| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景和意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-19页 |
| 1.2.1 在线教育学习资源研究现状 | 第17-18页 |
| 1.2.2 推荐系统研究现状 | 第18页 |
| 1.2.3 神经网络研究现状 | 第18-19页 |
| 1.3 研究内容 | 第19-20页 |
| 1.4 论文结构 | 第20-22页 |
| 第二章 相关理论及技术 | 第22-36页 |
| 2.1 学习资源组织形式 | 第22-24页 |
| 2.1.1 学习元概念 | 第22-23页 |
| 2.1.2 学习元资源信息模型 | 第23-24页 |
| 2.2 推荐系统相关理论 | 第24-30页 |
| 2.2.1 推荐系统概念 | 第24-25页 |
| 2.2.2 推荐方法概述 | 第25-28页 |
| 2.2.3 推荐系统实验方法 | 第28页 |
| 2.2.4 推荐系统测评指标 | 第28-30页 |
| 2.3 神经网络概述 | 第30-34页 |
| 2.3.1 神经元模型 | 第30-31页 |
| 2.3.2 BP神经网络 | 第31-32页 |
| 2.3.3 BP神经网络实现过程 | 第32-34页 |
| 2.4 本章小结 | 第34-36页 |
| 第三章 基于双属性评分矩阵及神经网络的协同推荐算法 | 第36-52页 |
| 3.1 现有推荐方法的问题及解决方案 | 第36-39页 |
| 3.1.1 评分矩阵的稀疏性问题 | 第37页 |
| 3.1.2 冷启动问题 | 第37-39页 |
| 3.2 基于双属性评分矩阵及神经网络的协同推荐算法 | 第39-47页 |
| 3.2.1 改进算法基本思路 | 第39-43页 |
| 3.2.2 双属性评分矩阵的建立 | 第43-44页 |
| 3.2.3 用户属性偏好模型的训练 | 第44-45页 |
| 3.2.4 基于修正相似性度量的协同推荐 | 第45-47页 |
| 3.2.5 基于双属性评分矩阵的冷启动推荐 | 第47页 |
| 3.3 实验测评 | 第47-50页 |
| 3.3.1 实验环境及实验数据集 | 第48页 |
| 3.3.2 实验方法与评价指标 | 第48页 |
| 3.3.3 实验结果及分析 | 第48-50页 |
| 3.4 本章小结 | 第50-52页 |
| 第四章 改进算法在学习资源推荐中的应用 | 第52-66页 |
| 4.1 学习资源建模 | 第52-55页 |
| 4.1.1 标准化学习资源模型 | 第52-54页 |
| 4.1.2 学习资源描述 | 第54-55页 |
| 4.2 学习者兴趣建模 | 第55-59页 |
| 4.2.1 学习者基本信息 | 第55-56页 |
| 4.2.2 学习者兴趣偏好信息 | 第56-58页 |
| 4.2.3 训练学习者兴趣偏好模型 | 第58-59页 |
| 4.3 在线教育的学习资源推荐方法 | 第59-65页 |
| 4.3.1 推荐方法描述 | 第59-62页 |
| 4.3.2 推荐结果分析 | 第62-65页 |
| 4.4 本章小结 | 第65-66页 |
| 第五章 学习资源推荐系统设计与实现 | 第66-82页 |
| 5.1 系统总体设计 | 第66-68页 |
| 5.1.1 系统结构设计 | 第66-67页 |
| 5.1.2 系统技术架构设计 | 第67-68页 |
| 5.2 数据采集和预处理模块 | 第68-74页 |
| 5.2.1 隐式评分信息采集 | 第68-72页 |
| 5.2.2 日志数据预处理 | 第72-73页 |
| 5.2.3 数据库存储 | 第73-74页 |
| 5.3 资源展示与学习模块 | 第74-75页 |
| 5.4 系统实现及测试 | 第75-81页 |
| 5.4.1 测试目的及对象 | 第75页 |
| 5.4.2 测试环境 | 第75-76页 |
| 5.4.3 资源推荐功能测试 | 第76-78页 |
| 5.4.4 资源评价功能测试 | 第78-79页 |
| 5.4.5 学习支持功能测试 | 第79-81页 |
| 5.4.6 测试评价与效果分析 | 第81页 |
| 5.5 本章小结 | 第81-82页 |
| 第六章 总结与展望 | 第82-84页 |
| 6.1 论文总结 | 第82页 |
| 6.2 论文展望 | 第82-84页 |
| 参考文献 | 第84-88页 |
| 致谢 | 第88-90页 |
| 作者简介 | 第90-91页 |