| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9页 |
| 1.3 国内外研究现状 | 第9-14页 |
| 1.4 研究内容 | 第14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 泛在学习和相关理论概述 | 第15-26页 |
| 2.1 泛在学习概述 | 第15-16页 |
| 2.2 泛在学习特点 | 第16-17页 |
| 2.3 个性化资源推荐 | 第17-25页 |
| 2.3.1 个性化资源推荐概述 | 第17-18页 |
| 2.3.2 基于协同过滤的推荐算法 | 第18-20页 |
| 2.3.3 基于内容的推荐算法 | 第20-22页 |
| 2.3.4 基于聚类分析的推荐 | 第22-23页 |
| 2.3.5 基于关联规则的推荐 | 第23页 |
| 2.3.6 社会化网络推荐 | 第23页 |
| 2.3.7 混合推荐 | 第23-24页 |
| 2.3.8 几种常用推荐技术对比 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 改进的基于协同过滤的学习资源推荐方法 | 第26-42页 |
| 3.1 传统协同过滤算法概述 | 第26-31页 |
| 3.1.1 基于项目的协同过滤算法 | 第27-28页 |
| 3.1.2 基于用户的协同过滤算法 | 第28-29页 |
| 3.1.3 基于项目的协同过滤算法与基于用户的协同过滤算法的对比 | 第29-30页 |
| 3.1.4 协同过滤算法的优化 | 第30-31页 |
| 3.2 传统协同过滤算法的改进思路 | 第31-32页 |
| 3.3 基于RBF的用户协同过滤型推荐算法 | 第32页 |
| 3.4 基于RBF神经网络的用户-项目混合协同过滤推荐算法 | 第32-33页 |
| 3.5 协同过滤改进算法的实现 | 第33页 |
| 3.6 实验结果 | 第33-41页 |
| 3.6.1 不同评分数据稀疏度算法的对比 | 第33-37页 |
| 3.6.2 不同邻近用户数目推荐算法的对比 | 第37-39页 |
| 3.6.3 不同控制因子下推荐算法的对比 | 第39-41页 |
| 3.7 本章小结 | 第41-42页 |
| 第四章 基于迁移学习的学习资源推荐方法 | 第42-53页 |
| 4.1 引言 | 第42-43页 |
| 4.2 传统的基于迁移学习推荐算法 | 第43-45页 |
| 4.3 交叉联合矩阵分解(C-CMF)推荐算法 | 第45-48页 |
| 4.4 实验结果 | 第48-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第第五章泛在学习资源推荐系统的系统设计 | 第53-61页 |
| 5.1 个性化学习资源推荐系统的设计目标 | 第53页 |
| 5.2 个性化资源推荐系统的需求分析 | 第53-55页 |
| 5.3 系统的总体设计框架 | 第55-56页 |
| 5.4 系统前端框架选择 | 第56-57页 |
| 5.5 模块设计 | 第57页 |
| 5.6 系统数据库的设计 | 第57-60页 |
| 5.7 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 本文总结 | 第61页 |
| 6.2 未来展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 发表论文和科研情况说明 | 第68-69页 |
| 致谢 | 第69页 |