机器学习与学习资源适配

**部分 绪论 7
第1章 研究背景与意义 8
1．1 相关政策 8
1．2 国内外研究现状 10
1．3 学习资源适配挑战 13
1．4 学习系统中的资源适配 15
1．5 内容与结构安排 19
第2章 相关理论基础 24
2．1 概念界定 24
2．2 数学基础 25
2．3 资源适配中的教育学理论 27
2．4 资源适配评价标准 29
第二部分 关键技术 32
第3章 认知诊断模型 33
3．1 基础准备知识 33
3．2 引入流行模型的知识追踪 37
3．3 融入学习过程因素的知识追踪 42
3．4 研究趋势、展望 46
第4章 基于评分记录的学习资源适配方法 49
4．1 基础知识 49
4．2 基于卷积神经网络的内容推荐算法 52
4．3 基于隐式反馈嵌入的深度矩阵分解推荐系统 58
4．4 展望、趋势、建议 67
第5章 基于评论文本信息的个性化学习资源推荐 70
5．1 基础知识 70
5．2 基于评论表示学习和历史评分行为的置信度感知推荐模型 73
5．3 基于评论特征表示学习的高效深度矩阵分解方法 82
5．4 研究趋势 90
第6章 融入社交关系感知网络的学习资源适配 94
6．1 基础知识 94
6．2 基于学习者多视角的社交推荐方法 101
6．3 融合图卷积的复杂社交关系推荐算法 109
6．4 研究趋势 120
第7章 知识图谱与资源适配 124
7．1 基于多尺度动态卷积的知识图谱嵌入 124
7．2 基于异质图神经网络的少样本知识图谱推理模型 128
7．3 基于重构神经网络的知识图谱交互学习推理模型 134
7．4 基于知识图谱的学习资源适配 139
7．5 研究趋势 141
第三部分 应用与展望 145
第8章 学习资源适配系统开发与实现 146
8．1 国家教育资源公共服务平台 146
8．2 平台介绍 148
8．3 平台应用 149
第9章 总结与展望 152
9．1 总结 152
9．2 展望 153
9．3 应用 155