基于协同过滤技术的学习资源个性化推荐系统
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 研究背景及意义 | 第8-11页 |
| 1.1.1 E-learning的研究概述 | 第8-9页 |
| 1.1.2 推荐系统 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国外推荐系统的研究和发展 | 第11-13页 |
| 1.2.2 国内推荐系统的研究和发展 | 第13-14页 |
| 1.3 研究目标和内容 | 第14-15页 |
| 1.4 论文组织与安排 | 第15-17页 |
| 第二章 相关理论概述 | 第17-23页 |
| 2.1 E-learning相关介绍 | 第17-19页 |
| 2.1.1 E-learning的特征 | 第17-19页 |
| 2.1.2 E-learning资源服务 | 第19页 |
| 2.2 个性化推荐及其相关技术 | 第19-22页 |
| 2.2.1 信息检索技术 | 第20页 |
| 2.2.2 信息过滤技术 | 第20-21页 |
| 2.2.3 数据挖掘技术 | 第21-22页 |
| 2.3 个性化推荐技术 | 第22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 学习资源个性化推荐算法 | 第23-33页 |
| 3.1 学习资源个性化推荐技术 | 第23-24页 |
| 3.1.1 学习资源的描述 | 第23页 |
| 3.1.2 个性化推荐模型 | 第23-24页 |
| 3.2 学习资源个性化推荐系统相关算法 | 第24页 |
| 3.2.1 基于内容的个性化推荐算法 | 第24页 |
| 3.2.2 关联关系的推荐 | 第24页 |
| 3.3 协同过滤技术 | 第24-31页 |
| 3.3.1 收集并表示用户信息 | 第25-26页 |
| 3.3.2 User-based协同过滤推荐算法 | 第26-29页 |
| 3.3.3 Item-based协同过滤推荐算法 | 第29-30页 |
| 3.3.4 学习资源个性化推荐用例分析 | 第30-31页 |
| 3.4 协同推荐算法现存问题 | 第31-32页 |
| 3.4.1 数据稀疏性问题 | 第31页 |
| 3.4.2 冷启动问题 | 第31-32页 |
| 3.5 本章总结 | 第32-33页 |
| 第四章 优化推荐算法 | 第33-45页 |
| 4.1 现有的优化算法 | 第33-34页 |
| 4.2 算法优化背景 | 第34-37页 |
| 4.2.1 聚类分析 | 第34-35页 |
| 4.2.2 遗传算法概述 | 第35-36页 |
| 4.2.3 遗传k-means算法 | 第36-37页 |
| 4.3 融合遗传k-means算法的协同算法 | 第37-41页 |
| 4.3.1 算法的思想 | 第37页 |
| 4.3.2 用户属性信息 | 第37-38页 |
| 4.3.3 采用遗传k-means聚类算法 | 第38-40页 |
| 4.3.4 产生邻居集合 | 第40页 |
| 4.3.5 预测推荐 | 第40-41页 |
| 4.4 实验评估 | 第41-43页 |
| 4.4.1 评价指标 | 第42-43页 |
| 4.5 本章小结 | 第43-45页 |
| 第五章 学习资源个性化推荐系统的设计与实现 | 第45-58页 |
| 5.1 系统概述和设计目标 | 第45页 |
| 5.2 系统功能模块设计 | 第45-50页 |
| 5.2.1 系统功能需求 | 第45-48页 |
| 5.2.2 系统功能架构 | 第48-49页 |
| 5.2.3 开发环境 | 第49-50页 |
| 5.3 数据库设计 | 第50-56页 |
| 5.3.1 数据库表结构 | 第50-52页 |
| 5.3.2 实现推荐过程源代码 | 第52-56页 |
| 5.4 前台实现的页面 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58页 |
| 6.2 未来研究展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第65页 |
