智能教育深度学习推荐系统---1.1.概述
深度学习推荐系统在智能教育中的应用,最容易应用的领域就是练、测、评环节。深度学习推荐系统就是将学生和题目的历史信息,作为系统输入,利用深度学习算法模型,找到学生和题目的隐表示,并利用这种隐表示(向量),找出学生和题目之间的隐藏关系,从而产生针对该学生的题目推荐。
智能教育深度学习推荐系统的架构图如下所示:
输入层主要包括学生的反馈数据,包括学习做题结果,从错到对分为0~5分,结果result=5−scoreresult=5−scoreresult=5-score,我们将上式定义为学习对相应题目的需要程度,例如,如果学生做对了这道题目,得分为5分,则学生对这道题目的需要程度就为result=5−score=5−5=0result=5−score=5−5=0result=5-score=5-5=0,表示学生不需要这道题目背后所代表的知识点和解题技巧的一类题目了。但是如果学生做错了这道题,得分为0分,则学生对与这道题类似题目的需要程度就为result=5−score=5−0=5result=5−score=5−0=5result=5-score=5-0=5,表示由于学生做错了这道题目,代表学生未掌握这道题目所代表的知识点和解题技巧,因此特别需要这道题目。学生除了真实做题之外,还可以浏览题目,然后根据自己的判断,给每道题目对自己的难度来打分,这同样可以作为判断学生是否需要某道题目的依据。
模型层是目前比较流行的各种深度学习模型,具体的模型描述,大家可以参考我写的书《深度学习算法实践:基于TensorFlow和Theano》,我在这里就不进行描述了。
输出层利用模型层求出的学生隐表示和题目隐表示,通过向量内积、Softmax计算、相似度计算方法,最终产生针对学生具体情况的题目推荐列表。
深度学习推荐系统是随着深度学习兴起而兴起的技术,目前在国际上已经有了专门的国际学术会议,综合各种文献,我们认为深度学习推荐系统有以下五大应用方向:
深度学习内容推荐系统
基于内容的推荐系统就是对内容进行建模,在智能教育练、测、评应用中,就是对题目进行建模,包括题中所含有的知识点,解题中需要使用的解题技巧,以及其他特性,如计算量大、具有迷惑性描述等,将以上特征作为题目向量(隐表示)的一个维度,并以0~1之间数来表示符合程度,例如某个题目具有典型的某个知识点,该维度的值就为1,如果该题目完全没有涉及某知识点,则该知识点所对应维度上的数值就为0,如果该题目仅涉及某个知识点,但是不典型,则可以取一个0<value<10<value<10的值。然后我们根据显示反馈即学生做题的正确错误情况,隐式反馈如学生认为题目难度情况和评论等,采用深度学习方法确定学生向量(隐表示)。接下来就可以根据题目向量(隐表示)和学生向量(隐表示)来确定学生对每道题目的需要程度,形成最终的推荐结果。
深度学习协同过滤推荐系统
深度学习协同过滤推荐系统实际与传统的协同过滤推荐系统相似,都是先根据学生做题目的结果,学生对题目的评价等交互行为,先确定学生向量(隐表示)内容,然后通过深度学习算法估计出题目向量(隐表示)内容,最后根据学生向量和题目向量,来进行推荐。
深度学习混合推荐系统
从上面的分析可以看出,基于内容的推荐系统和协同过滤推荐系统都有各自的优势,在实际中很多情况下是二者综合起来使用,虽然可以先进行一轮基于内容的推荐算法来确定学生向量,然后采用协同过滤算法再确定更新的问题向量,然后再利用基于内容的推荐算法找出更新的学生向量,一直重复这一过程。但是这种方式效率较低,实际应用中,通常将学生向量和题目向量综合起来,一次迭代同时更新两者的信息,组成所谓的混合推荐系统。
基于社交网络的深度学习推荐系统
以微博等为例的社交网络,用户之间通过关注等操作,形成一个社交图谱,通常是由意见领䄂组成中心节点的星形网络,然后通过若干不同星形网络间的连接节点,组成一个复杂的社交关系图网络,而用户的各种交互均在社交图网络上发生,通过深度学习算法研究人们在社交图网络的中的显示或隐示交互信息,就是基于社交网络的深度学习推荐系统要解决的问题。
基于情感计算的深度学习推荐系统
通过用户对各种资源的评论、评分、浏览、顶踩等操作,利用基于深度学习的情感计算技术,可以计算出用户的感情倾向,并以此为基础向用户进行推荐。
在这一节中,我们对深度学习推荐系统,进行了一个简单的介绍,从下一节开始,我们将讨论每种深度学习推荐系统算法在TensorFlow中的实现方式,如果可能,我们均将以深度学习推荐系统在智能教育中的应用为例来进行讲解。
智能教育深度学习推荐系统---1.1.概述相关推荐
- 【更新】深度学习推荐系统
其他博客:笔记1.博客2 文章目录 第一章.互联网的增长引擎--推荐系统 第二章.前深度学习时代--推荐系统的进化之路 第三章.浪潮之巅--深度学习在推荐系统中的应用 3.1 深度学习推荐模型的演化关 ...
- 【经典回顾】YouTube 深度学习推荐系统的十大工程问题(附论文下载链接)
这篇文章主要介绍了 YouTube 深度学习系统论文中的十个工程问题,为了方便进行问题定位,我们还是简单介绍一下背景知识,简单回顾一下 Deep Neural Networks for YouTube ...
- 深度学习及并行化实现概述
深度学习及并行化实现概述 摘要: 深度学习可以完成需要高度抽象特征的人工智能任务,如语音识别.图像识别和检索.自然语言理解等.深层模型是包含多个隐藏层的人工神经网络,多层非线性结构使其具备强大的特征表 ...
- 从未看过如此详细的深度学习推荐系统应用详解,读它!
作者丨gongyouliu 编辑丨zandy 来源 | 大数据与人工智能(ID:ai-big-data) [导读]2016年DeepMind开发的AlphaGo在围棋对决中战胜了韩国九段选手李世石,一 ...
- 深度学习推荐系统实战总结
https://time.geekbang.org/column/article/294382 推荐系统要处理的问题可以被形式化地定义为:在特定场景C(Context)下,针对海量的"物品& ...
- 智能ai深度学习技术_人工智能深度学习与医学
智能ai深度学习技术 As physicians, nurses, dentists, or any healthcare expert, we all have experienced the ea ...
- [转]深度学习及并行化实现概述
---------------------------------------------------------------------------------------------------- ...
- 腾讯深度学习系列——深度学习及并行化实现概述
深度学习及并行化实现概述 摘要: 深度学习可以完成需要高度抽象特征的人工智能任务,如语音识别.图像识别和检索.自然语言理解等.深层模型是包含多个隐藏层的人工神经网络,多层非线性结构使其具备强大的特征表 ...
- 赠书 | 从阿里到Facebook,一线大厂这样做深度学习推荐系统
本文内容节选自<深度学习推荐系统>一书. 由美国Roku推荐系统架构负责人.前Hulu高级研究员王喆精心编著,书中包含了这场革命中一系列的主流技术要点:深度学习推荐模型.Embedding ...
最新文章
- 浙江大学计算机科学与技术学院工业设计工程,浙江大学考研·2020年工业设计考研信息整理...
- Apache,php配置
- eclipse 对齐行号在括号中显示和字体调整
- kubernetes 集群部署
- 数据库管理工具:如何使用 Navicat Premium 转储(导出)和运行(导入)*.sql 文件?
- 数据分析工具具备什么功能
- 视频压缩工具FFmpeg的使用(中)
- Wannafly挑战赛2D Delete (最短路好题)
- 国家地区标准代码(国际域名缩写)
- 手把手教你写网络爬虫:Web应用的漏洞检测实战篇!
- 微信个人号API开发
- app服务器指向dat文件,appdat-系统爱好者
- 【工作记录】VRLe工作总结
- F 魏迟燕的自走棋(思维+贪心+并查集维护联通块/左部点配对边<=2的匈牙利)
- 有道云笔记常用快捷键
- gitlab拉取项目报128 fatal: unable to access ‘xxx.git/‘
- Simple.Docx,简洁的word文件(docx格式)操作组件
- Mysql基于GTID复制模式-运维小结 (完整篇)
- UbuntuFTP文件传输安装
- 海康威视错误代码0xf_海康威视设备网络SDK编程指南(报 警主机).pdf