项目解决的问题或方向

随着教育信息化改革的不断深化，网络学习平台不断增多，网络课程不断丰富。在用户的选课环节，由于可选的课程数量繁多，用户很难知道哪些课程适合自己，如何充分有效地向用户推荐其感兴趣的课程，成为一个亟待解决的问题。本项目拟开发面向网络课程的智能推荐系统，基于知识图谱、深度学习等技术提高课程的推荐精度，进而提升用户的学习效果和满意度。

团队简介

本团队由两位教授和10余名研究生构成。

团队带头人2010年在西安电子科技大学获得博士学位。2011年晋升为西安电子科技大学副教授，硕士生导师。目前是西安电子科技大学人工智能学院、智能感知与图像理解教育部重点实验室，智能感知与计算国际联合研究中心成员，国家“111”计划创新引智基地成员，美国电气电子工程师协会(IEEE)会员，曾任ACM Computing survey，Knowledge-Based Systems，IEEE Geoscience and Remote Sensing Letters 等国际期刊审稿人。目前主要的研究方向为计算智能、机器学习及推荐算法等。

项目介绍

 研究目标：

1、针对协同过滤推荐在数据规模增长时面临的推荐效率降低的问题，研究提升推荐算法效率的方法，解决或缓解协同过滤一直存在的可扩展性问题。

2、针对选课数据具有稀疏性的问题，研究具有较强鲁棒性的推荐算法，解决因数据稀疏性引起的推荐性能下降的问题。

3、针对用户在选课过程具有多方面要求，采用单一标准的推荐算法难以满足实际需求的问题，研究能够综合考虑不同推荐指标的推荐算法，实现能够兼顾准确性、多样性和新颖性的推荐算法。

成果内容：

1、针对可扩展性问题，研究基于信息核的推荐技术。所谓信息核是所有真实用户中存在的一部分用户构成的集合，他们的历史行为数据比较客观，对推荐算法性能的影响也是正向的。

2、针对选课数据具有稀疏性的问题，研究基于知识图谱和语义分析的推荐算法。利用知识图谱和语义分析方法充分地挖掘用户及课程之间的内在联系，并建立事物之间的联系，缓解因数据稀疏造成的推荐精度下降问题。

3、针对提升推荐算法的准确性和推荐效率的问题，研究基于深度神经网络的推荐算法。

4、针对提升推荐算法的多样性和新颖性的问题，研究混合推荐算法及基于多目标优化的推荐算法。

产业模式及市场分析、成果形式（专利，软著，系统、产品等）

产业模式及市场分析：

当代社会，教育无处不在，学校教育，各个行业领域的专业教育等，都在蓬勃发展，除了传统形式的课堂教学方式，慕课、远程教育、在线教育等形式层出不穷，在网络背景下充分利用网络教学大数据设计高效的智能推荐算法，从而提升网络学习平台用户的学习效果，有很大的研究探索空间，也有着广阔的市场应用前景。

成果形式：

1.设计开发个性化课程推荐算法及软件。

2.申报国家专利1-3项。