本書針對學習者在選擇合適的學習資源時所面臨的學習資源問題，利用深度學習技術分別對學習者模型、學習者的反饋信息、學習者的社交關系和學習資源的知識圖譜等方面的內容進行建模研究。本書采用定量與定性的研究方式評估了所提出的學習資源適配模型，并實現和開發了學習資源適配服務平臺，從理論和實證研究相結合的角度對學習資源適配技術進行了系統性的研究。本書圖文并茂，既有詳細的模型算法圖，又有嚴謹的公式推導和實驗驗證，所構建的模型能夠有效的提高學習資源適配的準確率，使學習者在進行在線學習過程中，獲得更加個性化的學習體驗，以此提高學習者的學習體驗和學習效率，具有一定的理論研究價值和較高應用可行性。
劉海，男，博士，華中師范大學人工智能教育學部副教授，長期從事自我調節學習、機器學習、數據挖掘、智能信息處理、計算機視覺等方面的研究。近些年來，在國家重點研發計劃、國家自然科學基金等項目的支持下，對上述領域進行了系統而廣泛的研究，在理論研究和應用擴展方面取得了大量的成果。目前已在國內外知名期刊和學術會議上發表了學術論文100余篇，其中以第一作者（通訊作者）發表SCI、SSCI、CSSCI期刊論文70余篇，含中科院一區IEEE trans系列20余篇，12篇入選ESI高被引論文; 申請國家發明專利40余項，授權10余項。曾榮獲湖北省科學技術進步一等獎（2020）、 教育部科技進步獎一等獎（2019）。張昭理，華中師范大學國家數字化學習工程技術研究中心教授。主要研究方向為自我調節學習、知識服務、云計算和信息安全。IEEE高級會員、CCF會員。榮獲國家級教學成果二等獎2項、湖北省科技進步一等獎1項、教育部高等學校科技進步一等獎1項。
第一部分 緒論 7
第1章 研究背景與意義 8
1.1 相關政策 8
1.2 國內外研究現狀 10
1.3 學習資源適配挑戰 13
1.4 學習系統中的資源適配 15
1.5 內容與結構安排 19
第2章 相關理論基礎 24
2.1 概念界定 24
2.2 數學基礎 25
2.3 資源適配中的教育學理論 27
2.4 資源適配評價標準 29
第二部分 關鍵技術 32
第3章 認知診斷模型 33
3.1 基礎準備知識 33
3.2 引入流行模型的知識追蹤 37
3.3 融入學習過程因素的知識追蹤 42
3.4 研究趨勢、展望 46
第4章 基于評分記錄的學習資源適配方法 49
4.1 基礎知識 49
4.2 基于卷積神經網絡的內容推薦算法 52
4.3 基于隱式反饋嵌入的深度矩陣分解推薦系統 58
4.4 展望、趨勢、建議 67
第5章 基于評論文本信息的個性化學習資源推薦 70
5.1 基礎知識 70
5.2 基于評論表示學習和歷史評分行為的置信度感知推薦模型 73
5.3 基于評論特征表示學習的高效深度矩陣分解方法 82
5.4 研究趨勢 90
第6章 融入社交關系感知網絡的學習資源適配 94
6.1 基礎知識 94
6.2 基于學習者多視角的社交推薦方法 101
6.3 融合圖卷積的復雜社交關系推薦算法 109
6.4 研究趨勢 120
第7章 知識圖譜與資源適配 124
7.1 基于多尺度動態卷積的知識圖譜嵌入 124
7.2 基于異質圖神經網絡的少樣本知識圖譜推理模型 128
7.3 基于重構神經網絡的知識圖譜交互學習推理模型 134
7.4 基于知識圖譜的學習資源適配 139
7.5 研究趨勢 141
第三部分 應用與展望 145
第8章 學習資源適配系統開發與實現 146
8.1 國家教育資源公共服務平臺 146
8.2 平臺介紹 148
8.3 平臺應用 149
第9章 總結與展望 152
9.1 總結 152
9.2 展望 153
9.3 應用 155
新書資訊