| 中文摘要 | 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8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 EGL概述 | 第12-13页 |
| 1.3.1 发展历程 | 第12页 |
| 1.3.2 应用前景 | 第12-13页 |
| 1.4 研究目标及主要内容 | 第13-14页 |
| 1.4.1 研究目标 | 第13-14页 |
| 1.4.2 主要研究内容 | 第14页 |
| 1.4.3 主要创新点 | 第14页 |
| 1.5 论文组织结构 | 第14-16页 |
| 第2章 课题关键理论与技术 | 第16-22页 |
| 2.1 EGL第四代业务编程语言 | 第16-20页 |
| 2.1.1 EGL的运行 | 第16-17页 |
| 2.1.2 EGL的特性 | 第17-18页 |
| 2.1.3 EGL程序结构 | 第18-20页 |
| 2.2 协同过滤推荐算法 | 第20页 |
| 2.3 Web性能测试 | 第20页 |
| 2.4 本章小结 | 第20-22页 |
| 第3章 基于EGL的e-Learning系统应用框架的设计 | 第22-32页 |
| 3.1 E-Learning2.0 | 第22页 |
| 3.2 EGL与Web2.0 项目的开发过程 | 第22-25页 |
| 3.3 e-Learning系统应用框架的设计 | 第25-31页 |
| 3.3.1 Rich User Interface | 第26-28页 |
| 3.3.2 业务服务层 | 第28-30页 |
| 3.3.3 数据访问层 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于协同过滤的改进推荐算法在e-Learning的应用 | 第32-44页 |
| 4.1 协同过滤推荐算法 | 第32-35页 |
| 4.1.1 协同过滤推荐算法的原理 | 第32-34页 |
| 4.1.2 协同过滤推荐算法的冷启动问题 | 第34-35页 |
| 4.2 基于协同过滤与内容信息标签提取的混合推荐算法 | 第35-39页 |
| 4.2.1 推荐算法过程分析 | 第35-37页 |
| 4.2.2 实验结果 | 第37-39页 |
| 4.3 基于EGL外部类型部件实现推荐算法 | 第39-43页 |
| 4.3.1 基于Java实现推荐算法 | 第40-41页 |
| 4.3.2 ExternalType部件调用Java类 | 第41-42页 |
| 4.3.3 EGL Program调用外部类方法 | 第42-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章e-Learning系统的设计与实现 | 第44-64页 |
| 5.1 系统功能分析 | 第44-45页 |
| 5.2 e-Learning系统的构建 | 第45-60页 |
| 5.2.1 数据库设计 | 第45-47页 |
| 5.2.2 用例图及说明 | 第47-50页 |
| 5.2.3 系统开发和运行环境 | 第50页 |
| 5.2.4 系统整合与部署 | 第50-51页 |
| 5.2.5 系统主要界面 | 第51-60页 |
| 5.3 e-Learning系统性能测试 | 第60-63页 |
| 5.3.1 系统测试环境 | 第60-61页 |
| 5.3.2 系统性能测试 | 第61-62页 |
| 5.3.3 测试结果分析 | 第62-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 个人简历及在学期间的研究成果和发表的学术论文 | 第70页 |
