本文档属于类型a，即报告了一项原创性研究。以下是对该研究的学术报告：
本研究的主要作者包括Hadi Ezaldeen、Rachita Misra、Sukant Kishoro Bisoy、Rawaa Alatrash和Rojalina Priyadarshini，他们分别来自印度的C.V. Raman Global University计算机科学与工程系以及计算机科学与信息技术系。该研究发表于Web Semantics: Science, Services and Agents on the World Wide Web期刊，2022年第72卷，文章编号为100700。
本研究的主要科学领域为在线学习推荐系统，特别是结合自适应用户画像（adaptive profiling）和情感分析（sentiment analysis）的混合推荐系统。随着在线教育的发展，个性化推荐成为加速在线学习的重要策略之一。然而，现有的推荐系统面临“冷启动”和“数据稀疏性”等问题，难以满足学习者的个性化需求。因此，本研究旨在提出一种新颖的混合推荐框架，通过自动生成语义学习者画像，并结合细粒度情感分析，为学习者提供最合适的在线学习资源。
研究的核心目标包括：
1. 提出一种基于语义学习者画像的混合推荐系统框架；
2. 开发自动生成学习者画像的模型；
3. 构建基于卷积神经网络（CNN）的情感分析模型，用于预测学习者对资源的评分；
4. 通过实验验证系统的有效性，并提高推荐的准确性。
本研究包括以下主要流程：
研究首先提出了一种自动生成语义学习者画像的模型。该模型通过分析学习者的行为（如浏览特定领域的学习材料）和语义关系，动态更新学习者画像。具体步骤如下：
- 从在线学习平台收集学习材料，并提取相关术语；
- 利用DBpedia和WordNet本体进行术语扩展，生成语义矩阵；
- 根据学习者的行为计算其与学习材料的语义关系，动态更新学习者画像。
该模型的核心创新在于结合了本体知识库和语义分析方法，解决了传统推荐系统中数据稀疏性和冷启动问题。
研究开发了多种基于卷积神经网络（CNN）的情感分析模型，用于预测学习者对学习资源的评分。具体步骤如下：
- 从亚马逊网站上抓取书籍评论数据，构建自定义数据集ABHR，包含40,000条评论，每条评论标注了1-5的情感评分；
- 使用Skip-Gram（S-G）和Continuous Bag of Words（CBOW）技术生成词向量，作为CNN模型的输入；
- 设计了多种CNN模型架构，包括单通道、双通道和三通道模型，并在自定义数据集和公开数据集Stanford Sentiment Treebank（SST-1）上进行了实验验证。
该部分的创新在于提出了基于词向量拼接的CNN模型，显著提高了情感分类的准确性。
研究提出的混合推荐系统框架（ELHRS）结合了语义学习者画像和情感分析模型，具体流程如下：
- 根据学习者画像中的兴趣特征，选择与学习者相关度最高的学习资源；
- 利用CNN模型预测学习者对资源的评分，并根据评分排序推荐资源；
- 通过实验验证推荐系统的性能，并与其他模型进行对比。
实验结果表明，基于DBpedia和WordNet的语义学习方法能够有效生成动态学习者画像，解决了传统推荐系统中的数据稀疏性和冷启动问题。
在ABHR数据集上的实验结果显示，基于词向量拼接的三通道CNN模型（CNN-Three-Channel-Concatenation）表现最佳，准确率达到89.1%，显著优于其他模型。在公开数据集SST-1上的实验也验证了该模型的鲁棒性。
实验结果表明，ELHRS框架能够有效提高推荐的准确性和个性化程度，为学习者提供更合适的学习资源。
本研究提出了一种结合语义学习者画像和情感分析的混合推荐系统框架，通过自动生成学习者画像和细粒度情感分析，显著提高了在线学习推荐的准确性和个性化程度。该研究的科学价值在于解决了传统推荐系统中的冷启动和数据稀疏性问题，应用价值在于为在线教育平台提供了一种智能化推荐解决方案。
研究还详细讨论了情感分析模型在不同数据集上的表现，验证了自定义数据集ABHR在特定领域任务中的优越性。此外，研究提出了未来研究方向，包括在多模态数据中应用混合推荐系统，以及进一步优化学习者画像的生成方法。