在线课程推荐算法与知识点关联挖掘方法的研究
摘要 | 第6-7页 |
ABSTRACT | 第7-8页 |
第一章 绪论 | 第15-20页 |
1.1 研究背景及意义 | 第15-16页 |
1.2 国内外研究现状 | 第16-18页 |
1.2.1 LMS平台及xAPI标准的研究现状 | 第16页 |
1.2.2 在线课程推荐的研究现状 | 第16-17页 |
1.2.3 知识点关联分析的研究现状 | 第17-18页 |
1.3 本文主要研究内容 | 第18-19页 |
1.4 本文组织结构 | 第19-20页 |
第二章 相关理论与技术 | 第20-28页 |
2.1 学习管理系统 | 第20-21页 |
2.2 个性化推荐算法 | 第21-24页 |
2.2.1 协同过滤推荐算法 | 第21-23页 |
2.2.2 基于内容的推荐算法 | 第23页 |
2.2.3 混合推荐算法 | 第23-24页 |
2.3 知识点关联分析 | 第24-27页 |
2.3.1 知识点间的关系 | 第24-25页 |
2.3.2 关联规则定义 | 第25页 |
2.3.3 关联规则挖掘算法 | 第25-27页 |
2.4 本章小结 | 第27-28页 |
第三章 基于xAPI标准的LMS平台的研究设计 | 第28-45页 |
3.1 LMS平台 | 第28-31页 |
3.1.1 平台架构 | 第28-29页 |
3.1.2 后端服务器架构 | 第29-30页 |
3.1.3 社交化模块 | 第30-31页 |
3.2 在线课程与知识点 | 第31-34页 |
3.2.1 课程组织结构与知识点 | 第31-32页 |
3.2.2 课件打包方法 | 第32-34页 |
3.3 xAPI标准 | 第34-40页 |
3.3.1 xAPI语句的结构 | 第34-38页 |
3.3.2 学习行为数据采集 | 第38-39页 |
3.3.3 xAPI语句的生成 | 第39-40页 |
3.4 LRS系统的设计 | 第40-42页 |
3.4.1 LRS系统架构 | 第40-41页 |
3.4.2 LRS系统的工作原理 | 第41-42页 |
3.5 数据挖掘模块的设计 | 第42-44页 |
3.6 本章小结 | 第44-45页 |
第四章 在线课程推荐算法研究 | 第45-63页 |
4.1 问题描述 | 第45-46页 |
4.2 基于用户兴趣模型的用户聚类 | 第46-49页 |
4.2.1 传统用户兴趣模型的不足 | 第46页 |
4.2.2 用户兴趣模型的改进 | 第46-48页 |
4.2.3 用户聚类 | 第48-49页 |
4.3 基于蚁群算法的课程推荐算法 | 第49-54页 |
4.3.1 蚁群算法原理及不足 | 第49-51页 |
4.3.2 信息素更新策略的改进 | 第51-52页 |
4.3.3 课程启发值的改进 | 第52-53页 |
4.3.4 推荐课程的产生 | 第53-54页 |
4.4 算法流程 | 第54-55页 |
4.5 实验与分析 | 第55-62页 |
4.5.1 实验环境 | 第55-56页 |
4.5.2 实验数据集 | 第56页 |
4.5.3 实验设计 | 第56页 |
4.5.4 评价指标 | 第56-57页 |
4.5.5 实验结果与分析 | 第57-62页 |
4.6 本章小结 | 第62-63页 |
第五章 知识点关联挖掘方法研究 | 第63-79页 |
5.1 问题描述与整体流程 | 第63-64页 |
5.2 知识点关联的发现 | 第64-66页 |
5.2.1 学习活动中的翻回 | 第64-65页 |
5.2.2 知识点测试的结果 | 第65-66页 |
5.3 知识点关联挖掘 | 第66-73页 |
5.3.1 多支持度策略的改进 | 第66-67页 |
5.3.2 KFP-tree构建算法 | 第67-68页 |
5.3.3 KFP-growth算法 | 第68-71页 |
5.3.4 最小支持度阈值的调整 | 第71-72页 |
5.3.5 知识点关联的修正 | 第72-73页 |
5.4 基于知识点关联的推荐 | 第73-74页 |
5.5 实验与分析 | 第74-78页 |
5.5.1 实验设计 | 第74页 |
5.5.2 评价指标 | 第74-75页 |
5.5.3 实验结果与分析 | 第75-78页 |
5.6 本章小结 | 第78-79页 |
第六章 总结与展望 | 第79-81页 |
6.1 总结 | 第79-80页 |
6.2 展望 | 第80-81页 |
参考文献 | 第81-85页 |
攻读硕士学位期间发表论文和参与科研项目情况 | 第85-86页 |
致谢 | 第86页 |