| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 背景 | 第13-14页 |
| 1.1.1 在线学习 | 第13页 |
| 1.1.2 个性化推荐 | 第13-14页 |
| 1.2 研究意义 | 第14-15页 |
| 1.3 研究现状及存在的问题 | 第15-17页 |
| 1.3.1 国外研究现状 | 第15页 |
| 1.3.2 国内研究现状 | 第15-16页 |
| 1.3.3 存在问题 | 第16-17页 |
| 1.4 研究内容以及思路 | 第17-18页 |
| 1.4.1 研究内容 | 第17页 |
| 1.4.2 研究思路 | 第17-18页 |
| 1.5 论文的组织结构 | 第18页 |
| 1.6 本章小结 | 第18-19页 |
| 第2章 相关理论 | 第19-31页 |
| 2.1 几种常见的推荐算法 | 第19-24页 |
| 2.1.1 基于内容的推荐算法 | 第20页 |
| 2.1.2 协同过滤推荐算法 | 第20-22页 |
| 2.1.3 基于关联规则的推荐 | 第22页 |
| 2.1.4 基于知识的推荐算法 | 第22-23页 |
| 2.1.5 混合推荐算法 | 第23页 |
| 2.1.6 几种推荐算法的比较 | 第23-24页 |
| 2.2 本体 | 第24-26页 |
| 2.2.1 在线学习的知识本体 | 第24-25页 |
| 2.2.2 知识点描述 | 第25-26页 |
| 2.3 LDA文本文档模型 | 第26-28页 |
| 2.4 在线学习个性化推荐算法 | 第28-29页 |
| 2.5 传统推荐算法与在线学习个性化推荐算法的异同点 | 第29-30页 |
| 2.5.1 两者的共同点 | 第29页 |
| 2.5.2 两者间的差异性 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 面向在线学习系统的个性化资源推荐 | 第31-46页 |
| 3.1 UC-关联规则推荐 | 第32-36页 |
| 3.1.1 知识单元闭包概念及其构建 | 第32-35页 |
| 3.1.2 UC-关联规则推荐算法 | 第35-36页 |
| 3.2 基于LDA的时间加权协同过滤 | 第36-42页 |
| 3.2.1 学生兴趣模型建立 | 第37-40页 |
| 3.2.1.1 基于时间权重的主题兴趣分布计算 | 第39-40页 |
| 3.2.1.2 资源兴趣度计算 | 第40页 |
| 3.2.2 基于时间兴趣因子的相似度计算 | 第40-41页 |
| 3.2.3 基于LDA的时间加权协同过滤算法 | 第41-42页 |
| 3.3 HUCLTCF算法 | 第42-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 实验及其分析 | 第46-55页 |
| 4.1 评价标准 | 第46-47页 |
| 4.2 实验数据 | 第47-49页 |
| 4.2.1 数据处理 | 第47-49页 |
| 4.3 实验及结果分析 | 第49-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 本文总结 | 第55-56页 |
| 5.2 下一步研究 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录 | 第61页 |