| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 引言 | 第11-19页 |
| 0.1 研究的背景和意义 | 第11-13页 |
| 0.1.1 研究背景 | 第11-12页 |
| 0.1.2 研究意义 | 第12-13页 |
| 0.2 研究现状 | 第13-17页 |
| 0.2.1 学术界研究现状 | 第13-15页 |
| 0.2.2 工业界研究现状 | 第15-17页 |
| 0.3 论文主要研究内容 | 第17-19页 |
| 第1章 基础理论及相关概念 | 第19-29页 |
| 1.1 推荐理论 | 第19-24页 |
| 1.1.1 推荐系统概述 | 第19-20页 |
| 1.1.2 推荐算法概述 | 第20-24页 |
| 1.2 混合推荐算法概述 | 第24-25页 |
| 1.3 学习资源推荐概述 | 第25-27页 |
| 1.3.1 学习资源推荐的特点 | 第25-26页 |
| 1.3.2 学习资源推荐系统与其他系统的关系 | 第26-27页 |
| 1.4 本章小结 | 第27-29页 |
| 第2章 一种学习行为分析的推荐架构设计 | 第29-42页 |
| 2.1 一种学习行为分析的推荐总体架构设计 | 第29-33页 |
| 2.2 学习行为分析的数据流程 | 第33-36页 |
| 2.2.1 学习资源平台上下文数据 | 第34-36页 |
| 2.3 混合推荐策略的学习资源推荐架构 | 第36-41页 |
| 2.3.1 多引擎混合推荐架构 | 第36-37页 |
| 2.3.2 混合推荐的流程设计 | 第37-41页 |
| 2.4 本章小结 | 第41-42页 |
| 第3章 一种混合推荐策略的学习资源推荐模型 | 第42-59页 |
| 3.1 学习资源推荐的混合策略概述 | 第42-44页 |
| 3.2 混合推荐的特征工程 | 第44-49页 |
| 3.2.1 特征工程的影响因素 | 第44-45页 |
| 3.2.2 学习行为数学建模 | 第45-47页 |
| 3.2.3 特征工程 | 第47-49页 |
| 3.3 最近邻的协同过滤模型 | 第49-52页 |
| 3.3.1 评分预测问题 | 第49-50页 |
| 3.3.2 学习者行为偏好建模 | 第50-51页 |
| 3.3.3 矩阵分解协同过滤算法 | 第51-52页 |
| 3.4 LDA算法的学习资源推荐模型 | 第52-57页 |
| 3.4.1 LDA的学习资源推荐模型 | 第52-55页 |
| 3.4.2 学习资源相似度计算 | 第55-56页 |
| 3.4.3 学习资源推荐 | 第56-57页 |
| 3.5 候选集混合与过滤 | 第57页 |
| 3.6 学习资源推荐算法的评价 | 第57-58页 |
| 3.7 本章小结 | 第58-59页 |
| 第4章 实验分析 | 第59-71页 |
| 4.1 实验平台及数据准备 | 第59-62页 |
| 4.1.1 实验平台搭建 | 第59-60页 |
| 4.1.2 实验数据准备 | 第60-62页 |
| 4.2 分布式协同过滤算法实验 | 第62-68页 |
| 4.2.1 基于项目的协同过滤 | 第62-65页 |
| 4.2.2 Mahout中基于并行ALS-WR的协同过滤算法实验 | 第65-68页 |
| 4.3 实验分析与结论 | 第68-70页 |
| 4.3.1 并行ALS-WR算法性能分析 | 第68-69页 |
| 4.3.2 推荐算法综合评价 | 第69-70页 |
| 4.4 本章小结 | 第70-71页 |
| 第5章 结论与展望 | 第71-73页 |
| 5.1 结论 | 第71-72页 |
| 5.1.1 本文所做工作和贡献 | 第71页 |
| 5.1.2 本文的创新点和特色 | 第71-72页 |
| 5.2 展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-77页 |