Resumen

Para resolver el problema de datos de recomendación de recursos no válidos y el pobre efecto de recomendación en el curso de red de enseñanza de baloncesto, se propone un método de recomendación de recursos de curso de red de enseñanza de baloncesto basado en un algoritmo de aprendizaje profundo. La función objetivo se aplica para eliminar el ruido en los datos de recursos del curso de red de enseñanza de baloncesto. Las características prominentes de los recursos del plan de estudios de la red de enseñanza de baloncesto se extraen utilizando una función kernel y se combinan en un conjunto de características. Se empleó una red neuronal convolucional (CNN) para realizar el modelo de recomendación de recursos del plan de estudios de la red de enseñanza de baloncesto. El modelo se evaluó en términos de tiempo de cálculo y error de reconocimiento. Para validar el rendimiento, el modelo propuesto se comparó con dos modelos de recomendación conocidos, como el método de recomendación de recursos de aprendizaje basado en transfer learning y el método de recomendación de recursos de aprendizaje personalizado basado en dominación colaborativa de características tridimensionales. Los resultados experimentales muestran que el modelo propuesto logró el tiempo de cálculo más bajo de 15 segundos y un error de recomendación inferior al 0,4% en comparación con el modelo existente.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Problema; Datos de recomendación de recursos; Curso de red de enseñanza de baloncesto; Algoritmo de aprendizaje profundo; Función objetivo; Ruido; Función kernel; Conjunto de características; Red neuronal de convolución; Tiempo de computación; Error de reconocimiento; Rendimiento; Validación; Modelos de recomendación; Aprendizaje de transferencia; Aprendizaje personalizado; Resultados experimentales.
• Keywords:Problem; Resource recommendation data; Basketball teaching network course; Deep learning algorithm; Objective function; Noise; Kernel function; Feature set; Convolution neural network; Computation time; Recognition error; Performance; Validation; Recommendation models; Transfer learning; Personalized learning; Experimental results