摘要 | 第3-4页 |
Abstract | 第4-5页 |
第一章 绪论 | 第9-21页 |
1.1 研究背景 | 第9-12页 |
1.1.1 应然:大数据时代呼唤网络教育资源个性化推荐的转型 | 第9-10页 |
1.1.2 实然:网络学习现状的反思 | 第10-11页 |
1.1.3 本然:网络教育资源个性化推荐的发展趋势 | 第11-12页 |
1.2 研究现状 | 第12-15页 |
1.3 研究目的与意义 | 第15-17页 |
1.3.1 研究目的 | 第15-16页 |
1.3.2 研究意义 | 第16-17页 |
1.4 研究内容 | 第17页 |
1.5 研究思路 | 第17-18页 |
1.6 论文篇章结构 | 第18-21页 |
第二章 研究相关理论探讨 | 第21-35页 |
2.1 对本体论的探讨 | 第21-25页 |
2.1.1 本体论概述 | 第21-22页 |
2.1.2 本体描述语言 | 第22页 |
2.1.3 本体的层次结构 | 第22-23页 |
2.1.4 本体在E-learning系统中的应用 | 第23-25页 |
2.2 对元数据的探讨 | 第25-29页 |
2.2.1 元数据 | 第25-26页 |
2.2.2 学习资源元数据 | 第26-27页 |
2.2.3 学习对象元数据的规范化 | 第27-29页 |
2.3 语义网络——WordNet | 第29-30页 |
2.4 个性化资源推荐策略 | 第30-35页 |
2.4.1 推荐的概述 | 第30-31页 |
2.4.2 推荐策略的相关研究 | 第31-32页 |
2.4.3 协同过滤推荐技术 | 第32-35页 |
第三章 国内普适性的资源个性化推荐策略设计 | 第35-51页 |
3.1 模型基础数据集的定义 | 第35-36页 |
3.2 同义词集的形成 | 第36-38页 |
3.3 资源匹配数据集与学习者偏好数据集 | 第38-39页 |
3.3.1 资源匹配数据集 | 第38页 |
3.3.2 学习者偏好数据集 | 第38-39页 |
3.4 学习者偏好分与相似学习者偏好分 | 第39-45页 |
3.4.1 相似性计算方法 | 第39-41页 |
3.4.2 基于信任机制的个性化系统 | 第41-42页 |
3.4.3 基于混合式推荐算法的偏好分计算 | 第42-45页 |
3.5 资源推荐分(Rscore)计算 | 第45页 |
3.6 基于混合式推荐算法的资源个性化推荐策略小结 | 第45-46页 |
3.7 基于循环计数法的学习资源推荐策略设计 | 第46-51页 |
3.7.1 设计缘由 | 第46-47页 |
3.7.2 学习资源推荐分的计算 | 第47-49页 |
3.7.3 基于循环计数法的学习资源推荐策略小结 | 第49-51页 |
第四章 针对本科公共课程统考英语的资源推荐设计方案 | 第51-67页 |
4.1 引言 | 第51页 |
4.2 相关技术方法与规范 | 第51-60页 |
4.2.1 英文WordNet | 第51-52页 |
4.2.2 基于Hadoop的分布式网络爬虫技术 | 第52-53页 |
4.2.3 学习资源元数据计划(LRMI) | 第53-56页 |
4.2.4 元数据提取技术 | 第56-57页 |
4.2.5 视频资源元数据提取方法 | 第57-60页 |
4.3 资源元数据库的构建与同义词集O的形成 | 第60-62页 |
4.3.1 资源元数据库的构建 | 第60-61页 |
4.3.2 同义词集O的形成 | 第61-62页 |
4.4 资源匹配数据集与学习者偏好数据集 | 第62-63页 |
4.4.1 资源匹配数据集 | 第62页 |
4.4.2 学习者偏好数据集 | 第62-63页 |
4.5 学习者偏好分与相似学习者偏好分计算 | 第63-64页 |
4.6 资源推荐分计算 | 第64页 |
4.7 E-learning环境下基于本体论的两种推荐策略应用访谈 | 第64-67页 |
第五章 总结与展望 | 第67-71页 |
5.1 研究主要成果 | 第67-68页 |
5.2 研究不足与展望 | 第68-71页 |
5.2.1 研究中存在的不足之处 | 第68页 |
5.2.2 研究展望 | 第68-71页 |
致谢 | 第71-72页 |
参考文献 | 第72-75页 |
附录: 作者在攻读江南大学硕士学位期间发表的论文 | 第75-76页 |
附录A 调查问卷 | 第76页 |