基于协同过滤的教学资源推荐研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-18页 |
| 1.1 课题研究的背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 推荐系统研究现状 | 第13-14页 |
| 1.2.2 教学资源推荐研究现状 | 第14-15页 |
| 1.2.3 推荐技术研究现状 | 第15-16页 |
| 1.3 论文的研究内容 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 2 个性化推荐技术 | 第18-26页 |
| 2.1 个性化推荐系统概述 | 第18-19页 |
| 2.2 主要的推荐技术 | 第19-24页 |
| 2.2.1 协同过滤推荐技术 | 第19-20页 |
| 2.2.2 基于内容的推荐技术 | 第20-22页 |
| 2.2.3 基于关联规则的推荐技术 | 第22-23页 |
| 2.2.4 混合的推荐技术 | 第23-24页 |
| 2.3 个性化推荐技术比较 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 协同过滤算法 | 第26-34页 |
| 3.1 协同过滤算法概述 | 第26-28页 |
| 3.1.1 算法的简单描述 | 第26页 |
| 3.1.2 算法的推荐流程 | 第26-28页 |
| 3.2 协同过滤算法分类 | 第28-33页 |
| 3.2.1 Memory-based CF | 第29-31页 |
| 3.2.2 Model-based CF | 第31-33页 |
| 3.3 本章小结 | 第33-34页 |
| 4 改进的协同过滤算法 | 第34-57页 |
| 4.1 算法改进的出发点 | 第34-35页 |
| 4.1.1 教学资源的特征 | 第34-35页 |
| 4.1.2 算法改进思路 | 第35页 |
| 4.2 用户聚类算法 | 第35-41页 |
| 4.2.1 聚类基本概念 | 第36-38页 |
| 4.2.2 改进的K-means算法 | 第38-41页 |
| 4.3 基于评分和项目属性偏好的协同过滤算法 | 第41-46页 |
| 4.3.1 算法的提出 | 第41-43页 |
| 4.3.2 用户相似性 | 第43-45页 |
| 4.3.3 算法描述 | 第45-46页 |
| 4.4 新用户冷启动问题 | 第46-49页 |
| 4.4.1 用户特征相似性 | 第47-48页 |
| 4.4.2 信息熵 | 第48-49页 |
| 4.5 改进算法分析 | 第49-50页 |
| 4.6 实验结果及分析 | 第50-56页 |
| 4.6.1 实验数据集 | 第50-52页 |
| 4.6.2 实验评估标准 | 第52页 |
| 4.6.3 实验结果与讨论 | 第52-56页 |
| 4.7 本章小结 | 第56-57页 |
| 5 教学资源个性化推荐系统的设计和实现 | 第57-66页 |
| 5.1 系统总体设计 | 第57-59页 |
| 5.1.1 系统设计概述 | 第57页 |
| 5.1.2 系统功能需求 | 第57-58页 |
| 5.1.3 系统的功能模块设计 | 第58-59页 |
| 5.1.4 开发环境 | 第59页 |
| 5.2 教学资源个性化推荐模型设计 | 第59-61页 |
| 5.2.1 个性化推荐思路 | 第59页 |
| 5.2.2 推荐模型的体系结构 | 第59-60页 |
| 5.2.3 系统推荐流程 | 第60-61页 |
| 5.3 系统效果展示 | 第61-63页 |
| 5.3.1 系统首页 | 第61-62页 |
| 5.3.2 个性化推荐页面 | 第62-63页 |
| 5.4 实验结果与分析 | 第63-65页 |
| 5.4.1 实验数据集及评估标准 | 第63-64页 |
| 5.4.2 实验方案与结果 | 第64-65页 |
| 5.5 本章小结 | 第65-66页 |
| 6 总结与展望 | 第66-68页 |
| 6.1 论文总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第71-73页 |
| 学位论文数据集 | 第73页 |
