基于协同过滤的网络学习个性化推荐技术的研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-16页 |
| ·引言 | 第10-11页 |
| ·国内外对网络学习资源推荐的研究 | 第11-13页 |
| ·推荐技术面临的问题及挑战 | 第13-15页 |
| ·论文组织结构 | 第15-16页 |
| 第二章 个性化推荐技术概述 | 第16-31页 |
| ·个性化推荐技术 | 第16-21页 |
| ·基于关联规则的推荐 | 第17-18页 |
| ·基于内容的推荐 | 第18-20页 |
| ·协同过滤推荐 | 第20-21页 |
| ·混合推荐方法 | 第21页 |
| ·协同过滤技术 | 第21-26页 |
| ·协同过滤技术的基本原理 | 第22-23页 |
| ·协同过滤算法的分类 | 第23-24页 |
| ·协同过滤算法的评测 | 第24-26页 |
| ·个性化推荐核心算法分析 | 第26-29页 |
| ·基于用户的协同过滤算法 | 第26-27页 |
| ·基于项目的协同过滤算法 | 第27-28页 |
| ·K均值聚类算法 | 第28-29页 |
| ·个性化推荐在网络学习中的应用 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 基于加权信息熵的相似性度量方法 | 第31-41页 |
| ·问题的提出 | 第31页 |
| ·现有解决方法 | 第31-32页 |
| ·基于加权信息熵的相似性度量方法 | 第32-37页 |
| ·熵的定义 | 第32-33页 |
| ·熵的计算 | 第33页 |
| ·信息熵 | 第33-34页 |
| ·算法设计 | 第34-37页 |
| ·实验数据及分析 | 第37-41页 |
| ·实验数据源 | 第37页 |
| ·实验评估策略 | 第37页 |
| ·实验结果及分析 | 第37-41页 |
| 第四章 基于用户隐式特征的协同过滤算法 | 第41-52页 |
| ·研究背景分析 | 第41-42页 |
| ·现有解决方案 | 第42-43页 |
| ·基于用户隐式特征的协同过滤算法 | 第43-48页 |
| ·用户兴趣分类 | 第43-44页 |
| ·用户隐式评分矩阵的构建 | 第44-45页 |
| ·最近邻查询 | 第45-46页 |
| ·预测评分并产生推荐 | 第46-48页 |
| ·实验数据及分析 | 第48-52页 |
| ·实验数据源 | 第48页 |
| ·实验评估方法 | 第48页 |
| ·实验结果与分析 | 第48-52页 |
| 第五章 结论 | 第52-54页 |
| ·总结 | 第52-53页 |
| ·展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读学位期间所取得的相关成果 | 第58-59页 |
| 致谢 | 第59-60页 |
