基于机器学习的高校选课推送研究--以S高校电子商务专业为例
| 中文摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-13页 |
| 1.1.1 研究背景 | 第9-11页 |
| 1.1.2 概念界定 | 第11-12页 |
| 1.1.3 选课存在问题 | 第12-13页 |
| 1.1.4 研究意义 | 第13页 |
| 1.2 信息推送现状研究 | 第13-18页 |
| 1.3 研究内容 | 第18-19页 |
| 1.3.1 研究内容及框架 | 第18页 |
| 1.3.2 本文的创新点 | 第18-19页 |
| 2 技术研究 | 第19-35页 |
| 2.1 混合推荐算法 | 第19-21页 |
| 2.2 协同过滤及基于内容的推荐 | 第21-27页 |
| 2.1.1 算法介绍 | 第22-25页 |
| 2.1.2 算法存在问题 | 第25-26页 |
| 2.1.3 算法评价 | 第26-27页 |
| 2.3 文本挖掘 | 第27-31页 |
| 2.2.1 文本挖掘的定义 | 第28-29页 |
| 2.2.2 文本挖掘的分类 | 第29-30页 |
| 2.2.3 文本聚类 | 第30-31页 |
| 2.4 聚类分析 | 第31-35页 |
| 2.3.1 聚类分析的定义 | 第31-32页 |
| 2.3.2 聚类分析的过程 | 第32-34页 |
| 2.3.3 聚类分析的分类 | 第34-35页 |
| 3 课程分类 | 第35-48页 |
| 3.1 文本预处理 | 第36-40页 |
| 3.1.1 分词处理与词频统计 | 第36-38页 |
| 3.1.2 二次提取 | 第38-40页 |
| 3.2 文本聚类算法 | 第40-42页 |
| 3.2.1 文本聚类的相似度度量及相关定义 | 第40-41页 |
| 3.2.2 文本聚类 | 第41-42页 |
| 3.3 课程分类过程及数据分析 | 第42-48页 |
| 3.3.1 分类过程 | 第42-45页 |
| 3.3.2 数据分析 | 第45-48页 |
| 4 用户分析 | 第48-53页 |
| 4.1 用户相似度定义 | 第48页 |
| 4.2 用户相似度计算 | 第48-49页 |
| 4.3 用户相似度分析 | 第49-53页 |
| 4.3.1 数据整理 | 第50-52页 |
| 4.3.2 数据分析 | 第52-53页 |
| 5 推送算法设计 | 第53-59页 |
| 5.1 算法描述 | 第53-54页 |
| 5.2 算法验证 | 第54-57页 |
| 5.2.1 验证方法选取 | 第54-55页 |
| 5.2.2 验证结果 | 第55-57页 |
| 5.3 推送分析 | 第57-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 研究工作总结 | 第59页 |
| 6.2 下一步的工作 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 附录 | 第64-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间发表的学术论文目录 | 第75页 |
