协同过滤算法在教育数据挖掘中学生成绩预测的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的研究背景 | 第10-11页 |
| 1.2 协同过滤研究现状 | 第11-12页 |
| 1.3 教育数据挖掘的研究现状 | 第12-14页 |
| 1.4 研究意义 | 第14-15页 |
| 1.5 论文组织结构 | 第15-16页 |
| 第2章 相关概念与理论基础 | 第16-32页 |
| 2.1 数据预处理 | 第16-19页 |
| 2.2 教育数据挖掘 | 第19-23页 |
| 2.3 协同过滤算法 | 第23-31页 |
| 2.3.1 基于模型的协同过滤算法 | 第24-26页 |
| 2.3.2 基于全局的协同过滤算法 | 第26-29页 |
| 2.3.3 协同过滤算法中存在的问题与挑战 | 第29-31页 |
| 2.4 本章小节 | 第31-32页 |
| 第3章 样本数据处理 | 第32-46页 |
| 3.1 数据集描述 | 第32-35页 |
| 3.2 面临的挑战 | 第35-36页 |
| 3.3 内部验证数据集生成 | 第36-40页 |
| 3.3.1 交叉验证的内部数据集生成 | 第36页 |
| 3.3.2 时间相关性的内部数据集生成 | 第36-40页 |
| 3.4 特征选择和预处理方法 | 第40-44页 |
| 3.5 本章小节 | 第44-46页 |
| 第4章 预测算法与结果分析 | 第46-58页 |
| 4.1 K Nearest Neighbor算法 | 第46-51页 |
| 4.1.1 KNN预测算法的可行性 | 第46页 |
| 4.1.2 KNN预测算法实现 | 第46-50页 |
| 4.1.3 评价标准 | 第50-51页 |
| 4.1.4 KNN算法存在的问题 | 第51页 |
| 4.2 矩阵奇异值分解SVD算法 | 第51-53页 |
| 4.3 基于SVD的KNN预测算法 | 第53-56页 |
| 4.4 本章小节 | 第56-58页 |
| 第5章 结论与展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 攻读硕士学位期间成果 | 第64页 |
