| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 在线学习行为研究现状 | 第11-12页 |
| 1.2.2 MOOC辍学预测研究现状 | 第12-13页 |
| 1.3 研究的主要内容 | 第13-14页 |
| 1.4 研究方法与技术路线 | 第14-16页 |
| 1.4.1 研究方法 | 第14-15页 |
| 1.4.2 技术路线 | 第15-16页 |
| 1.5 论文的组织结构 | 第16-17页 |
| 第二章 相关基础理论与技术简介 | 第17-32页 |
| 2.1 辍学的定义 | 第17页 |
| 2.2 聚类分析 | 第17-19页 |
| 2.2.1 聚类的基本概念 | 第17-18页 |
| 2.2.2 K-means算法简介 | 第18页 |
| 2.2.3 K-means算法的缺点 | 第18-19页 |
| 2.3 关联规则挖掘 | 第19-25页 |
| 2.3.1 关联规则挖掘的基本概念 | 第19-20页 |
| 2.3.2 模糊集理论和FP-growth算法 | 第20页 |
| 2.3.3 模糊FP-growth算法 | 第20-25页 |
| 2.4 辍学预测模型 | 第25-29页 |
| 2.4.1 循环神经网络 | 第25-27页 |
| 2.4.2 长短期记忆单元 | 第27-29页 |
| 2.5 实验环境和实验数据集 | 第29-31页 |
| 2.5.1 TensorFlow框架 | 第29-30页 |
| 2.5.2 实验数据集 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 MOOC学习行为挖掘研究 | 第32-51页 |
| 3.1 网络学习行为 | 第32-33页 |
| 3.1.1 网络学习行为的定义 | 第32-33页 |
| 3.1.2 学习行为特征的选取 | 第33页 |
| 3.2 初始点选取改进的聚类算法 | 第33-36页 |
| 3.2.1 K-means算法的问题描述 | 第33-34页 |
| 3.2.2 算法描述 | 第34-36页 |
| 3.2.3 时间复杂度分析 | 第36页 |
| 3.3 基于改进算法的学习者聚类 | 第36-39页 |
| 3.3.1 数据降维 | 第36-38页 |
| 3.3.2 聚类个数k的确定 | 第38-39页 |
| 3.4 基于学习行为数据的模糊关联规则挖掘 | 第39-42页 |
| 3.4.1 模糊FP-grwoth算法 | 第39-40页 |
| 3.4.2 隶属度函数 | 第40-41页 |
| 3.4.3 多角度模糊关联规则挖掘 | 第41-42页 |
| 3.5 实验与分析 | 第42-50页 |
| 3.5.1 改进初始点的K-means算法实验与分析 | 第42-43页 |
| 3.5.2 基于学习行为数据的聚类实验与分析 | 第43-46页 |
| 3.5.3 基于聚类结果的关联规则挖掘实验与分析 | 第46-48页 |
| 3.5.4 不同时期辍学者的关联规则挖掘实验与分析 | 第48-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第四章 基于学习行为数据的辍学预测研究 | 第51-66页 |
| 4.1 学习行为数据预处理 | 第51-52页 |
| 4.2 预测模型的构建 | 第52-58页 |
| 4.2.1 预测模型的结构 | 第52-53页 |
| 4.2.2 激活函数的选择 | 第53-54页 |
| 4.2.3 损失函数的选择 | 第54-56页 |
| 4.2.4 学习率的设置 | 第56-58页 |
| 4.2.5 防止过拟合 | 第58页 |
| 4.3 实验与分析 | 第58-65页 |
| 4.3.1 实验环境 | 第58-59页 |
| 4.3.2 评估标准 | 第59页 |
| 4.3.3 基准模型 | 第59-60页 |
| 4.3.4 实验结果与分析 | 第60-65页 |
| 4.4 本章小结 | 第65-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 总结 | 第66页 |
| 5.2 展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 作者简介 | 第73页 |