基于LSTM的个性化学习推荐系统的研究与设计
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 选题背景 | 第7页 |
| 1.2 研究现状 | 第7-9页 |
| 1.2.1 国外研究现状 | 第7-8页 |
| 1.2.2 国内研究现状 | 第8-9页 |
| 1.3 问题提出 | 第9-10页 |
| 1.4 研究内容 | 第10页 |
| 1.5 研究目的和意义 | 第10-11页 |
| 1.6 实施方案 | 第11页 |
| 1.7 论文工作和结构 | 第11-12页 |
| 1.8 本章小结 | 第12-13页 |
| 第二章 相关理论及技术基础 | 第13-21页 |
| 2.1 个性化学习的概念 | 第13页 |
| 2.2 个性化推荐系统 | 第13-17页 |
| 2.2.1 个性化推荐技术简介 | 第13-14页 |
| 2.2.2 相关个性化推荐技术介绍 | 第14-16页 |
| 2.2.3 推荐技术对比 | 第16-17页 |
| 2.3 深度学习相关平台 | 第17页 |
| 2.4 机器学习与数据挖掘技术 | 第17-18页 |
| 2.4.1 web日志挖掘 | 第17-18页 |
| 2.4.2 大数据与深度学习 | 第18页 |
| 2.5 系统开发技术 | 第18-19页 |
| 2.5.1 Lamp开发介绍 | 第18-19页 |
| 2.5.2 Laravel框架介绍 | 第19页 |
| 2.6 本章小结 | 第19-21页 |
| 第三章 系统设计 | 第21-33页 |
| 3.1 系统功能模块设计 | 第21-30页 |
| 3.1.1 系统功能描述 | 第21-23页 |
| 3.1.2 系统用例图 | 第23-26页 |
| 3.1.3 功能结构图 | 第26-29页 |
| 3.1.4 业务流程 | 第29-30页 |
| 3.1.5 数据库模型 | 第30页 |
| 3.2 推荐模块设计 | 第30-32页 |
| 3.2.1 推荐模型体系结构 | 第31-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第四章 推荐算法及实验结果分析 | 第33-45页 |
| 4.1 数据集及数据挖掘过程 | 第33-35页 |
| 4.1.1 数据集简介 | 第33-34页 |
| 4.1.2 数据准备 | 第34页 |
| 4.1.3 数据开采 | 第34页 |
| 4.1.4 结果表示及解释 | 第34-35页 |
| 4.2 实验环境和工具 | 第35页 |
| 4.3 实验评价标准 | 第35-37页 |
| 4.3.1 查准率和查全率 | 第36页 |
| 4.3.2 均方根误差RMSE | 第36-37页 |
| 4.4 协同过滤推荐过程 | 第37-39页 |
| 4.5 基于LSTM的推荐 | 第39-44页 |
| 4.6 实验结论 | 第44页 |
| 4.7 本章小结 | 第44-45页 |
| 第五章 系统实现与测试 | 第45-55页 |
| 5.1 前台实现 | 第45-49页 |
| 5.2 后台实现 | 第49-52页 |
| 5.3 系统功能及算法测试 | 第52-54页 |
| 5.3.1 系统功能测试 | 第52-53页 |
| 5.3.2 算法性能测试 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-58页 |
| 6.1 研究结论 | 第55-56页 |
| 6.2 研究的创新点 | 第56页 |
| 6.3 未来研究展望 | 第56-58页 |
| 参考文献 | 第58-60页 |
| 致谢 | 第60-61页 |
| 个人简介 | 第61页 |
