| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 教育数据挖掘研究现状 | 第9-11页 |
| 1.2.2 预测学生表现研究现状 | 第11-13页 |
| 1.3 本文的主要工作和章节安排 | 第13-16页 |
| 第2章 预测学生表现相关知识 | 第16-28页 |
| 2.1 学生表现 | 第16页 |
| 2.2 预测学生表现基本步骤 | 第16-17页 |
| 2.3 学生表现预测现有算法 | 第17-26页 |
| 2.3.1 基于协同过滤技术与神经网络的预测算法 | 第17-22页 |
| 2.3.2 贝叶斯网络和决策树的混合预测算法 | 第22-25页 |
| 2.3.3 逻辑回归预测算法 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 基于混合式分解技术的学生表现预测方法 | 第28-44页 |
| 3.1 矩阵分解简介 | 第28-29页 |
| 3.2 矩阵分解相关知识介绍 | 第29-34页 |
| 3.2.1 过拟合问题 | 第29-30页 |
| 3.2.2 均方根误差 | 第30页 |
| 3.2.3 梯度下降法 | 第30-32页 |
| 3.2.4 高维张量的降维 | 第32-34页 |
| 3.3 混合式矩阵分解算法的详细设计 | 第34-43页 |
| 3.3.1 矩阵分解基本算法(Basic MF) | 第34-37页 |
| 3.3.2 矩阵正则化分解(Regularized MF) | 第37-38页 |
| 3.3.3 偏差矩阵分解(Biases MF) | 第38-40页 |
| 3.3.4 张量分解法(TF) | 第40-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 实验结果分析 | 第44-52页 |
| 4.1 实验数据集 | 第44页 |
| 4.2 实验环境 | 第44-45页 |
| 4.3 评估标准 | 第45页 |
| 4.4 实验方案设计 | 第45-46页 |
| 4.4.1 实验目标 | 第45页 |
| 4.4.2 方案设计 | 第45-46页 |
| 4.5 实验结果分析 | 第46-51页 |
| 4.5.1 特征维度对混合式分解算法的影响 | 第46-47页 |
| 4.5.2 迭代次数对混合式分解算法的影响 | 第47-48页 |
| 4.5.3 历史长度对混合式分解算法的影响 | 第48-49页 |
| 4.5.4 各种算法与混合式分解算法结果对比分析 | 第49-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 本文工作总结 | 第52-53页 |
| 5.2 未来研究展望 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 致谢 | 第60-62页 |
| 攻读硕士学位期间的研究成果 | 第62页 |