基于多特征排序模型的网络课程推荐算法研究与应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题背景 | 第10-14页 |
| 1.2 本文的工作与贡献 | 第14-16页 |
| 1.3 本文的组织与结构 | 第16页 |
| 1.4 本章小结 | 第16-17页 |
| 第2章 相关工作 | 第17-30页 |
| 2.1 网络课程相关研究 | 第17-21页 |
| 2.1.1 MOOC平台调研 | 第17-19页 |
| 2.1.2 课程推荐算法研究 | 第19-21页 |
| 2.2 传统推荐算法 | 第21-26页 |
| 2.2.1 协同过滤推荐算法 | 第21-24页 |
| 2.2.2 基于内容的推荐算法 | 第24-26页 |
| 2.3 排序学习 | 第26-29页 |
| 2.3.1 概述 | 第26-27页 |
| 2.3.2 相关算法研究 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 网络课程相关数据分析 | 第30-38页 |
| 3.1 数据集描述 | 第30-31页 |
| 3.2 课程信息分析 | 第31-33页 |
| 3.3 课程创建者分析 | 第33-35页 |
| 3.4 用户信息分析 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于多特征排序模型的网络课程推荐算法 | 第38-47页 |
| 4.1 概述 | 第38-39页 |
| 4.2 特征提取 | 第39-44页 |
| 4.2.1 基于协同过滤的用户偏好 | 第41页 |
| 4.2.2 基于主题的用户偏好 | 第41-42页 |
| 4.2.3 课程热门程度 | 第42-43页 |
| 4.2.4 课程讲师影响力 | 第43-44页 |
| 4.3 排序学习 | 第44-45页 |
| 4.4 用户标签生成 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 系统设计与实现 | 第47-55页 |
| 5.1 课程推荐功能 | 第47-48页 |
| 5.1.1 功能描述 | 第47页 |
| 5.1.2 详细设计 | 第47-48页 |
| 5.2 兴趣标签功能 | 第48-52页 |
| 5.2.1 功能描述 | 第48-49页 |
| 5.2.2 详细设计 | 第49-52页 |
| 5.3 效果展示 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第6章 实验结果与分析 | 第55-65页 |
| 6.1 实验配置 | 第55-57页 |
| 6.1.1 运行环境 | 第55页 |
| 6.1.2 对比算法 | 第55-56页 |
| 6.1.3 衡量指标 | 第56-57页 |
| 6.2 实验过程与步骤 | 第57-60页 |
| 6.2.1 特征提取 | 第57-60页 |
| 6.2.2 模型训练 | 第60页 |
| 6.3 实验结果与分析 | 第60-64页 |
| 6.3.1 推荐数量对结果的影响 | 第60-62页 |
| 6.3.2 用户学习数量对结果的影响 | 第62-64页 |
| 6.4 本章小结 | 第64-65页 |
| 第7章 总结与展望 | 第65-68页 |
| 7.1 本文工作总结 | 第65-66页 |
| 7.2 未来工作展望 | 第66-67页 |
| 7.3 本章小结 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间主要的研究成果 | 第72-73页 |
| 致谢 | 第73页 |
