摘要 | 第1-5页 |
Abstract | 第5-10页 |
第1章 绪论 | 第10-18页 |
·选题背景 | 第10-12页 |
·海量的学习资源与“信息过载” | 第10-11页 |
·网络学习中的个性化需求 | 第11页 |
·网络学习资源个性化推荐 | 第11-12页 |
·国内外研究现状 | 第12-15页 |
·国外研究现状 | 第12-14页 |
·国内研究现状 | 第14-15页 |
·研究目的和研究内容 | 第15-16页 |
·研究目标 | 第15页 |
·研究内容 | 第15-16页 |
·研究方法 | 第16页 |
·论文组织结构 | 第16-18页 |
第2章 相关理论与技术基础 | 第18-30页 |
·个性化相关概念和理论 | 第18-20页 |
·个性化 | 第18页 |
·个性化需求 | 第18-20页 |
·个性化推荐 | 第20-23页 |
·个性化推荐的含义 | 第20-21页 |
·个性化推荐的目标 | 第21-22页 |
·个性化推荐的作用 | 第22-23页 |
·个性化推荐系统的一般组成 | 第23-26页 |
·用户建模 | 第23-25页 |
·项目匹配 | 第25页 |
·推荐输出 | 第25-26页 |
·常用的个性化推荐技术 | 第26-30页 |
·基于内容的推荐 | 第26页 |
·协同过滤推荐 | 第26-27页 |
·基于人口统计信息的推荐 | 第27页 |
·基于关联规则的推荐 | 第27-28页 |
·常见几种推荐技术比较 | 第28-30页 |
第3章 学习资源个性化推荐系统关键技术与推荐思路 | 第30-42页 |
·协同过滤推荐 | 第30-35页 |
·传统协同过滤推荐方法基本步骤 | 第30-34页 |
·协同过滤推荐存在的问题及对策 | 第34-35页 |
·新用户推荐问题解决对策——基于人口统计信息的推荐 | 第35-39页 |
·人口统计信息的应用价值 | 第35页 |
·人口统计信息的选择和获取 | 第35页 |
·人口统计信息的预处理 | 第35-37页 |
·人口统计信息相似度计算 | 第37-38页 |
·产生推荐数据集 | 第38-39页 |
·数据稀疏问题解决对策——Slope One算法 | 第39-42页 |
·Slope one算法的提出 | 第39页 |
·Slope One算法的实用价值 | 第39页 |
·Slope One算法分析 | 第39-40页 |
·Slope One算法举例说明 | 第40-42页 |
第4章 实验设计与结果分析 | 第42-50页 |
·实验目的和内容 | 第42页 |
·实验环境和工具 | 第42页 |
·实验数据介绍 | 第42-44页 |
·MovieLens数据集 | 第43页 |
·数据集的稀疏度 | 第43-44页 |
·实验评价标准 | 第44-46页 |
·平均绝对误差MAE | 第44-45页 |
·查准率和查全率 | 第45页 |
·查准率和查全率综合评价指标F1 | 第45-46页 |
·实验方法和设计 | 第46-47页 |
·训练集和测试集切割方法 | 第46-47页 |
·实验具体设计 | 第47页 |
·实验结果分析 | 第47-50页 |
·实验一结果分析 | 第47-48页 |
·实验二结果分析 | 第48-50页 |
第5章 网络学习资源性化推荐系统的设计与实现 | 第50-64页 |
·系统概述和设计目标 | 第50页 |
·系统功能模块设计 | 第50-52页 |
·系统功能需求 | 第50-52页 |
·系统功能架构 | 第52页 |
·学习资源个性化推荐模型的设计 | 第52-54页 |
·个性化推荐思路 | 第52-53页 |
·模型的体系结构 | 第53-54页 |
·系统的工作流程 | 第54-55页 |
·主要数据表设计 | 第55-57页 |
·用户信息表 | 第55-56页 |
·学习资源信息表 | 第56-57页 |
·用户-资源评分表 | 第57页 |
·注册用户资源下载信息表 | 第57页 |
·系统开发环境 | 第57-58页 |
·系统运行主要页面 | 第58-64页 |
第6章 总结与展望 | 第64-66页 |
·论文总结和主要成果 | 第64-65页 |
·进一步的研究和展望 | 第65-66页 |
参考文献 | 第66-72页 |
附录 | 第72-76页 |
致谢 | 第76-78页 |
攻读硕士学位期间科研成果 | 第78页 |