| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究背景 | 第8页 |
| 1.2 研究目标及意义 | 第8-9页 |
| 1.3 研究现状 | 第9-12页 |
| 1.3.1 大型在线教育平台的发展 | 第9-10页 |
| 1.3.2 行为数据分析 | 第10-11页 |
| 1.3.3 用户行为数据分析面临的挑战 | 第11-12页 |
| 1.4 本文主要内容 | 第12-13页 |
| 1.5 论文的组织结构 | 第13-14页 |
| 第二章 技术背景 | 第14-27页 |
| 2.1 用户行为数据的预处理技术的研究 | 第14-17页 |
| 2.1.1 用户行为数据的预处理的概述 | 第14页 |
| 2.1.2 用户行为数据的预处理方法 | 第14-17页 |
| 2.2 用户行为数据的分析 | 第17-21页 |
| 2.2.1 用户行为数据的概述 | 第17-18页 |
| 2.2.2 用户行为数据的分析方法 | 第18-19页 |
| 2.2.3 用户行为数据的分析技术 | 第19-21页 |
| 2.3 用户行为数据推荐技术的相关研究 | 第21-26页 |
| 2.3.1 用户行为数据推荐技术的发展 | 第21-22页 |
| 2.3.2 用户行为数据的推荐技术的核心算法 | 第22-25页 |
| 2.3.3 工业界现有的推荐系统 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于用户行为数据的迁移学习 | 第27-35页 |
| 3.1 引言 | 第27-28页 |
| 3.1.1 问题背景 | 第27-28页 |
| 3.1.2 研究思路 | 第28页 |
| 3.2 基于用户行为数据的迁移学习技术 | 第28-31页 |
| 3.2.1 模型的描述 | 第28-29页 |
| 3.2.2 Trada Boosting算法 | 第29-31页 |
| 3.3 实验结果及分析 | 第31-34页 |
| 3.3.1 实验准备 | 第31-32页 |
| 3.3.2 离群数据处理 | 第32页 |
| 3.3.3 数据整合 | 第32-34页 |
| 3.3.4 实验结果及分析 | 第34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于传统分类集成算法的改进 | 第35-45页 |
| 4.1 引言 | 第35-36页 |
| 4.1.1 问题背景 | 第35页 |
| 4.1.2 研究思路 | 第35-36页 |
| 4.2 基于用户行为数据的多标签Adaboost改进算法 | 第36-40页 |
| 4.2.1 多标签Adaboost算法简介 | 第36-38页 |
| 4.2.2 多标签Adaboost算法的改进思路 | 第38页 |
| 4.2.3 多标签Adaboost算法的改进 | 第38-40页 |
| 4.3 实验结果及分析 | 第40-44页 |
| 4.3.1 实验准备 | 第40-41页 |
| 4.3.2 实验结果及分析 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 实验与验证 | 第45-55页 |
| 5.1 引言 | 第45页 |
| 5.1.1 问题背景 | 第45页 |
| 5.2 算法实现 | 第45-52页 |
| 5.2.1 数据采集与预处理 | 第47-50页 |
| 5.2.2 模型构建及数据分析 | 第50-52页 |
| 5.3 实验及结果分析 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 作者在学期间取得的学术成果 | 第61页 |