结合视觉化教材与文章推荐系统实现於演算法课程.pptVIP

分析內容 Content-based: 媒體內容 Collaborative filtering:使用者與同儕的 如瀏覽紀錄 CB: 直接對內容作分析，因此在訓練完成後，可擁有快速的推薦速度 * 我們lab的系統截圖 * 此為我們的系統概述，當使用者進入演算法教學平台時，使用者會在資料庫中產生一個個人的歷程，以利系統做比對， 而在我們系統中，會照演算法的不同，進行不同的變數分析，來做動畫的呈現，之後再根據使用者歷程與推薦模組， 來產生相關的推薦連結，給予使用者適性化的推薦 * * 變數 區塊 debug 互動式功能 * * 文章推薦 TFIDF TF: 字詞在文章中出現的次數 n j / n all 頻率越高越重要 IDF: 所有文章中出現字詞的次數 N / d j 取log * 協同式過濾 這是未來我們想嘗試的部分，學習歷程是紀錄該學習者是否有看過這個教材，使用者能力值的部分，則是由測驗結果來判定 而在推薦模組中，我們對該學習者 與 所有學習的的歷程做相似度計算，首先我們會先挑出相同能力的使用者歷程，在對學習歷程 做比較，針對沒閱讀過的教材，如果相同能力的使用者閱讀次數越高的話，則推薦的分數越高，若相同能力沒有 同儕的推薦，則由老師或專家來推薦。 * 為了評估我們系統推薦的準確度，收集使用者對推薦結果的回饋， 我們針對使用Content-based 與 Collaborative filtering 來做區分 * 資訊工程系 智慧型系統實驗室iLab 南台科技大學 資訊工程系 智慧型系統實驗室iLab 南台科技大學 結合視覺化教材與文章推薦系統實現於演算法課程 南台科技大學 資訊工程系 鄭淑真、郭豐榮 * 大綱 緒論 文獻探討 系統架構 討論與未來展望 * 1.緒論(1/3) 傳統演算法課程 由老師單方面授課 紙本教學 數位教學平台 提供教材下載 討論區 圖片來源: /watch?v=JPyuH4qXLZ0feature=sharelist=PL53C58F2E6AA663DD * 1.緒論(2/3) * 1.緒論(3/3) 結合動畫與文字的教學平台 文章推薦 適性化系統 * 2.1 視覺化輔助學習 傳統數位學習 投影片 網站超連結 視覺化輔助 動畫呈現 互動式模組 * 2.2.雙碼理論 文字 + 圖像 * 2.3.資訊檢索 架構圖 * 2.4.推薦系統(1/2) 精華文章列表 文章推薦 * 2.4.推薦系統(2/2) Content-based Collaborative filtering 分析對象 媒體內容 使用者與同儕的操作資訊 優點 直接對內容進行分析 推薦速度快 新項目可立即被推薦 不須分析媒體內容 可發現新的興趣項目 計算速度快 缺點 多媒體型態內容分析不易 需大量訓練資料 無法發掘使用者潛在興趣 新使用者問題 新項目問題 稀疏性問題 * 推薦方法比較 2.5.Web-based learning * 線上學習平台 易用性、隨時可取得 適性化、互動性 3.1.系統架構 * 3.2.視覺化教材呈現(1/3) 變數分析 運行步驟分析 while(集合F中邊緣線個數少於n-1) { e=尚未檢查到且有最小weigh值之 edge; i , j = e 邊緣上之兩頂點; p = find(i); q = find(j); if(!equal(p,q)){不同集合 merge(p,q); 將 e 加入 F; } } * int I = 5 I = I + 1; I = 5 I = 6 3.2.視覺化教材呈現(2/3) Kruskal演算法 * 3.2.視覺化教材呈現(3/3) 0-1背包問題 * 3.3.推薦模組(1/2) TFIDF TF: Term Frequency IDF: Inverse Document Frequency * 3.3.推薦模組(2/2) * 4.結論與未來展望(1/3) 實驗設計 對象：大學部學生 調查：推薦符合度 * CB: Content-based CF: Collaborative filtering X: without recommend 推薦方式 CB X CF 實驗組一 實驗組二 X 實驗組三 對照組 4.結論與未來展望(2/3) 視覺化演算法教材 精華文章 文章推薦 * 4.結論與未來展望(3/3) 混合式推薦 動畫教材與精華文章的連結 學習風格分類 * 感謝大家的聆聽~ 謝謝 * * 緒論的部分 會介紹現在演算法課程的學習情況 再介紹本篇paper所參考的一些理論與技術基礎 在系統架構介紹我們實作的情況與方法 以及我們的結論與未來展望 * 傳統課程 = 紙本 = 老師單方授課 簡