移动学习环境下学习资源个性化推荐模型研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 一、引言 | 第9-16页 |
| （一）课题研究背景与意义 | 第9-10页 |
| 1.研究背景 | 第9-10页 |
| 2.研究意义 | 第10页 |
| （二）个性化推荐的发展及研究现状 | 第10-14页 |
| 1.国外研究概况 | 第10-11页 |
| 2.国内研究现状 | 第11-14页 |
| （三）研究内容与组织结构 | 第14-16页 |
| 1.论文框架 | 第14页 |
| 2.研究方法 | 第14-16页 |
| 二、移动学习及推荐的相关理论 | 第16-21页 |
| （一）移动学习介绍 | 第16-17页 |
| （二）移动学习的优点 | 第17-18页 |
| 1.学习场景的可变换性 | 第17页 |
| 2.学习时间的碎片化 | 第17页 |
| 3.学习内容的多样化 | 第17-18页 |
| （三）移动学习下个性化资源推荐的要求 | 第18-19页 |
| 1.学习资源推荐的内容 | 第18页 |
| 2.学习资源推荐的情境 | 第18页 |
| 3.资源推荐的形式 | 第18-19页 |
| （四）学习的相关理论 | 第19-21页 |
| 1.奥苏伯尔的认知学习理论 | 第19页 |
| 2.建构主义学习理论 | 第19页 |
| 3.六度空间理论 | 第19-21页 |
| 三、个性化推荐算法的技术支撑 | 第21-28页 |
| （一）当下常见的个性化资源推荐算法 | 第21-24页 |
| 1.协同过滤算法推荐 | 第21-22页 |
| 2.基于内容的推荐 | 第22页 |
| 3.关联规则的推荐 | 第22-23页 |
| 4.基于社会化标签的个性化推荐 | 第23页 |
| 5.几种推荐算法的比较 | 第23-24页 |
| （二）个性化推荐模型可应用的算法 | 第24-28页 |
| 1.余弦相似度 | 第24-25页 |
| 2.修正的余弦相似性 | 第25页 |
| 3.Slope One推荐算法 | 第25-26页 |
| 4.皮尔逊相似度 | 第26-27页 |
| 5.个性化推荐模型应用的算法 | 第27-28页 |
| 四、移动学习中的个性化资源推荐模型设计 | 第28-44页 |
| （一）个性化资源推荐模型设计 | 第28-36页 |
| 1.学习情境模块 | 第29-30页 |
| 2.学习者特点模块 | 第30-31页 |
| 3.学习者兴趣模块 | 第31-33页 |
| 4.学习目标模块 | 第33页 |
| 5.反馈更新模块 | 第33-34页 |
| 6.个性化内容推送的关键代码 | 第34-36页 |
| （二）推送流程 | 第36-39页 |
| 1.数据收集 | 第36-38页 |
| 2.信息筛选 | 第38页 |
| 3.个性化推送 | 第38页 |
| 4.反馈更新 | 第38页 |
| 5.推送具体过程 | 第38-39页 |
| （三）个性化推荐模型中的属性权重计算 | 第39-43页 |
| 1.问卷调查 | 第39-41页 |
| 2.个性化推荐模型属性权值 | 第41-42页 |
| 3.属性权值的价值意义 | 第42-43页 |
| （四）个性化推荐模型的优点 | 第43-44页 |
| 五、展望与总结 | 第44-46页 |
| （一）总结 | 第44页 |
| （二）仍有待解决的问题 | 第44-46页 |
| 1.用户信息的安全性问题 | 第44页 |
| 2.如何推荐真正适合学习者的学习资源 | 第44-45页 |
| 3.基础资源数据库的建立与推广 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 附录 1 | 第49-51页 |
| 附录 2 | 第51-52页 |
| 致谢 | 第52-53页 |
| 攻读硕士学位期间的学术成果 | 第53-54页 |
