| 摘要 | 第7-9页 |
| abstract | 第9-11页 |
| 1 绪论 | 第12-19页 |
| 1.1 研究背景和研究意义 | 第12-13页 |
| 1.1.1 研究背景 | 第12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 国外研究现状 | 第13-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 研究目的和研究内容 | 第16-17页 |
| 1.3.1 研究目的 | 第16页 |
| 1.3.2 研究内容 | 第16-17页 |
| 1.4 研究方法 | 第17页 |
| 1.5 本文组织结构 | 第17-19页 |
| 2 个性化推荐的相关理论 | 第19-25页 |
| 2.1 个性化推荐简介 | 第19-21页 |
| 2.1.1 个性化推荐的含义 | 第19页 |
| 2.1.2 个性化推荐的需求 | 第19-20页 |
| 2.1.3 个性化推荐的作用 | 第20-21页 |
| 2.2 个性化推荐的相关技术 | 第21-25页 |
| 2.2.1 基于内容的推荐 | 第21-22页 |
| 2.2.2 基于关联规则的推荐 | 第22页 |
| 2.2.3 基于协同过滤的推荐 | 第22-23页 |
| 2.2.4 基于人口统计信息的推荐 | 第23页 |
| 2.2.5 常见推荐技术的比较 | 第23-25页 |
| 3 个性化推荐平台中的学习资源推荐策略 | 第25-33页 |
| 3.1 系统中推荐算法的介绍 | 第25页 |
| 3.2 使用社会化标签对学习资源进行标注 | 第25-29页 |
| 3.2.1 社会化标签的概念 | 第25-26页 |
| 3.2.2 社会化标签的作用 | 第26页 |
| 3.2.3 社会化标签对学习资源的标注 | 第26-27页 |
| 3.2.4 基于社会化标签的推荐算法 | 第27-29页 |
| 3.3 基于用户的协同过滤推荐 | 第29-33页 |
| 3.3.1 协同过滤推荐中的数据稀疏性问题 | 第29-30页 |
| 3.3.2 利用Slope one算法来解决数据稀疏性的问题 | 第30-31页 |
| 3.3.3 基于用户的协同过滤推荐算法 | 第31-33页 |
| 4 个性化学习资源推荐系统的设计与实现 | 第33-47页 |
| 4.1 系统的设计目标 | 第33页 |
| 4.2 个性化资源推荐系统的需求分析 | 第33-35页 |
| 4.3 系统的总体设计框架 | 第35-37页 |
| 4.4 模块设计 | 第37-38页 |
| 4.4.1 基于社会化标签的推荐模块 | 第37页 |
| 4.4.2 基于用户的协同过滤推荐模块 | 第37-38页 |
| 4.5 系统数据库的设计 | 第38-43页 |
| 4.6 系统运行的主要界面 | 第43-47页 |
| 5 实验设计及结果分析 | 第47-52页 |
| 5.1 实验环境和工具 | 第47页 |
| 5.2 实验评价标准 | 第47-49页 |
| 5.2.1 查全率和查准率 | 第47-48页 |
| 5.2.2 平均绝对误差（MAE） | 第48-49页 |
| 5.3 实验方案的设计 | 第49-50页 |
| 5.4 实验测试过程及结果分析 | 第50-52页 |
| 5.4.1 实验一的测试以及结果分析 | 第50-51页 |
| 5.4.2 实验二的测试以及结果分析 | 第51-52页 |
| 6 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |