Resumen

En este artículo se presenta un nuevo método de recomendación de recursos de aprendizaje personalizados según la recomendación de recursos de aprendizaje personalizados entre dominios. En primer lugar, se presenta el modelo de recomendación de recursos de aprendizaje entre dominios. A continuación, se diseña un método de extracción de información personalizada a partir de registros web utilizando una medida de interés mixta. Por último, se presenta un algoritmo de recomendación de recursos de aprendizaje basado en la tecnología del aprendizaje por transferencia. Al algoritmo clásico TrAdaBoost se le puede añadir una función temporal y la restricción del peso de las muestras clasificadas erróneamente. Mediante la función temporal, se puede distinguir la importancia de la fecha de las muestras. La restricción de peso puede utilizarse para evitar que las muestras tengan un peso demasiado grande o demasiado pequeño. De este modo se mejora la precisión y la eficacia del algoritmo. Los experimentos realizados con el conjunto de datos del mundo real demuestran que el método propuesto puede mejorar eficazmente la calidad y la eficacia de los servicios de recomendación de recursos de aprendizaje.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:función temporal, restricción de peso, recomendación de recursos de aprendizaje personalizados por dominio, nuevo método de recomendación de recursos de aprendizaje personalizados, algoritmo tradaboost clásico, medida de interés mixta, extracción de información personalizada, conjunto de datos del mundo real, algoritmo de recomendación de recursos, modelo de recomendación de recursos
• Keywords:time function, weight constraint, domain personalized learning resources recommendation, new personalized learning resources recommendation method, classic tradaboost algorithm, mixed interest measure, personalized information extraction, real world dataset, resources recommendation algorithm, resources recommendation model