【论文标题】Automatic recommendation technology for learning resources with convolutional neural network （2016 ISET）

【论文作者】Xiaoxuan Shen, Baolin Yi*, Zhaoli Zhang，Jiangbo Shu, and Hai Liu

【论文链接】Paper （5-pages // Double column）

 

<札记非FY>

【摘要】
自动学习资源推荐已经成为一个越来越相关的问题:它使学生能够发现符合他们口味的新的学习资源，并使电子学习系统能够将他们的学习资源target到正确的学生。 本文提出了一种基于卷积神经网络(CNN)的学习资源自动推荐算法。 利用CNN可以从文本信息中预测隐含因子。要训练CNN，首先要解决它的输入输出问题。 对于输入，使用语言模型。 针对其输出，提出了用l1 -范数对其进行正则化的潜在因子模型。 在此基础上，引入了分裂Bregman迭代法求解模型。 该推荐算法的主要新颖之处在于构造了一种新的CNN来进行个性化推荐。 在公共数据库上的定量评价实验结果表明，与传统方法相比，该方法有明显的改进。 特别是当现有的推荐算法存在冷启动问题时，该算法也能很好地工作。
 
【关键字】资源推荐，卷积神经网络，L1范式，分裂Bregman迭代方法
 
【】
……也是使用到了text information 文本信息啊！！！！ an article ！
 
【结论】
本文提出了一种基于卷积神经网络的基于内容的学习资源推荐算法。 利用CNN可以从文本信息中预测潜在因子。 要训练CNN，首先要解决它的输入输出问题。 对于输入，使用语言模型。对于输出，我们提出了用l1 -范数正则化的隐含因子模型。 在此基础上，引入了分裂Bregman迭代法求解模型。本文所提出的这个推荐算法的主要新颖的地方在于 构造了一个新的CNN来进行个性化的推荐，并取得了较好的效果。 结果表明，本文提出的推荐算法对于推荐新鲜的、不热门的学习资源是可行的。 我们相信基于卷积神经网络的模型将在未来的电子学习系统或智能辅导系统中发挥至关重要的作用。 虽然这里考虑的应用是学习资源推荐，但该方法更适用于新闻推荐等。
 
 
 
 
 

【论文作者】Xiaoxuan Shen, Baolin Yi*, Zhaoli Zhang，Jiangbo Shu, and Hai Liu

【论文链接】Paper （5-pages // Double column）

 

<札记非FY>

【摘要】
自动学习资源推荐已经成为一个越来越相关的问题:它使学生能够发现符合他们口味的新的学习资源，并使电子学习系统能够将他们的学习资源target到正确的学生。 本文提出了一种基于卷积神经网络(CNN)的学习资源自动推荐算法。 利用CNN可以从文本信息中预测隐含因子。要训练CNN，首先要解决它的输入输出问题。 对于输入，使用语言模型。 针对其输出，提出了用l1 -范数对其进行正则化的潜在因子模型。 在此基础上，引入了分裂Bregman迭代法求解模型。 该推荐算法的主要新颖之处在于构造了一种新的CNN来进行个性化推荐。 在公共数据库上的定量评价实验结果表明，与传统方法相比，该方法有明显的改进。 特别是当现有的推荐算法存在冷启动问题时，该算法也能很好地工作。
 
【关键字】资源推荐，卷积神经网络，L1范式，分裂Bregman迭代方法
 
【】
……也是使用到了text information 文本信息啊！！！！ an article ！
 
【结论】
本文提出了一种基于卷积神经网络的基于内容的学习资源推荐算法。 利用CNN可以从文本信息中预测潜在因子。 要训练CNN，首先要解决它的输入输出问题。 对于输入，使用语言模型。对于输出，我们提出了用l1 -范数正则化的隐含因子模型。 在此基础上，引入了分裂Bregman迭代法求解模型。本文所提出的这个推荐算法的主要新颖的地方在于 构造了一个新的CNN来进行个性化的推荐，并取得了较好的效果。 结果表明，本文提出的推荐算法对于推荐新鲜的、不热门的学习资源是可行的。 我们相信基于卷积神经网络的模型将在未来的电子学习系统或智能辅导系统中发挥至关重要的作用。 虽然这里考虑的应用是学习资源推荐，但该方法更适用于新闻推荐等。
 
 
 
 
 

【论文作者】Xiaoxuan Shen, Baolin Yi*, Zhaoli Zhang，Jiangbo Shu, and Hai Liu

【论文链接】Paper （5-pages // Double column）

 

<札记非FY>

【摘要】
自动学习资源推荐已经成为一个越来越相关的问题:它使学生能够发现符合他们口味的新的学习资源，并使电子学习系统能够将他们的学习资源target到正确的学生。 本文提出了一种基于卷积神经网络(CNN)的学习资源自动推荐算法。 利用CNN可以从文本信息中预测隐含因子。要训练CNN，首先要解决它的输入输出问题。 对于输入，使用语言模型。 针对其输出，提出了用l1 -范数对其进行正则化的潜在因子模型。 在此基础上，引入了分裂Bregman迭代法求解模型。 该推荐算法的主要新颖之处在于构造了一种新的CNN来进行个性化推荐。 在公共数据库上的定量评价实验结果表明，与传统方法相比，该方法有明显的改进。 特别是当现有的推荐算法存在冷启动问题时，该算法也能很好地工作。
 
【关键字】资源推荐，卷积神经网络，L1范式，分裂Bregman迭代方法
 
【】
……也是使用到了text information 文本信息啊！！！！ an article ！
 
【结论】
本文提出了一种基于卷积神经网络的基于内容的学习资源推荐算法。 利用CNN可以从文本信息中预测潜在因子。 要训练CNN，首先要解决它的输入输出问题。 对于输入，使用语言模型。对于输出，我们提出了用l1 -范数正则化的隐含因子模型。 在此基础上，引入了分裂Bregman迭代法求解模型。本文所提出的这个推荐算法的主要新颖的地方在于 构造了一个新的CNN来进行个性化的推荐，并取得了较好的效果。 结果表明，本文提出的推荐算法对于推荐新鲜的、不热门的学习资源是可行的。 我们相信基于卷积神经网络的模型将在未来的电子学习系统或智能辅导系统中发挥至关重要的作用。 虽然这里考虑的应用是学习资源推荐，但该方法更适用于新闻推荐等。