翻译水平接近于人类, 而语音识别领域其算法准确率也超过了97%。而在物品推荐领域, 深度学习也取得了相当的成果, 对于电商网站的商品推荐都得到了广泛推广和应用。

深度学习的算法模型主要有几类。自编码器用于处理高维的复杂数据, 通过编码和解码来重构数据, 一般分为输入层、输出层和隐层。而受限玻尔兹曼机是最早用于推荐系统的神经网络模型, 可以对用户的评分进行学习从而实现评分预测功能, 进而给用户进行推荐。深度信念网络是多层非线性生成模型, 其训练更简化, 更能获取深层特征表示。相比之下, 卷积神经网络更热门, 此多层感知器主要可以用来处理二维图像, 也广泛用于推荐系统, 它降低了神经网络的复杂度, 并且对泛化能力也有所提升。当前非常广泛地用于图像处理、推荐系统中。还有其他一些神经网络模型比如循环神经网络、注意力网络、胶囊网络等, 都被世界科研工作者所重视和研究。

三、基于大数据深度学习算法的习题推荐

在线课程是高职教育中研究的热点, 如何提高学生在自学过程中的学习兴趣, 及时发现每一个个体的学习特征和难点, 成为提高学生学习成绩和能力的重要问题。针对这一问题, 本文提出了基于大数据深度学习算法的习题推荐系统。

基于深度学习的推荐系统是将学生对应做的练习题每题得分作为输入, 利用深度学习算法模型来训练学生和习题的特征向量 (隐表示) , 基于该特征向量为学生推荐需要练习的一定数量的题目, 来达到使学生有针对性练习的目的。推荐习题的类型和数量以及知识点, 不需要教师参与, 由推荐算法独立完成。

本文使用多视角深度学习模型, 其结构如图1所示。算法的基本思想是, 将这两类设置映射, 分别映射到一个隐空间中, 最后利用余弦相似度公式计算其匹配度, 根本匹配度值做出推荐。图中xU表示学生, 而x1-xN表示习题, W表示每层的权重, y表示输出值, 最后计算学生和习题之间作出的余弦相似度值。

四、结论

随着大数据时代持续深入发展, 深度学习在各行业中已经广泛应用, 并且成为研究的热点问题。通过将这一算法应用在高职学生的学习过程中, 给不同学生量向打造适合其自身的习题, 而全程不需要教师花费精力参与, 无论对于教师和学生来说都是非常有益的。教师可以节省出大量时间用来进一步研究教学内容, 而学生可以随时解决自己的难点, 非常有针对性。

摘要：大数据时代, 深度学习越来越多的用于机器学习。在图像处理, 文本分类, 语音识别和在线推荐方面都取得了非常巨大的成绩。深度学习算法可以应用在各领域, 与高职类院校教学方法相结合, 也能得到令人满意的效果。本文对基于深度学习算法的推荐系统进行研究, 分析其主要研究方向和应用成果。将几类算法进行比较和分析, 对基于大数据的深度学习算法剖析。并且探索将该方法用于高职类院校中, 将学生对于在线学习课程时, 针对每一个学生自身的特点, 结合其学习中的薄弱环节, 推荐出适合他的习题。

关键词：高职学生,深度学习,推荐系统