| 提要 | 第1-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-24页 |
| ·研究背景和意义 | 第12-13页 |
| ·教育资源推荐服务概述 | 第13-20页 |
| ·教育资源推荐服务的定义 | 第13页 |
| ·推荐服务研究现状 | 第13-19页 |
| ·教育资源推荐服务研究现状 | 第19-20页 |
| ·本文的主要工作与贡献 | 第20-21页 |
| ·本文结构安排 | 第21-24页 |
| 第2章 基于树型结构和加权熵的中文高频词提取算法 | 第24-38页 |
| ·引言 | 第24页 |
| ·相关工作 | 第24-26页 |
| ·加权信息熵 | 第26-27页 |
| ·中文高频词提取算法 | 第27-32页 |
| ·文本预处理 | 第27-28页 |
| ·构成文本的树型结构 | 第28-32页 |
| ·提取高频词 | 第32页 |
| ·实验讨论 | 第32-36页 |
| ·本章小结 | 第36-38页 |
| 第3章 基于 Web 挖掘技术的个性化教育资源推荐服务 | 第38-50页 |
| ·引言 | 第38页 |
| ·Web 挖掘技术 | 第38-40页 |
| ·个性化推荐服务的设计 | 第40-45页 |
| ·网络教学系统的总体设计 | 第40-41页 |
| ·个性化推荐服务模型 | 第41-42页 |
| ·个性化信息挖掘 | 第42-44页 |
| ·教育资源推荐 | 第44-45页 |
| ·实验测试 | 第45-49页 |
| ·本章小结 | 第49-50页 |
| 第4章 基于流形学习和主动学习的教育资源推荐方法 | 第50-68页 |
| ·引言 | 第50页 |
| ·基于流形学习的特征信息降维 | 第50-53页 |
| ·流形学习 | 第50-52页 |
| ·非线性维数约减 | 第52-53页 |
| ·基于主动学习的教育资源推荐方法 | 第53-58页 |
| ·主动学习 | 第53-56页 |
| ·教育资源主动推荐算法 | 第56-58页 |
| ·实验讨论 | 第58-66页 |
| ·本章小结 | 第66-68页 |
| 第5章 基于迁移学习的跨领域教育资源推荐方法 | 第68-82页 |
| ·引言 | 第68-69页 |
| ·迁移学习 | 第69-71页 |
| ·结合数据时效性的迁移学习算法 | 第71-76页 |
| ·TrAdaBoost 算法 | 第71-72页 |
| ·基于时效函数的权重分配 | 第72-73页 |
| ·错分样本权重约束 | 第73-74页 |
| ·基于时效函数的迁移学习算法 | 第74-76页 |
| ·实验讨论 | 第76-81页 |
| ·本章小结 | 第81-82页 |
| 第6章 基于分布式学习的大规模教育资源推荐方法 | 第82-92页 |
| ·引言 | 第82-83页 |
| ·分布式神经网络 | 第83-85页 |
| ·神经网络 | 第83-84页 |
| ·分布式神经网络 | 第84-85页 |
| ·分布式学习算法 | 第85-87页 |
| ·分布式学习算法设计 | 第85-87页 |
| ·具体算法描述 | 第87页 |
| ·实验讨论 | 第87-90页 |
| ·本章小结 | 第90-92页 |
| 第7章 总结与展望 | 第92-96页 |
| ·本文的工作总结 | 第92-94页 |
| ·进一步的研究与展望 | 第94-96页 |
| 参考文献 | 第96-104页 |
| 作者简介及在学期间所取得的科研成果 | 第104-106页 |
| 致谢 | 第106页 |