Resumen

La tecnología de recomendación de cursos personalizados es uno de los puntos calientes en el campo de la educación online. Un buen algoritmo de recomendación puede estimular el entusiasmo de los alumnos y dar rienda suelta a su personalidad de aprendizaje. En la actualidad, el popular algoritmo de filtrado colaborativo ignora la relación semántica entre los elementos de recomendación, lo que da lugar a resultados de recomendación insatisfactorios. En este artículo se propone un algoritmo que combina el grafo de conocimiento y el filtrado colaborativo. En primer lugar, se utiliza el método de aprendizaje de representación de grafos de conocimiento para integrar la información semántica de los elementos en un espacio semántico de baja dimensión; a continuación, se calcula la similitud semántica entre los elementos recomendados y, por último, esta información semántica de los elementos se fusiona en el algoritmo de recomendación de filtrado colaborativo. Este algoritmo aumenta el rendimiento de la recomendación a nivel semántico. Los resultados muestran que el algoritmo propuesto puede recomendar eficazmente cursos a los alumnos y tiene valores más altos de precisión, recuerdo y F1 que el algoritmo de recomendación tradicional.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:información semántica, algoritmo tradicional de recomendaciones, algoritmo de buenas recomendaciones, métodos de aprendizaje de representación, campo de la educación en línea, algoritmo de filtrado de recomendaciones, resultados insatisfactorios de las recomendaciones, rendimiento de las recomendaciones, espacio semántico dimensional, tecnología de recomendaciones de cursos
• Keywords:semantic information, traditional recommendations algorithm, good recommendations algorithm, representation learning methods, online education field, filtering recommendations algorithm, unsatisfactory recommendations results, performance of recommendations, dimensional semantic space, course recommendations technology