| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-12页 |
| 1.1 课题背景与研究意义 | 第9-10页 |
| 1.2 本文的主要工作和组织结构 | 第10-12页 |
| 2 深度学习的多视角认识 | 第12-21页 |
| 2.1 教育技术领域的深度学习 | 第12-13页 |
| 2.1.1 深度学习和浅层学习 | 第12-13页 |
| 2.1.2 深度学习的发展状况 | 第13页 |
| 2.2 计算机领域的深度学习的定义与发展 | 第13-14页 |
| 2.3 深度学习的经典算法及应用 | 第14-19页 |
| 2.3.1 卷积神经网络 | 第15页 |
| 2.3.2 受限玻尔兹曼机模型理论 | 第15-18页 |
| 2.3.3 深度置信网 | 第18-19页 |
| 2.4 计算机领域与教育技术领域深度学习的联系与展望 | 第19-21页 |
| 3 协同过滤推荐算法 | 第21-27页 |
| 3.1 相似性 | 第21-23页 |
| 3.2 K-最近邻算法 | 第23-25页 |
| 3.3 SlopeOne算法 | 第25页 |
| 3.4 基于受限玻尔兹曼机的协同过滤算法 | 第25-27页 |
| 4 基于RBM与Mahout的课程推荐算法 | 第27-33页 |
| 4.1 基于RBM的推荐算法 | 第27-28页 |
| 4.2 Mahout推荐算法 | 第28-30页 |
| 4.3 IRS课程评价方法 | 第30-33页 |
| 4.3.1 学习参与度与交互度 | 第30页 |
| 4.3.2 IRS课程指标 | 第30-31页 |
| 4.3.3 课程实例 | 第31-33页 |
| 5 并行环境下的课程推荐算法 | 第33-43页 |
| 5.1 并行机性能评价 | 第33-34页 |
| 5.2 Hadoop并行环境配置与搭建 | 第34-38页 |
| 5.2.1 集群配置与搭建 | 第34页 |
| 5.2.2 网络配置与ssh的配置 | 第34-38页 |
| 5.3 分布式云计算推荐服务与算法 | 第38-39页 |
| 5.3.1 IRS推荐算法 | 第38页 |
| 5.3.2 IRS分布式推荐算法流程 | 第38-39页 |
| 5.4 实验及结果分析 | 第39-43页 |
| 5.4.1 实验环境 | 第39页 |
| 5.4.2 实验内容 | 第39-41页 |
| 5.4.3 推荐效果及对比 | 第41-43页 |
| 6 总结与展望 | 第43-44页 |
| 参考文献 | 第44-47页 |
| 攻读硕士学位期间发表学术论文情况 | 第47-48页 |
| 致谢 | 第48页 |