基于协同过滤改进算法的个性化选课推荐的研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 目录 | 第6-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 选题依据及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-15页 |
| 1.3 研究内容 | 第15-17页 |
| 第二章 个性化教育与个性化推荐技术 | 第17-30页 |
| 2.1 个性化教育 | 第17-20页 |
| 2.1.1 个性化信息服务 | 第17-18页 |
| 2.1.2 个性化教育概述 | 第18-19页 |
| 2.1.3 个性化教育的理论基础 | 第19-20页 |
| 2.1.3.1 学习风格理论 | 第19-20页 |
| 2.1.3.2 多元智能理论 | 第20页 |
| 2.2 个性化推荐系统的组成 | 第20-21页 |
| 2.3 个性化推荐技术的概述 | 第21-28页 |
| 2.3.1 基于内容过滤的推荐技术 | 第21-23页 |
| 2.3.2 基于协同过滤的推荐技术 | 第23-26页 |
| 2.3.2.1 基于全局的协同过滤技术 | 第23-24页 |
| 2.3.2.2 基于模型的协同过滤技术 | 第24-26页 |
| 2.3.3 其它推荐技术 | 第26-27页 |
| 2.3.4 推荐技术总结 | 第27-28页 |
| 2.3.5 混合推荐技术 | 第28页 |
| 2.4 小结 | 第28-30页 |
| 第三章 个性化选课推荐模型的构建 | 第30-37页 |
| 3.1 个性化选课推荐的模型 | 第30-31页 |
| 3.2 学生模型 | 第31-35页 |
| 3.2.1 学生模型的相关概念 | 第31-33页 |
| 3.2.2 学生模型的构建 | 第33-35页 |
| 3.3 课程模型 | 第35-36页 |
| 3.4 小结 | 第36-37页 |
| 第四章 选课系统中的个性化推荐引擎研究 | 第37-56页 |
| 4.1 个性化推荐技术存在的问题 | 第37-38页 |
| 4.2 稀疏性问题 | 第38-42页 |
| 4.2.1 属性值的获取 | 第38-39页 |
| 4.2.2 相似度的计算 | 第39-41页 |
| 4.2.3 缺失值的预测 | 第41-42页 |
| 4.3 冷启动问题 | 第42-45页 |
| 4.3.1 冷启动问题的分类 | 第42-43页 |
| 4.3.2 解决方案 | 第43-45页 |
| 4.4 选课推荐引擎的研究 | 第45-51页 |
| 4.4.1 算法的推荐流程 | 第45-46页 |
| 4.4.2 基于课程属性的协同过滤推荐 | 第46-47页 |
| 4.4.3 基于属性值偏好矩阵的最近邻推荐 | 第47-49页 |
| 4.4.4 基于属性值偏好矩阵的新课程推荐 | 第49-51页 |
| 4.5 算法的度量标准及分析 | 第51-55页 |
| 4.5.1 算法复杂度分析 | 第51页 |
| 4.5.2 算法的推荐质量分析 | 第51-53页 |
| 4.5.3 其它标准 | 第53-55页 |
| 4.6 小结 | 第55-56页 |
| 第五章 个性化选课的推荐系统架构 | 第56-70页 |
| 5.1 系统分析 | 第56-58页 |
| 5.1.1 系统需求分析 | 第56-57页 |
| 5.1.2 系统功能设计 | 第57-58页 |
| 5.2 系统架构 | 第58-65页 |
| 5.2.1 系统应用模块设计 | 第60-61页 |
| 5.2.2 系统后台设计 | 第61-62页 |
| 5.2.3 课程推荐模块 | 第62-65页 |
| 5.3 数据采集及数据库设计 | 第65-68页 |
| 5.4 小结 | 第68-70页 |
| 第六章 总结与展望 | 第70-73页 |
| 6.1 总结 | 第70-71页 |
| 6.2 展望 | 第71-73页 |
| 参考文献 | 第73-76页 |
| 攻读学位期间发表的学术论文和研究成果 | 第76-77页 |
| 致谢 | 第77页 |
