Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Performance Analysis of Self- Evolutionary Algorithms on Networks with Correlated Failures Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

A Recommender System Based on Hierarchical Clustering for Cloud e-Learning

verfasst von : Krenare Pireva, Petros Kefalas

Erschienen in: Intelligent Distributed Computing XI

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Cloud e-Learning (CeL) is a new paradigm for e-Learning, aiming towards using any possible learning object from the cloud in a smart way and generate a personalised learning path for individual learners. An issue that appears before the generation of the learning path through automated planning, is to filter a pool of resources that are relevant to the learners profile and desires in order to enhance their knowledge and skills at a higher cognitive level. In this paper, we present a Recommender System for Cloud e-Leaning (CeLRS) that uses hierarchical clustering to select the most appropriate resources and utilise a vector space model to rank these resources in order of relevance for any individual learner. We discuss the issues raised and we demonstrate how CeLRS works.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel An Argumentative Approach to Smart Home Office Ambient Lighting
Nächstes Kapitel A Taxonomy of Anomalies in Distributed Cloud Systems: The CRI-Model
Fußnoten
Literatur
1.
Buzydlowski, J.W., Lin, X., Zhang, M., Cassel, L.N.: A comparison of a hierarchical tree to an associative map interface for the selection of classification terms. Proc. Am. Soc. IST 50(1), 1–4 (2013)
2.
Felder, R.M., Brent, R.: Understanding student differences. J. Eng. Educ. 94(1), 57–72 (2005)CrossRef
3.
Fu, X., Budzik, J., Hammond, K.J.: Mining navigation history for recommendation. In: Proceedings of IC on Intelligent UI, pp. 106–112. ACM (2000)
4.
Fung, B.C., Wang, K., Ester, M.: Hierarchical document clustering using frequent itemsets. In: Proceedings of IC on Data Mining, pp. 59–70. SIAM (2003)
5.
Gomez-Uribe, C.A., Hunt, N.: The netflix recommender system: algorithms, business value, and innovation. ACM TMIS 6(4), 13 (2016)
6.
Jabakji, A., Dag, H.: Improving item-based recommendation accuracy with user’s preferences on apache mahout. In: 2016 IEEE International Conference on Big Data (Big Data), pp. 1742–1749. IEEE (2016)
7.
Li, X., Chang, S.K.: A personalized e-learning system based on user profile constructed using information fusion. In: DMS, pp. 109–114 (2005)
8.
Linden, G., Smith, B., York, J.: Amazon.com recommendations: item-to-item collaborative filtering. IEEE Internet Comput. 7(1), 76–80 (2003)CrossRef
9.
Lu, J.: Personalized e-learning material recommender system. In: IC on information technology for application, pp. 374–379 (2004)
10.
Pireva, K., Kefalas, P., Cowling, A.: A Review of Automated Planning and its Application to Cloud e-Learning. Work in progress, Paper Submitted (2017)
11.
Pireva, K., Kefalas, P., Stamatopoulou, I.: Representation of Learning Objects in Cloud e-Learning. Work in progress, Paper Submitted (2017)
12.
Pireva, K., Kefalas, P.: The use of multi agent systems in cloud e-learning. In: Doctoral Student Conference on ICT, pp. 324–336 (2015)
13.
Polettini, N.: The vector space model in information retrieval-term weighting problem. Entropy, 1–9 (2004)
14.
Portugal, I., Alencar, P., Cowan, D.: The use of machine learning algorithms in recommender systems: a systematic review (2015). arXiv:​1511.​05263
15.
Ricci, F., Rokach, L., Shapira, B.: Introduction to Recommender Systems Handbook. Springer (2011)
16.
Rokach, L., Maimon, O.: Clustering Methods. In: Data Mining and Knowledge Discovery Handbook, pp. 321–352. Springer (2005)
17.
Schafer, J.B., Konstan, J., Riedl, J.: Recommender systems in e-commerce. In: Proceedings of Conference on Electronic Commerce, pp. 158–166. ACM (1999)
18.
Singh, V.K., Singh, V.K.: Vector space model: an information retrieval system. Int. J. Adv. Eng. Res. Stud. 141, 143 (2015)
19.
Stern, D.H., Herbrich, R., Graepel, T.: Matchbox: large scale online bayesian recommendations. In: Proceedings of IC on WWW, pp. 111–120. ACM (2009)
20.
Willett, P.: The porter stemming algorithm: then and now. Program 40(3), 219–223 (2006)CrossRef
Metadaten
Titel
A Recommender System Based on Hierarchical Clustering for Cloud e-Learning
verfasst von
Krenare Pireva
Petros Kefalas
Copyright-Jahr
2018
Buch
Intelligent Distributed Computing XI

Print ISBN: 978-3-319-66378-4

Electronic ISBN: 978-3-319-66379-1

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-66379-1_21