| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 研究背景及研究目标 | 第13页 |
| 1.1.1 研究背景 | 第13页 |
| 1.1.2 研究目标 | 第13页 |
| 1.2 研究现状 | 第13-18页 |
| 1.2.1 国外研究现状 | 第13-17页 |
| 1.2.2 国内研究现状 | 第17-18页 |
| 1.3 个性化学习路径推荐技术 | 第18-20页 |
| 1.4 论文组织结构 | 第20-21页 |
| 1.5 本章小结 | 第21-23页 |
| 第2章 基于CBL平台的学习内容管理系统INE | 第23-43页 |
| 2.1 INE的系统架构 | 第23-25页 |
| 2.2 INE系统平台 | 第25-27页 |
| 2.2.1 CBL平台功能 | 第25-26页 |
| 2.2.2 CBL平台特色 | 第26-27页 |
| 2.3 INE系统主要功能 | 第27-39页 |
| 2.3.1 系统总体功能 | 第27-28页 |
| 2.3.2 用户管理功能 | 第28-30页 |
| 2.3.3 课件制作功能 | 第30-33页 |
| 2.3.4 作业制作功能 | 第33-35页 |
| 2.3.5 发布学习内容和分配作业功能 | 第35-37页 |
| 2.3.6 访问教学内容功能 | 第37-39页 |
| 2.4 与现有系统的比较分析 | 第39-41页 |
| 2.4.1 LMS、CMS、LCMS的联系与区别 | 第39-40页 |
| 2.4.2 LCMS的共同特点 | 第40-41页 |
| 2.5 本章小结 | 第41-43页 |
| 第3章 INE的个性化学习路径推荐策略 | 第43-59页 |
| 3.1 学习路径的推荐问题 | 第43页 |
| 3.2 INE系统的个性化学习模型 | 第43-45页 |
| 3.3 INE系统的个性化分析 | 第45-48页 |
| 3.3.1 学习者特征的定量描述 | 第45-46页 |
| 3.3.2 学习对象特征的定量描述 | 第46-47页 |
| 3.3.3 学习路径的生成 | 第47-48页 |
| 3.4 基本蚁群算法 | 第48-52页 |
| 3.4.1 蚁群算法原理及特点 | 第48-50页 |
| 3.4.2 基本蚁群算法数学模型 | 第50-51页 |
| 3.4.3 基本蚁群算法描述 | 第51-52页 |
| 3.5 基于扩展蚁群算法的学习路径推荐 | 第52-57页 |
| 3.5.1 相似学习者的定义 | 第53页 |
| 3.5.2 启发信息与信息素更新 | 第53-56页 |
| 3.5.3 学习对象的选择 | 第56页 |
| 3.5.4 学习对象推荐算法的实现步骤 | 第56-57页 |
| 3.6 本章小结 | 第57-59页 |
| 第4章 参数优化与分析 | 第59-69页 |
| 4.1 参数选择对扩展蚁群算法性能影响分析 | 第59-60页 |
| 4.1.1 启发因子对扩展蚁群算法的影响 | 第59页 |
| 4.1.2 期望启发因子对扩展蚁群算法的影响 | 第59页 |
| 4.1.3 信息素挥发因子对扩展蚁群算法的影响 | 第59页 |
| 4.1.4 学习效果评价对扩展蚁群算法的影响 | 第59-60页 |
| 4.1.5 随机抽取相似学习者数目对扩展蚁群算法的影响 | 第60页 |
| 4.2 扩展蚁群算法参数值的较优区间 | 第60页 |
| 4.3 利用遗传算法优化参数 | 第60-63页 |
| 4.3.1 遗传算法的基本原理 | 第60-61页 |
| 4.3.2 扩展蚁群算法的参数优化 | 第61-63页 |
| 4.4 学习路径推荐的仿真实验 | 第63-65页 |
| 4.5 参数优化效果分析 | 第65-67页 |
| 4.6 本章小结 | 第67-69页 |
| 第5章 总结与展望 | 第69-71页 |
| 5.1 全文总结 | 第69页 |
| 5.2 不足和展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75页 |