基于群体智能的个性化学习资源推荐
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国外研究现状 | 第10-11页 |
| 1.3 国内研究现状 | 第11-12页 |
| 1.4 本文研究内容与结构安排 | 第12-17页 |
| 1.4.1 研究内容和主要工作 | 第12-14页 |
| 1.4.2 论文组织结构 | 第14-17页 |
| 第2章 个性化学习推荐关键技术 | 第17-25页 |
| 2.1 协同过滤推荐 | 第17-19页 |
| 2.1.1 基于用户的协同过滤推荐 | 第17-18页 |
| 2.1.2 基于商品的协同过滤推荐 | 第18-19页 |
| 2.2 基于知识的个性化推荐 | 第19-20页 |
| 2.3 基于模型的个性化推荐 | 第20-22页 |
| 2.4 基于统计信息的个性化推荐 | 第22-23页 |
| 2.5 个性化推荐技术的比较 | 第23页 |
| 2.6 本章小结 | 第23-25页 |
| 第3章 相似特征学习者聚类方法 | 第25-39页 |
| 3.1 基础概念 | 第25-27页 |
| 3.1.1 学习资源对象 | 第25-26页 |
| 3.1.2 相似学习者 | 第26页 |
| 3.1.3 学习资源对象标签 | 第26-27页 |
| 3.2 基于标签的建模 | 第27-28页 |
| 3.3 学习者相似性的计算 | 第28-29页 |
| 3.4 简单随机抽样 | 第29-30页 |
| 3.5 k-means聚类技术 | 第30-34页 |
| 3.5.1 k-means算法原理 | 第30-32页 |
| 3.5.2 k-means算法的优缺点 | 第32-33页 |
| 3.5.3 k个聚类中心值优化 | 第33-34页 |
| 3.6 相似特征学习者聚类算法流程 | 第34-37页 |
| 3.7 本章小结 | 第37-39页 |
| 第4章 蚁群算法在聚类模型中的推荐应用 | 第39-51页 |
| 4.1 学习路径 | 第39-40页 |
| 4.2 蚁群算法 | 第40-43页 |
| 4.2.1 蚁群算法的原理 | 第40-41页 |
| 4.2.2 蚁群算法的数学模型[52] | 第41-43页 |
| 4.3 蚁群算法在资源推荐系统中的应用与建模 | 第43-44页 |
| 4.4 预测评分 | 第44-45页 |
| 4.5 转移概率函数的建立 | 第45-46页 |
| 4.5.1 信息素设置 | 第45-46页 |
| 4.5.2 启发式函数设计 | 第46页 |
| 4.6 信息素更新规则 | 第46-47页 |
| 4.7 算法设计与描述 | 第47-50页 |
| 4.8 本章小结 | 第50-51页 |
| 第5章 实验验证 | 第51-59页 |
| 5.1 实验环境和数据 | 第51-52页 |
| 5.1.1 实验环境 | 第51页 |
| 5.1.2 实验数据 | 第51-52页 |
| 5.2 实验评估标准 | 第52-53页 |
| 5.3 实验设计、结果与分析 | 第53-57页 |
| 5.4 本章小结 | 第57-59页 |
| 第6章 总结与展望 | 第59-63页 |
| 6.1 工作总结 | 第59-60页 |
| 6.2 对未来的展望 | 第60-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 攻读学位期间科研成果 | 第69页 |
