硕士论文答辩-Bayesian推理.ppt

基于CBR的Bayesian在ITS中的应用研究 答辩人： 丁继红 研究方向：数据挖掘与智能教学系统 指导老师：刘先锋 教授 本文的基本框架 总体架构 本文主要工作 1、利用学生特征库、数据仓库、教学方法库、学习资源库等，提出了基于ITS的知识推理模型。同时设计出了表征学生特征的学生模型表。 本文主要工作 2、结合Corpus库，利用余弦相似度函数、Bayesian 定理和联合概率公式构造了一个Bayesian推理网。得出了基于Bayesian推理网的学习推荐算法，利用Java和MySQL 对此方法进行实现，得出仿真实验的结果。 本文主要工作 3、构造出了一个基于CBR的Bayesian推理网模型，结合基于用户的协作过滤技术、预测评分方法、Bayesian定理进行学习推荐。 利用Java和My SQL进行实现，得出仿真实验的结果。 Bayesian分类 ： 其中xi是与元组ti相关的数据值，因此由P(Cj|xi)可以进一步计算出P(Cj|ti)。假设元组ti有p个独立的属性值{xi1，xi2，…，xip}。对于每个属性xik，可以很容易计算P(xik|Cj)，进而可以估计出P(ti|Cj)。 知识推理模型 Bayesian推理算法 具体算法如下： 1、对于学生子网中的每一个学生Ui（或用户组），在学生特征术语子网中，找出与Ui 连接的所有学生特征术语子节点，分别为：TH1，TH2…THj（j表示有j个学生特征术语与Ui相连），且算出学习者Ui与特征术语THj的特征权重WHj。 Bayesian推理算法 2、对于上述1中的每一个THj，在教学方法术语子网中，找出与THj连接的所有教学方法术语子节点，分别为：TM1，TM2…TMk（k表示有k个教学方法术语与THj相连），且计算教学方法术语TMk与学生特征术语THj之间的相似度Bkj；同时，在学习资源术语子网中，找出与THj连接的所有学习资源术语子节点，分别为：TR1，TR2…TRk（k表示有k个学习资源术语与THj相连），且计算学习资源术语TRk与学生特征术语THj之间的相似度Vkj； Bayesian推理算法 3、重复2，直到TH1，TH2…THj全部运算完毕。 4、对于上述2中的每一个TMk，在教学方法子网中，找出与TMk连接的所有教学方法子节点，分别为：M1，M2…Mm（m表示有m个教学方法与TMk相连），依据TD-IDF方法计算教学方法节点Mm与教学方法术语节点TMk的权重Amk；同时，在学习资源子网中，找出与TRk 连接的所有学习资源子节点，分别为：R1，R2…Rm（m表示有m个学习资源与TMk相连），依据TD-IDF方法计算学习资源节点Rm与学习资源术语节点TRk的权重Wmk； Bayesian推理算法 5、重复4，直到TM1，TM2…TMk和TR1，TR2…TRk全部运算完毕。 6、对于上述4中的每一个教学方法Mm，在教学方法术语子网中，找出与Mm连接的所有教学方法术语父节点，分别为：TM1，TM2…TMn，依据以上1、2、3中计算的WHj，Bkj，Ank，根据公式依次算出；同时，在学习资源术语子网中，找出与Rm连接的所有学习资源术语父节点，分别为：TR1，TR2…TRn，依据以上1、2、3中计算的WHj，Vkj，Wnk，根据公式依次算出 ， 和 。 Bayesian推理算法 7、重复6，直到M1，M2…Mm全部运算完毕，结合用户对于节点的影响，在m个教学方法中找出 后验概率最大的一个或多个，将其教学方法推荐给学生Ui；同时，在m个学习资源中找出 后验概率最大的一个或多个，将其学习资源推荐给学生Ui（或用户组）。 8、重复1，直到U1，U2…Un全部运算完毕，即给每一个学生（或用户组）都推荐最好的学习方法和学习资源。 推荐方法 结果比较 基于案例的Bayesian知识推理模型 基于用户的协作过滤技术 基于用户的协作过滤技术分两步： （1）发现与目标用户评分最相近的若干邻居。 （2）预测目标案例与案例库中邻居案例的相似度，并通过目标学生对邻居案例预测打分，将预测评分最高的若干项目形成初步供选择的候选案例。预测方法如下： 算 法 输入：用户的基本信息、案例库中的信息和评价结果。 输出：用户的top-N学习资源和教学方法推荐集。 过程： Step1：让用户从案例库中随机选取N种（根据案例空间的大小确定N的值）学习资源及学习方法，并对其打分，打分项目集记作。 Step2：对于项目，以及案例集中的用户及打分项目集利用公式（4-1）计算相似度。 算 法 Step3：从集合中选取相似度最大的M（M一般取10）个，同时给这些被选取