| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第14-25页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.1.1 研究背景 | 第14-15页 |
| 1.1.2 研究意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-21页 |
| 1.2.1 学习分析国内外研究现状 | 第15-19页 |
| 1.2.2 面向学习共同体的推荐国内外研究现状 | 第19-21页 |
| 1.3 研究内容与创新点 | 第21-23页 |
| 1.3.1 研究内容 | 第21-23页 |
| 1.3.2 创新点 | 第23页 |
| 1.4 研究方法 | 第23-24页 |
| 1.5 论文组织结构 | 第24-25页 |
| 第2章 相关技术和理论基础 | 第25-36页 |
| 2.1 网络学习共同体介绍 | 第25页 |
| 2.2 学习分析 | 第25-28页 |
| 2.2.1 学习分析概述 | 第25-27页 |
| 2.2.2 学习分析的关键技术 | 第27-28页 |
| 2.3 组推荐技术 | 第28-32页 |
| 2.3.1 组推荐概述 | 第29-30页 |
| 2.3.2 组推荐的相关技术 | 第30-32页 |
| 2.4 理论基础 | 第32-36页 |
| 2.4.1 建构主义学习理论 | 第32-34页 |
| 2.4.2 人本主义学习理论 | 第34-36页 |
| 第3章 学习分析视角下面向学习共同体的资源推荐方法 | 第36-53页 |
| 3.1 推荐模型设计理念及框架 | 第36-38页 |
| 3.1.1 设计理念 | 第36-37页 |
| 3.1.2 设计框架 | 第37-38页 |
| 3.2 学习行为数据的选取和处理 | 第38-45页 |
| 3.2.1 网络学习行为及分析方法 | 第38-40页 |
| 3.2.2 学习分析模型 | 第40-41页 |
| 3.2.3 学习行为的量化 | 第41-45页 |
| 3.3 基于BP神经网络的权重分配 | 第45-48页 |
| 3.4 基于因子分解机的资源推荐列表获取 | 第48-50页 |
| 3.5 基于活跃度加权模型的群组推荐 | 第50-53页 |
| 第4章 数据采集和推荐模块的设计和实现 | 第53-68页 |
| 4.1 课程学习平台概述 | 第53-55页 |
| 4.1.1 课程学习平台的简介 | 第53-54页 |
| 4.1.2 学习分析视角下面向共同体的资源推荐流程 | 第54-55页 |
| 4.2 平台架构和功能模块设计 | 第55-58页 |
| 4.2.1 平台架构设计 | 第55-56页 |
| 4.2.2 组推荐功能模块设计 | 第56-58页 |
| 4.3 数据库设计 | 第58-60页 |
| 4.4 开发环境及实现技术 | 第60-65页 |
| 4.4.1 数据库连接关键代码 | 第60-61页 |
| 4.4.2 课程资源浏览数据采集 | 第61-63页 |
| 4.4.3 视频资源观看数据采集 | 第63页 |
| 4.4.4 资源下载行为数据采集 | 第63-64页 |
| 4.4.5 推荐数据的处理 | 第64-65页 |
| 4.5 平台界面 | 第65-68页 |
| 第5章 学习分析视角下面向学习共同体资源推荐方法的效果评估 | 第68-73页 |
| 5.1 实验内容和目的 | 第68页 |
| 5.2 实验数据 | 第68-69页 |
| 5.2.1 实验数据集 | 第68-69页 |
| 5.2.2 实验数据集的处理 | 第69页 |
| 5.2.3 训练集和测试集 | 第69页 |
| 5.3 实验方法和设计 | 第69-70页 |
| 5.4 实验结果分析 | 第70-73页 |
| 5.4.1 基于因子分解机的学习共同体成员资源推荐效果分析 | 第70-72页 |
| 5.4.2 面向学习共同体资源推荐模型的推荐效果分析 | 第72-73页 |
| 总结与展望 | 第73-75页 |
| 研究工作总结 | 第73-74页 |
| 研究局限 | 第74页 |
| 研究展望 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 致谢 | 第80页 |
