Прежде чем вы захотите прочитать мое резюме, вы можете ознакомиться с исходным документом: https://www.jstor.org/stable/pdf/jeductechsoci.14.2.248.pdf?seq=1#page_scan_tab_contents

В этой статье мы хотим решить проблему выбора лучших материалов из большого количества материалов электронного обучения. Хотя сама задача была решена, кажется, что существует гораздо более точная и эффективная, чем та, что уже существовала. В самих документах будут сравниваться результаты обоих подходов. Существующий подход использует совместную фильтрацию и фильтрацию на основе содержимого. Новый предложенный подход по-прежнему будет использовать фильтрацию на основе контента, но будет сочетать ее с хорошими оценками учащихся.

В предлагаемом подходе есть 2 этапа: этап моделирования, затем этап рекомендаций. Сама фаза моделирования вычисляет сходство элемента путем вычисления угла между двумя векторами из частоты термина / обратной частоты документа (TD-IDF) с нормализованной частотой каждого документа. Затем на этапе рекомендаций будет выбран N лучших похожих элементов на этапе моделирования вместе с его хорошими оценками учащихся. Рейтинги хороших учеников — это в основном рейтинг учащегося/студента с хорошими отметками.

Используемый набор данных включает 131 отдельный элемент. Сами эксперименты проводились на 95 студентах колледжа, которые были разделены на 4 группы: 1-я группа (Г1) состоит из 21 студента 1-го класса, использующих электронное обучение без рекомендательной системы, 2-я группа (Г2) состоит из 21 студента из второй класс, которые используют электронное обучение с рекомендательной системой на основе контента (G2), группа 3 (G3) состоит из 24 учащихся третьего класса, которые используют электронное обучение с предложенной рекомендательной системой, и, наконец, группа 4 ( G4) состоит из 29 учащихся четвертого класса, которые используют электронное обучение с рекомендательной системой совместной фильтрации (G4), предложенной (Soonthornphisaj et al., 2006). Эксперимент G4 проводился последним, чтобы свести к минимуму проблему холодного запуска (проблема отсутствия рейтинга элемента).

Точность рекомендательной системы рассчитывается с использованием средней абсолютной ошибки, которая представляет собой отклонение рейтинга между прогнозируемым рейтингом и рейтингом, заданным пользователем (Hernandez del Olmo & Gaudioso, 2008). По результатам эксперимента насчитывается 9803 оценки. Расчет MAE показывает, что совместная фильтрация имеет 0,8 MAE, контентная фильтрация — 2,5 MAE, а предлагаемый подход — 0,5 MAE. Следовательно, предлагаемый подход имеет лучшую MAE.

В документе также показано вычисление Precision, Recall и F-Measure для измерения точности поддержки принятия решений, которая показывает, насколько эффективно прогнозы помогают пользователю выбирать высококачественные элементы из набора элементов (Kunaver et al 2007). В целом, предлагаемый подход превосходит подход, основанный на содержании, и подход совместной фильтрации. Но предлагаемый подход имеет наименьшее значение Recall.

После эксперимента проводится предварительное и последующее тестирование. На предварительном тесте G1 (без рекомендателя) имеет самый высокий средний балл по всему классу. После пост-теста G3 (с предложенным подходом) получите лучший средний балл, а также лучшее среднее улучшение по сравнению с предварительным тестом.

Экспериментальные результаты показывают, что точность предлагаемой системы повышается на 83,28% по сравнению с подходом совместной фильтрации и на 48,58% по сравнению с подходом фильтрации на основе контента.