| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 教育资源平台的相关研究 | 第9-10页 |
| 1.2.2 推荐技术研究现状 | 第10-11页 |
| 1.2.3 教育资源个性化推荐 | 第11-12页 |
| 1.3 本文的主要研究内容 | 第12-13页 |
| 1.4 本文的结构说明 | 第13-14页 |
| 第二章 相关技术 | 第14-23页 |
| 2.1 用户-项目评分 | 第14-17页 |
| 2.1.1 用户评分的分类 | 第14页 |
| 2.1.2 常用的隐式评分方法 | 第14-16页 |
| 2.1.3 基于信息熵的权重分配方法 | 第16-17页 |
| 2.2 主题模型 | 第17-20页 |
| 2.2.1 主题模型概述 | 第17页 |
| 2.2.2 主题模型的工作原理 | 第17-18页 |
| 2.2.3 LDA主题模型 | 第18-20页 |
| 2.3 协同过滤推荐算法 | 第20-22页 |
| 2.3.1 基于项目的协同过滤推荐算法 | 第20-21页 |
| 2.3.2 基于用户的协同过滤推荐算法 | 第21页 |
| 2.3.3 混合推荐算法 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 用户-项目的隐式评分估计方法 | 第23-33页 |
| 3.1 在线教育平台中的用户行为分析 | 第23-25页 |
| 3.2 用户-项目评分估计方法 | 第25-32页 |
| 3.2.1 基于信息熵的用户行为权重分配 | 第26-29页 |
| 3.2.2 基于遗忘曲线的时间权重计算 | 第29-31页 |
| 3.2.3 用户-项目评分估计 | 第31-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第四章 基于主题模型的用户兴趣模型 | 第33-44页 |
| 4.1 主题模型中的参数估计 | 第33-37页 |
| 4.2 基于教育资源标签的主题模型 | 第37-41页 |
| 4.2.1 教育资源中的标签信息 | 第37-38页 |
| 4.2.2 基于教育资源标签的主题模型[ETag-LDA模型) | 第38-41页 |
| 4.3 基于教育资源主题的用户兴趣模型 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 教育资源推荐算法设计 | 第44-56页 |
| 5.1 教育资源推荐算法(Topic-Based CF)流程 | 第44-48页 |
| 5.2 项目评分向量及相似度计算 | 第48-51页 |
| 5.2.1 项目评分向量 | 第48-49页 |
| 5.2.2 相似度计算 | 第49-51页 |
| 5.3 推荐列表生成 | 第51-55页 |
| 5.3.1 推荐结果混合 | 第51页 |
| 5.3.2 推荐列表生成 | 第51-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 实验及结果分析 | 第56-63页 |
| 6.1 实验说明 | 第56-57页 |
| 6.1.1 实验环境 | 第56页 |
| 6.1.2 实验算法描述 | 第56页 |
| 6.1.3 推荐算法评价 | 第56-57页 |
| 6.2 实验1：基于edX数据集的课程推荐 | 第57-60页 |
| 6.2.1 实验数据集说明 | 第57-58页 |
| 6.2.2 实验结果及分析 | 第58-60页 |
| 6.3 实验2: 基于CiteULike数据集的论文推荐 | 第60-62页 |
| 6.3.1 实验数据集说明 | 第60页 |
| 6.3.2 实验结果及分析 | 第60-62页 |
| 6.4 本章小结 | 第62-63页 |
| 第七章 总结与展望 | 第63-65页 |
| 7.1 本文的主要内容总结 | 第63页 |
| 7.2 未来工作展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-68页 |
