CN110347893A - 一种基于子空间聚类的个性化学习内容推荐*** - Google Patents
一种基于子空间聚类的个性化学习内容推荐*** Download PDFInfo
- Publication number
- CN110347893A CN110347893A CN201910661684.2A CN201910661684A CN110347893A CN 110347893 A CN110347893 A CN 110347893A CN 201910661684 A CN201910661684 A CN 201910661684A CN 110347893 A CN110347893 A CN 110347893A
- Authority
- CN
- China
- Prior art keywords
- content
- resource
- subspace clustering
- subspace
- learning content
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 230000006399 behavior Effects 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims abstract description 6
- 230000002452 interceptive effect Effects 0.000 claims abstract description 5
- 238000002372 labelling Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000004321 preservation Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000002262 irrigation Effects 0.000 abstract 1
- 238000003973 irrigation Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于子空间聚类的个性化学习内容推荐***，其技术方案要点包括学生高维度子空间聚类模块，采用子空间聚类算法来实现高维度数据集聚；内容推荐引擎模块，其包括资源画像和特定用户，通过学习内容资源标签化模块来实现内容资源的画像，再通过子空间特定算法来识别特定用户，生成推荐结果；内容精准展现模块，这部分是面向应用的，能够根据具体应用设计不同的界面展现，通过用户展示界面，***能够记录各种信息，比如用户使用资源的方式、使用状况等行为，以及与***的交互信息。本发明的有益效果为：实现“把适当的内容在适当的时间推送到适当的学生”的效果，真正实现“因人而异，因材施教”的目标。
Description
技术领域
本发明属于内容智能化推荐教育***技术领域，具体涉及一种基于子空间聚类的个性化学习内容推荐***。
背景技术
随着素质教育在国内学校、各类培训机构的普及，如何通过个性化教育手段，有的放矢来提升学生学习效果一直是学校追求的目标。在大数据及人工智能盛行的时代，智能地个性化推荐引擎早已是国内外最受欢迎的技术，在教育行业的地位也越来越突出。
互联网目前就像空气一样渗入到教育行业，一方面成为很多人学***台以自身为中心，没有充分考虑到用户的个性化需求的问题，可以针对每一个***用户因材施教，提供相对符合用户需求的资源。但是仍然存在细化程度不足，针对性相对宽泛的不足。如何实现“把适当的内容在适当的时候通过适当的渠道推送给适当的学生”仍然是我们的目标。
发明内容
本发明的目的在于提供一种基于子空间聚类的个性化学习内容推荐***，以解决目前学习推荐***中内容初始评价和高维度数字化学生聚类的问题，实现“把适当的内容在适当的时间推送到适当的学生”的效果，真正实现“因人而异，因材施教”的目标。
为实现上述目的，本发明提供如下技术方案：一种一种基于子空间聚类的个性化学习内容推荐***，包括：学习内容资源标签化模块、学生高维度子空间聚类模块、内容推荐引擎模块、内容精准展现模块；
学习内容资源标签化模块，通过智能化的自动标签分类***，可以对各种内容资源进行有效的标签化，也就是数字化，实现内容资源的画像；
学生高维度子空间聚类模块，采用了子空间聚类算法来实现高维度数据集聚；
内容推荐引擎模块，其包括资源画像和特定用户，通过学习内容资源标签化模块来实现内容职员的画像，再通过子空间特定算法来识别特定用户，生成推荐结果。通常根据推荐目的的不同，可以进行多种形式的推荐。最常见的推荐结果有两种，Top-N 推荐，即推荐前N个结果进行推荐。
内容精准展现模块，这部分是面向应用的，可以根据具体应用设计不同的界面展现，通过用户展示界面，***能够记录各种信息，比如用户使用资源的方式、使用状况等行为，以及与***的交互信息。
本方案基于自动标签分类***，实现内容资源的画像，这解决了内容资源自然相似性和动态相似性的融合应用，同时解决了内容资源初始评价问题。同时通过高维度数字化学生的子空间聚类实现：通过对学生高维度的数字化及其数据预处理，采用子空间聚类算法实现传统聚类无法解决的高维度问题，这也使本发明方案具有极强的扩展能力和自适应能力。
优选的，所述自动标签分类***包括基于业务需求制定的类目标签体系制定部分、基于数据生态圈的准备训练数据集合部分、保留衍生有效字段的清洗训练数据集合部分、文本分词模型创建部分、多种文本模型创建部分、具有线性加权的模型验证完善优化部分、保存模型的参数和权重的保存模型部分。
优选的，所述文本分词模型创建部分选用的机器学习模型和深度学习算法为VSM、TF-IDF算法、Bag-of-words词袋模型中的一种或多种。
优选的，构建资源标签化的过程中，本***综合采用SVM/Bayes/NN等机器学习和深度学习的算法，对各种内容资源进行有效的标签化，也就是数字化，从而构建完善的自动标签分类***。
优选的，在建立内容画像过程中，***通过对内容的静态信息（资源来源、资源内容等）、动态信息以及其他信息（如评论等）的数据进行整合、处理，对内容进行标签化。
优选的，所述子空间聚类是传统N维聚类分析的扩展，其允许通过创建行和列聚类来同时对特征和观测个体进行分组。得到的组别（簇）有可能在特征和观测个体的空间中重叠。
本发明的技术效果和优点：
利用自动化分类标签***实现内容资源的画像，实现了内容资源的标签化和数字化，也实现了内容资源的关联性和追溯性，为向学生推荐合适的内容奠定基础。而高维度数字化学生的聚类算法，可实现学生的真正分类，解决传统算法无法胜任大数据、大维度的问题。
在教育行业可以真正做到“因材施教”，真正实现不同个性用户可以获得不同的推荐内容，以更有利于自身发展的方式获得相应的资源，全面实现素质教育的目标。另外本方案在其他行业也可以横向推广，对于任何需要精准营销场景的应用都可以推广使用，会给应用企业带来更有效的效果，更大的效益。
附图说明
图1为本发明的方案流程图；
图2为本发明的内容资源画像流程图；
图3为本发明的自动标签分类***图；
图4为三维数据集图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前教育内容推荐***使用的协同过滤机制已经取得很好的效益，实现了学生的个性化的智能学习，解决个性化资源的推荐问题。但是作为一种推荐机制，仍然存在着一定的缺点，有许多的问题需要解决。总的来说，最典型的问题有：初始评价问题和高维度数字化用户聚类问题需要解决，通过本发明能够使个性化内容推荐***真正成为“因材施教”的智能化推荐***，充分发挥大数据及人工智能技术在日益普及的（移动）互联网在线教育中起到越来越精准的“靶向”作用。
本发明提供了如图1所示的一种基于子空间聚类的个性化学习内容推荐***，其包括学习内容资源标签化模块、学生高维度子空间聚类模块、内容推荐引擎模块和内容精准展现模块。所述学习内容资源标签化模块：通过智能化的自动标签分类***，对各种内容资源进行有效的标签化，也就是数字化，实现内容资源的画像；学生高维度子空间聚类模块：采用子空间聚类算法来实现高维度数据集聚；内容推荐引擎模块：其包括资源画像和特定用户，通过学习内容资源标签化模块来实现内容资源的画像，再通过子空间特定算法来识别特定用户，生成推荐结果；内容精准展现模块：这部分是面向应用的，能够根据具体应用设计不同的界面展现，通过用户展示界面，***能够记录各种信息，比如用户使用资源的方式、使用状况等行为，以及与***的交互信息。
下面对每个模块做一个具体说明。学习内容资源标签化模块包括内容资源画像，内容资源画像是对内容资源的标签化，流程如图2所示：在建立内容画像过程中，***通过对内容的静态信息（资源来源、资源内容等）、动态信息以及其他信息（如评论等）的学习数据进行整合、处理，对内容进行标签化。实际上，标签是一种用简短的语言来表示内容资源的一个特性，如某个内容属于“课后提高”类，适合“小学”内容，阅读非常高的“高阅读”等等。这事一种内容资源的数字化处理。
在构建资源标签化的过程中，本方案综合采用SVM/Bayes/NN等机器学习和深度学习的算法，构建了自动标签分类***，如图3所示。
通过智能化的自动标签分类***，可以对各种内容资源进行有效的标签化，也就是数字化，这是推荐引擎不可或缺的一部分。
组成有效推荐引擎的另一部分就是高维度学生聚类功能。一个有针对性的、实用的推荐***是一个“千人前面”的推荐***。而实现这个目标需要考虑的因素众多，包括：学生的年龄、性别、地域、家庭关系、星座、体型、爱好（读书、体育等）、购物、同学关系、师生关系、家庭关系、就学机构的评级、过往学习的历史成绩，甚至生活方式等等数据，维度数量超过几十个，是一种典型的高维度数据。加上***对实时性的要求，这已经超出了传统统计的能力，只有使用机器学习的模型才能有效解决这个问题。
高维数据是指包括具有几十到几百个，设置上千个特征（或维度）的输入。这是例如在生物信息学（各种测序数据）或NLP中通常遇到的文档处理，以及本方案中的学生聚类等等，需要处理的维度（属性）特别多，是典型的高维度数据。高维数据具有挑战性，因为：
高维度数据会导致所谓的“维度的诅咒”，即所有子空间的枚举处理随着维度的怎讲而难以处理，同时也使得机器学习结果的可视化变得哪一理解。
高维度数据中很多维度直接可能没有任何关系，但是却会因此而会把可能的有效组别（簇）掩盖在噪声数据中。
高维数据一种常见的方式是特征选择，但是由于不同的组别（簇）需要不同的维度，因此不能采用简单地删除对于一个组别（簇）无用的特征，因为这个特征很可能是另外一个组别（簇）的重要特征。
在本方案中，采用了子空间聚类算法来实现，学生高维度子空间聚类模块是一种是实现高维数据集聚类的有效途径。通常整体空间是指有所有N维度组成的空间，而子空间聚类是一种在不同子空间（一个或多个维度的组合）中查找聚类的技术。基本假设是我们可以找到仅由维度子集定义的有效集群（不需要具有所有N个特征的一致性）。例如，如果我们考虑输入学生的数据属性超过50个，只有通过查看其中某30个属性的子集的才能找到“心理素质一般，但是爱好体育和数学”的组别（簇），同时其他组别（簇）可能需要另外40个属性的子集等等。换句话说，子空间聚类是传统N维聚类分析的扩展，其允许通过创建行和列聚类来同时对特征和观测个体进行分组。得到的组别（簇）有可能在特征和观测个体的空间中重叠。
为了便于理解，这里列举三维数据集进行说明：如图4中，有三个维度的数据集合，其中有四个组别（簇）。从上图的上半部分可以看出，两个组别（簇）之间会有交叉，这对传统聚类方法是无法实现区分的。
图4的下半部分是子空间聚类的结果二维展示，可以看到子空间聚类设法找到一个子空间（如维度A和C），其中预期的聚类很容易识别，并且很容易可视化和理解。
这对聚类结果的使用是至关重要的。在本个性化教学内容推荐***中，会更加准确，更有针对性。
内容推荐引擎模块，其包括资源画像和特定用户，通过学习内容资源标签化模块来实现内容职员的画像，再通过子空间特定算法来识别特定用户，生成推荐结果。通常根据推荐目的的不同，可以进行多种形式的推荐。最常见的推荐结果有两种，Top-N 推荐，即推荐前N个结果进行推荐。
用户展现界面：这是用户直接面对的前端展现，是用户界面的部分。这部分是面向应用的，可以根据具体应用设计不同的界面展现。另外，通过这个界面，***还可以记录各种信息，比如用户使用资源的方式、使用状况等行为，以及与***的交互信息等等。而这些数据都是进一步完善和提高***准确率的重要数据，所以这也是采集所需数据的重要环节之一。
本方案的技术效果为：内容资源的画像模型，实现内容资源推荐的数字化。通过对内容资源的画像，一方面可以解决内容资源的初始评价问题，解决推荐***的“冷启动”问题；另一方面可以为精准匹配学生用户提供数字化基础。
采用子空间聚类算法，实现高维度数字化学生聚类问题。我们知道，对一个学生的分类，考虑的因素（维度）越多，通过深度学习算法，就可能更好地理解、把握用户。需要考虑的维度包括学生的年龄、性别、地域、家庭关系、就学机构的评级、过往学习的历史成绩等等信息。这已经是典型的需要大数据技术来处理高维度的问题了。高维数据聚类是聚类分析技术的难点和重点，子空间聚类是实现高维数据集聚类的有效途径。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于子空间聚类的个性化学习内容推荐***，其特征在于：包括学习内容资源标签化模块、学生高维度子空间聚类模块、内容推荐引擎模块、内容精准展现模块；
学习内容资源标签化模块，通过智能化的自动标签分类***，对各种内容资源进行有效的标签化，也就是数字化，实现内容资源的画像；
学生高维度子空间聚类模块，采用子空间聚类算法来实现高维度数据集聚；
内容推荐引擎模块，其包括资源画像和特定用户，通过学习内容资源标签化模块来实现内容资源的画像，再通过子空间特定算法来识别特定用户，生成推荐结果；
内容精准展现模块，这部分是面向应用的，能够根据具体应用设计不同的界面展现，通过用户展示界面，***能够记录各种信息，用户使用资源的方式、使用状况等行为，以及与***的交互信息。
2.根据权利要求1所述的一种基于子空间聚类的个性化学习内容推荐***，其特征在于：所述自动标签分类***包括基于业务需求制定的类目标签体系制定部分、基于数据生态圈的准备训练数据集合部分、保留衍生有效字段的清洗训练数据集合部分、文本分词模型创建部分、多种文本模型创建部分、具有线性加权的模型验证完善优化部分、保存模型的参数和权重的保存模型部分。
3.根据权利要求2所述的一种基于子空间聚类的个性化学习内容推荐***，其特征在于：所述文本分词模型创建部分选用的机器学习模型和深度学习算法为VSM、TF-IDF算法、Bag-of-words词袋模型中的一种或多种。
4.根据权利要求2所述的一种基于子空间聚类的个性化学习内容推荐***，其特征在于：在构建资源标签化的过程中，所述多种文本生成模型部分为SVM、Bayes、NN机器学习和深度学习的算法中的一种或多种，构建起自动标签分类***。
5.根据权利要求1所述的一种基于子空间聚类的个性化学习内容推荐***，其特征在于：在建立内容画像过程中，所述***通过对内容的静态信息，静态信息包括资源来源、资源内容、动态信息以及其他信息如评论的数据进行整合、处理，对内容进行标签化。
6.根据权利要求1所述的一种基于子空间聚类的个性化学习内容推荐***，其特征在于：所述子空间聚类是传统N维聚类分析的扩展，其通过创建行和列聚类来同时对特征和观测个体进行分组，得到的组别或簇能够在特征和观测个体的空间中重叠。
7.根据权利要求1所述的一种基于子空间聚类的个性化学习内容推荐***，其特征在于：所述推荐结果根据推荐目的的不同，能够进行多种形式的推荐，所述推荐结果为Top-N推荐，即推荐前N个结果进行推荐。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910661684.2A CN110347893A (zh) | 2019-07-22 | 2019-07-22 | 一种基于子空间聚类的个性化学习内容推荐*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910661684.2A CN110347893A (zh) | 2019-07-22 | 2019-07-22 | 一种基于子空间聚类的个性化学习内容推荐*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110347893A true CN110347893A (zh) | 2019-10-18 |
Family
ID=68179685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910661684.2A Withdrawn CN110347893A (zh) | 2019-07-22 | 2019-07-22 | 一种基于子空间聚类的个性化学习内容推荐*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110347893A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110807152A (zh) * | 2019-10-31 | 2020-02-18 | 武汉天喻教育科技有限公司 | 基于多业务的推荐引擎***的创建方法和存储介质 |
| CN111144732A (zh) * | 2019-12-23 | 2020-05-12 | 江苏金智教育信息股份有限公司 | 一种基于行为大数据的学生能力评估方法和装置 |
| CN111967541A (zh) * | 2020-10-21 | 2020-11-20 | 上海冰鉴信息科技有限公司 | 基于多平台样本的数据分类方法及装置 |
| CN113709062A (zh) * | 2020-06-19 | 2021-11-26 | 天翼智慧家庭科技有限公司 | 基于业务动态画像的资源调整方法和*** |
| CN115660608A (zh) * | 2022-12-14 | 2023-01-31 | 揭阳职业技术学院 | 一种一站式的创新创业孵化方法 |
-
2019
- 2019-07-22 CN CN201910661684.2A patent/CN110347893A/zh not_active Withdrawn
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110807152A (zh) * | 2019-10-31 | 2020-02-18 | 武汉天喻教育科技有限公司 | 基于多业务的推荐引擎***的创建方法和存储介质 |
| CN110807152B (zh) * | 2019-10-31 | 2022-06-07 | 武汉天喻教育科技有限公司 | 基于多业务的推荐引擎***的创建方法和存储介质 |
| CN111144732A (zh) * | 2019-12-23 | 2020-05-12 | 江苏金智教育信息股份有限公司 | 一种基于行为大数据的学生能力评估方法和装置 |
| CN113709062A (zh) * | 2020-06-19 | 2021-11-26 | 天翼智慧家庭科技有限公司 | 基于业务动态画像的资源调整方法和*** |
| CN113709062B (zh) * | 2020-06-19 | 2024-04-16 | 天翼视联科技有限公司 | 基于业务动态画像的资源调整方法和*** |
| CN111967541A (zh) * | 2020-10-21 | 2020-11-20 | 上海冰鉴信息科技有限公司 | 基于多平台样本的数据分类方法及装置 |
| CN111967541B (zh) * | 2020-10-21 | 2021-01-05 | 上海冰鉴信息科技有限公司 | 基于多平台样本的数据分类方法及装置 |
| CN115660608A (zh) * | 2022-12-14 | 2023-01-31 | 揭阳职业技术学院 | 一种一站式的创新创业孵化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110347893A (zh) | 一种基于子空间聚类的个性化学习内容推荐*** | |
| Bhatia | Data mining and data warehousing: principles and practical techniques | |
| Montiel et al. | Emotions and sustainability: A literary genre-based framework for environmental sustainability management education | |
| McNamara | Of intellectual monocultures and the study of IPE | |
| Fiaidhi | The next step for learning analytics | |
| Pangrazio et al. | Datafication meets platformization: Materializing data processes in teaching and learning | |
| Granell | Multilingual information management: Information, technology and translators | |
| CN113886567A (zh) | 一种基于知识图谱的教学方法及*** | |
| Callingham | Market intelligence: how and why organizations use market research | |
| Efrati et al. | A data mining approach to the analysis of students’ learning styles in an e-learning community: A case study | |
| D'Urzo et al. | Design-led repair & reuse: An approach for an equitable, bottom-up, innovation-driven circular economy | |
| Gu et al. | The influence of teacher’s job satisfaction on students’ performance: An empirical analysis based on large-scale survey data of Jiangsu province | |
| Huang et al. | Empirical Study on Design Trend of Taiwan (1960s–2020): The Evolution of Theme, Diversity and Sustainability | |
| CN117112648A (zh) | 一种基于智慧教育数据的高校学生学习画像生成***及方法 | |
| Rahimi et al. | Investigating teachers’ perception about the educational benefits of Web 2.0 personal learning environments | |
| Jaleniauskienė et al. | Artificial intelligence in language education: a bibliometric analysis | |
| Raford | Large scale participatory futures systems: a comparative study of online scenario planning approaches | |
| Tabbi | Relocating the Literary: In Networks, Knowledge Bases, Global Systems, Material, and Mental Environments | |
| Rather et al. | Information needs of users in the tech savvy environment and the influencing factors | |
| Celi et al. | Innovating trend research practice through a data driven-approach: a blended experience within the design field | |
| Si et al. | Construction and management method of university information platform based on big data technology | |
| Whetstone | Tracing paradigm shifts in information literacy: a progressive knowledge domain visualization approach | |
| Zhang et al. | The track, hotspot and frontier of international MOOC research 2008–2018—a Scientometric analysis based on SCI and SSCI | |
| Hidayat et al. | Data analytics for effectiveness evaluation of islamic higher educationusing k-means algorithm | |
| Yang | English scores by distributed ID3 algorithm of computer network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191018 |