| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 引言 | 第12-13页 |
| 1.1.1 学习平台的在线化 | 第12页 |
| 1.1.2 推荐系统 | 第12-13页 |
| 1.1.3 在线学习平台个性化推荐系统 | 第13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 适应于在线学习的推荐系统的特点 | 第14-15页 |
| 1.4 在线学习平台中的推荐系统需要解决的问题 | 第15-16页 |
| 1.5 本文研究内容和组织结构 | 第16-18页 |
| 1.5.1 本文的研究内容 | 第16-17页 |
| 1.5.2 本文的组织结构 | 第17-18页 |
| 1.6 本章小结 | 第18-19页 |
| 第2章 基于在线学习Web日志的推荐系统技术研究 | 第19-29页 |
| 2.1 推荐系统的分类 | 第19页 |
| 2.2 推荐系统的关键技术 | 第19-23页 |
| 2.2.1 信息检索技术 | 第20-21页 |
| 2.2.2 信息过滤技术 | 第21-22页 |
| 2.2.3 信息检索与信息过滤的区别 | 第22-23页 |
| 2.3 协同过滤(Collaborative Filtering) | 第23-24页 |
| 2.4 相似度计算 | 第24-25页 |
| 2.5 基于内容的推荐(Content-based Recommendation) | 第25-26页 |
| 2.6 单一推荐算法的缺点 | 第26-27页 |
| 2.7 混合推荐算法(Hybrid Recommendation) | 第27-28页 |
| 2.8 总结 | 第28-29页 |
| 第3章 基于Web日志的在线学习平台的混合推荐算法 | 第29-37页 |
| 3.1 混合策略 | 第29-31页 |
| 3.2 混合算法中的协同过滤 | 第31-32页 |
| 3.3 广义序列挖掘算法 | 第32-34页 |
| 3.4 “协同过滤算法”的优化 | 第34-36页 |
| 3.4.1 引入时间影响因子 | 第34-35页 |
| 3.4.2 减少复杂度 | 第35-36页 |
| 3.5 总结 | 第36-37页 |
| 第4章 基于web日志的推荐系统实现 | 第37-50页 |
| 4.1 推荐系统的框架介绍 | 第37-38页 |
| 4.2 系统的实现 | 第38-45页 |
| 4.2.1 系统的体系结构 | 第38-39页 |
| 4.2.2 系统界面展示 | 第39-40页 |
| 4.2.3 系统构架和系统流程 | 第40-41页 |
| 4.2.4 数据源 | 第41页 |
| 4.2.5 数据转化 | 第41-43页 |
| 4.2.6 量化用户兴趣偏好值 | 第43-44页 |
| 4.2.7 抽取用户信息 | 第44-45页 |
| 4.3 个性化推荐系统的数据 | 第45-46页 |
| 4.3.1 输入数据 | 第45页 |
| 4.3.2 模型数据 | 第45-46页 |
| 4.3.3 输出数据 | 第46页 |
| 4.4 混合算法的实现 | 第46-49页 |
| 4.4.1 加权式 | 第47页 |
| 4.4.2 切换式 | 第47-48页 |
| 4.4.3 合并式 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 实验与结果 | 第50-61页 |
| 5.1 常用的评价依据 | 第50-51页 |
| 5.2 评价依据 | 第51-52页 |
| 5.2.1 推荐列表的相似度 | 第51-52页 |
| 5.2.2 推荐结果的偶然性 | 第52页 |
| 5.2.3 用户的体验性和期待值 | 第52页 |
| 5.3 测试数据来源 | 第52-53页 |
| 5.4 设计实验标准 | 第53-54页 |
| 5.5 实验参数设定 | 第54-57页 |
| 5.5.1 相似集的敏感性 | 第54页 |
| 5.5.2 最小支持度的敏感性 | 第54-55页 |
| 5.5.3 不同方式的混合算法 | 第55-57页 |
| 5.6 实验结果 | 第57-60页 |
| 5.6.1 三种混合推荐结果的REM对比图 | 第57-58页 |
| 5.6.2 三种混合推荐结果的用户学习效果比 | 第58-60页 |
| 5.7 小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66页 |
