本书针对学习者在选择合适的学习资源时所面临的问题，利用深度学习技术分别对学习者模型、学习者的反馈信息、学习者的社交关系和学习资源的知识图谱等方面的内容进行建模研究。本书采用定量与定性的研究方式评估了所提出的学习资源适配模型，并实现和开发了学习资源适配服务平台，从理论和实证研究相结合的角度对学习资源适配技术进行了系统性的研究。本书图文并茂，既有详细的模型算法图，又有严谨的公式推导和实验验证，所构建的模型能够有效地提高学习资源适配的准确率，使学习者在进行在线学习的过程中获得更加个性化的学习体验，以提高学习者的学习效率，具有一定的理论研究价值和较高的应用可行性。

刘海，博士，华中师范大学人工智能教育学部副教授，长期从事自我调节学习、机器学习、数据挖掘、智能信息处理、计算机视觉等方面的研究。近些年来，在国家重点研发计划、国家自然科学基金等项目的支持下，对上述领域进行了系统而广泛的研究，在理论研究和应用扩展方面取得了大量的成果。目前已在国内外知名期刊和学术会议上发表了学术论文60余篇，其中以第一作者（通讯作者）发表SCI、SSCI、CSSCI期刊论文40余篇，含中科院一区IEEE trans系列20余篇，12篇入选ESI高被引论文；申请国家发明专利40余项，授权10余项。曾荣获湖北省科学技术进步一等奖（2020）、教育部科技进步奖一等奖（2019）。

第1部分 绪论
第1章 研究背景与意义
1.1 相关政策
1.1.1 国内政策
1.1.2 国外政策
1.2 国内外研究现状
1.2.1 阶段描述
1.2.2 国内应用现状
1.2.3 经典学习资源适配算法进展
1.2.4 学习资源适配中深度学习技术的发展
1.3 学习资源适配的挑战
1.4 学习系统中的学习资源适配
1.4.1 国内应用现状
1.4.2 国外应用现状
1.5 本书内容与结构安排
参考文献
第2章 相关理论基础
2.1 概念界定
2.2 学习资源适配的数学基础
2.2.1 概率知识
2.2.2 矩阵分解
2.3 学习资源适配中的教育学理论
2.4 学习资源适配评价标准
2.4.1 评分预测指标
2.4.2 Top-K推荐指标
2.4.3 CTR推荐指标
参考文献
第2部分 关键技术
第3章 认知诊断模型
3.1 基础知识
3.1.1 知识追踪的任务定义
3.1.2 知识追踪数据集介绍
3.1.3 传统的知识追踪模型
3.2 引入流行模型的知识追踪模型
3.2.1 深度知识追踪
3.2.2 基于图神经网络的知识追踪
3.2.3 融入Transformer模型的知识追踪
3.3 融入学习过程因素的知识追踪模型
3.3.1 纳入学习者能力因素的知识追踪
3.3.2 融入题目文本信息及其知识点的知识追踪
3.3.3 融合认知诊断的学习资源适配技术
3.4 研究趋势和展望
3.4.1 研究趋势
3.4.2 展望
参考文献
第4章 基于评分记录的学习资源适配
4.1 基础知识
4.1.1 评分的性质
4.1.2 隐含因子先验估计模型
4.1.3 基于深度学习的推荐模型
4.2 基于CNN的内容推荐模型
4.2.1 基于内容的推荐框架
4.2.2 CNN
4.2.3 隐含因子模型
4.2.4 实验分析
4.3 基于隐含反馈嵌入的深度矩阵分解推荐模型
4.3.1 研究内容
4.3.2 模型框架
4.3.3 模型优化
4.3.4 实验及结果分析
4.4 研究趋势
参考文献
第5章 基于评论信息的个性化学习资源适配
5.1 基础知识
5.1.1 评论信息的来源
5.1.2 评论信息的关系
5.1.3 评论信息的特点
5.2 基于评论表示学习和历史评分行为的置信度感知推荐模型
5.2.1 研究内容
5.2.2 模型框架
5.2.3 模型优化和超参数
5.2.4 实验分析
5.3 基于评论特征表示学习的高效深度矩阵分解模型
5.3.1 研究内容
5.3.2 模型框架
5.3.3 模型优化和超参数
5.3.4 实验分析
5.4 研究趋势
参考文献
第6章 融入社交关系感知网络的学习资源适配
6.1 基础知识
6.1.1 社交关系表征
6.1.2 图卷积神经网络
6.1.3 基于社交关系的推荐
6.2 基于学习者多视角的社交推荐模型
6.2.1 研究内容
6.2.2 模型框架
6.2.3 实验分析
6.3 融合图卷积的复杂社交关系推荐模型
6.3.1 研究内容
6.3.2 模型框架
6.3.3 实验分析
6.4 .研究趋势
参考文献
第7章 知识图谱与学习资源适配
7.1 基于多尺度动态卷积的知识图谱嵌入模型
7.1.1 背景
7.1.2 M-DCN模型
7.1.3 实验分析
7.2 基于异质图神经网络的少样本知识图谱推理模型
7.2.1 背景
7.2.2 IERCN模型
7.2.3 实验分析
7.3 基于异质图神经网络的知识图谱交互学习推理模型
7.3.1 背景
7.3.2 HRAN模型
7.3.3 实验分析
7.4 基于知识图谱的学习资源适配模型
7.5 研究趋势
参考文献
第3部分 应用与展望
第8章 学习资源适配系统的开发与实现
8.1 国家教育资源公共服务平台
8.2 教育云平台介绍
8.2.1 多并发学习资源
8.2.2 跨格式学习资源
8.2.3 学习资源聚合
8.2.4 学习资源适配
8.3 平台应用
第9章 总结、展望与应用
9.1 总结
9.2 展望
9.3 应用
9.3.1 基于多模态推荐的个性化学习路径制定
9.3.2 融入认知诊断的学习目标规划
9.3.3 基于推荐算法的教育干预措施
9.3.4 个性化学习资源适配
后记