| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-11页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 研究的目的和意义 | 第13-14页 |
| 1.4 本文的研究内容和论文结构 | 第14-15页 |
| 1.5 创新之处 | 第15-16页 |
| 1.6 本章小结 | 第16-17页 |
| 2 教程推荐系统概述 | 第17-23页 |
| 2.1 推荐系统概述 | 第17页 |
| 2.2 教程推荐系统 | 第17-18页 |
| 2.2.1 设计目的 | 第17-18页 |
| 2.2.2 教程的定义 | 第18页 |
| 2.2.3 教程的特点 | 第18页 |
| 2.3 知识点 | 第18-20页 |
| 2.3.1 知识点的概念 | 第18页 |
| 2.3.2 知识点之间的关系 | 第18-19页 |
| 2.3.3 知识点树 | 第19-20页 |
| 2.4 教程推荐算法的选择 | 第20-21页 |
| 2.5 本章小结 | 第21-23页 |
| 3 文字教程推荐算法 | 第23-43页 |
| 3.1 文字教程 | 第23页 |
| 3.2 基于内容推荐算法 | 第23-25页 |
| 3.2.1 算法简介 | 第23-24页 |
| 3.2.2 算法步骤 | 第24-25页 |
| 3.3 文档的向量空间模型表示 | 第25-26页 |
| 3.4 中文文本分词处理 | 第26-27页 |
| 3.4.1 中文自动分词技术 | 第26-27页 |
| 3.4.2 ICTCLAS中文自动分词系统 | 第27页 |
| 3.5 TF-IDF文本特征词提取 | 第27-29页 |
| 3.5.1 创建用户兴趣模型 | 第27-28页 |
| 3.5.2 教程特征表示 | 第28-29页 |
| 3.5.3 相似度计算 | 第29页 |
| 3.6 基于知识点树的教程推荐 | 第29-39页 |
| 3.6.1 Web日志数据转换与清洗 | 第29-30页 |
| 3.6.2 教程表示 | 第30页 |
| 3.6.3 基于用户行为的兴趣模型 | 第30-35页 |
| 3.6.4 算法过程 | 第35-38页 |
| 3.6.5 算法流程图 | 第38-39页 |
| 3.7 实验评估 | 第39-40页 |
| 3.7.1 实验数据集 | 第39页 |
| 3.7.2 实验方案 | 第39页 |
| 3.7.3 实验结果及分析 | 第39-40页 |
| 3.8 基于内容推荐算法存在的问题 | 第40-41页 |
| 3.9 本章小结 | 第41-43页 |
| 4 视频教程推荐 | 第43-53页 |
| 4.1 视频教程 | 第43页 |
| 4.2 协同过滤推荐算法介绍 | 第43页 |
| 4.3 基于用户的(User-based)协同过滤推荐 | 第43-48页 |
| 4.3.1 数据表示 | 第45页 |
| 4.3.2 搜索最近邻居 | 第45-46页 |
| 4.3.3 产生推荐 | 第46-48页 |
| 4.3.4 邻居集的选取 | 第48页 |
| 4.4 基于项目的(Item-based)协同过滤推荐 | 第48-51页 |
| 4.4.1 余弦相似度计算 | 第49-50页 |
| 4.4.2 产生推荐 | 第50-51页 |
| 4.5 缺陷与不足 | 第51页 |
| 4.6 本章小结 | 第51-53页 |
| 5 改进的协同过滤推荐算法 | 第53-67页 |
| 5.1 数据稀疏性问题 | 第53页 |
| 5.2 稀疏性问题的解决方法 | 第53-55页 |
| 5.3 算法改进思路 | 第55-56页 |
| 5.3.1 现有算法存在的问题 | 第55-56页 |
| 5.3.2 改进思路 | 第56页 |
| 5.4 KPIU-CF推荐算法 | 第56-61页 |
| 5.4.1 数据结构 | 第58-59页 |
| 5.4.2 KPIU-CF算法的输入与输出 | 第59页 |
| 5.4.3 算法过程 | 第59-61页 |
| 5.5 算法流程 | 第61-63页 |
| 5.6 算法的优势 | 第63-64页 |
| 5.7 实验评估 | 第64-65页 |
| 5.7.1 实验数据集 | 第64页 |
| 5.7.2 实验环境 | 第64页 |
| 5.7.3 评价标准 | 第64页 |
| 5.7.4 实验方案 | 第64-65页 |
| 5.7.5 实验结果及分析 | 第65页 |
| 5.8 本章小结 | 第65-67页 |
| 6 混合推荐算法设计 | 第67-71页 |
| 6.1 混合推荐算法的必要性 | 第67页 |
| 6.2 混合推荐算法的类型 | 第67-68页 |
| 6.3 混合推荐算法设计 | 第68-69页 |
| 6.3.1 混合推荐系统的基本框架 | 第68页 |
| 6.3.2 混合推荐算法模型 | 第68-69页 |
| 6.4 产生推荐 | 第69页 |
| 6.5 本章小结 | 第69-71页 |
| 7 教程推荐系统设计 | 第71-79页 |
| 7.1 系统设计目标 | 第71页 |
| 7.2 系统体系结构 | 第71-72页 |
| 7.3 系统功能设计 | 第72-73页 |
| 7.4 主要功能模块设计 | 第73-76页 |
| 7.4.1 推荐用户分类 | 第74页 |
| 7.4.2 模块设计 | 第74-76页 |
| 7.5 系统工作流程 | 第76-77页 |
| 7.6 本章小结 | 第77-79页 |
| 8 总结与展望 | 第79-81页 |
| 8.1 本文总结 | 第79页 |
| 8.2 研究与展望 | 第79-81页 |
| 参考文献 | 第81-89页 |
| 致谢 | 第89页 |