基于神经图模型的试题推荐在线考试系统设计与研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 在线考试系统研究现状 | 第14-15页 |
| 1.2.2 推荐系统研究现状 | 第15-18页 |
| 1.3 研究内容和方法 | 第18-19页 |
| 1.4 论文结构安排 | 第19-21页 |
| 第2章 相关理论和技术 | 第21-33页 |
| 2.1 推荐系统 | 第21-22页 |
| 2.2 经典推荐算法 | 第22-28页 |
| 2.2.1 基于内容的推荐算法 | 第22-23页 |
| 2.2.2 基于协同过滤的推荐算法 | 第23-26页 |
| 2.2.3 混合推荐算法 | 第26-27页 |
| 2.2.4 基于深度学习的推荐算法 | 第27-28页 |
| 2.3 推荐算法常用评测指标 | 第28-29页 |
| 2.3.1 评分预测 | 第28-29页 |
| 2.3.2 TopN推荐 | 第29页 |
| 2.4 相似度计算方法 | 第29-30页 |
| 2.5 系统开发框架 | 第30-32页 |
| 2.5.1 前端框架Dojo | 第30-31页 |
| 2.5.2 后端框架SSH | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 神经图模型试题推荐算法研究 | 第33-43页 |
| 3.1 神经图协同过滤算法 | 第33-36页 |
| 3.1.1 高阶连通性的概念 | 第33-34页 |
| 3.1.2 神经图协同过滤模型 | 第34-36页 |
| 3.2 神经图协同过滤算法改进 | 第36-42页 |
| 3.2.1 传播层改进 | 第36-37页 |
| 3.2.2 预测层改进 | 第37-39页 |
| 3.2.3 NGCF-Att模型 | 第39-42页 |
| 3.3 本章小结 | 第42-43页 |
| 第4章 实验验证及结果分析 | 第43-51页 |
| 4.1 实验环境与数据集 | 第43-46页 |
| 4.1.1 实验环境 | 第43页 |
| 4.1.2 实验数据集 | 第43-46页 |
| 4.2 模型训练 | 第46-47页 |
| 4.3 评估指标及超参数设置 | 第47-48页 |
| 4.3.1 评估指标 | 第47-48页 |
| 4.3.2 超参数设置 | 第48页 |
| 4.4 结果对比分析 | 第48-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第5章 试题推荐考试系统的设计与实现 | 第51-83页 |
| 5.1 系统需求分析和开发环境 | 第51-54页 |
| 5.1.1 开发环境介绍 | 第51页 |
| 5.1.2 功能需求分析 | 第51-54页 |
| 5.1.3 系统可行性分析 | 第54页 |
| 5.2 系统概要设计 | 第54-63页 |
| 5.2.1 系统分层结构 | 第54-55页 |
| 5.2.2 系统功能设计 | 第55-57页 |
| 5.2.3 数据库设计 | 第57-63页 |
| 5.3 系统详细功能的设计与实现 | 第63-75页 |
| 5.3.1 课程负责人端的功能实现 | 第64-71页 |
| 5.3.2 教师端的功能实现 | 第71页 |
| 5.3.3 学生端的功能实现 | 第71-75页 |
| 5.4 系统测试 | 第75-79页 |
| 5.4.1 测试目的及概述 | 第75页 |
| 5.4.2 系统功能模块测试 | 第75-79页 |
| 5.5 推荐算法应用 | 第79-82页 |
| 5.5.1 学生知识点练习推荐练习功能分析 | 第79-80页 |
| 5.5.2 推荐算法应用可行性 | 第80-82页 |
| 5.5.3 冷启动问题的解决 | 第82页 |
| 5.6 本章小结 | 第82-83页 |
| 第6章 总结与展望 | 第83-85页 |
| 6.1 工作总结 | 第83页 |
| 6.2 未来研究展望 | 第83-85页 |
| 参考文献 | 第85-89页 |
| 作者简介及科研成果 | 第89-90页 |
| 致谢 | 第90-91页 |
