| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 网络学习的研究现状 | 第10-11页 |
| 1.2.2 学习风格的研究现状 | 第11-12页 |
| 1.2.3 自适应学习平台的应用 | 第12-13页 |
| 1.3 本文研究思路 | 第13-15页 |
| 第2章 基于学习风格的学习内容自适应系统总体设计 | 第15-29页 |
| 2.1 学习内容自适应系统存在的问题 | 第15-16页 |
| 2.2 系统需求分析与设计 | 第16-18页 |
| 2.2.1 业务需求分析 | 第16-17页 |
| 2.2.2 性能需求分析 | 第17-18页 |
| 2.3 系统体系框架 | 第18-19页 |
| 2.4 功能模块设计 | 第19-23页 |
| 2.5 数据库设计 | 第23-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 关键技术研究 | 第29-47页 |
| 3.1 学习者兴趣模型 | 第29-35页 |
| 3.1.1 用户兴趣模型构建 | 第29-30页 |
| 3.1.2 在线行为的模型定义 | 第30页 |
| 3.1.3 学习风格模型构建 | 第30-32页 |
| 3.1.4 学习风格类型和在线行为匹配 | 第32-34页 |
| 3.1.5 用户兴趣模型更新 | 第34-35页 |
| 3.2 自适应系统学习路径构建模型 | 第35-40页 |
| 3.2.1 基于协同过滤算法的混合遗传粒子群算法模型 | 第35-38页 |
| 3.2.2 自适应系统资源路径推荐算法模型 | 第38-40页 |
| 3.3 基于卷积神经网络的风格识别模型 | 第40-41页 |
| 3.4 自适应系统中学习风格匹配模型 | 第41-42页 |
| 3.5 推荐算法的有效性分析 | 第42-45页 |
| 3.5.1 评测指标 | 第42-43页 |
| 3.5.2 评测结果 | 第43-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第4章 系统相关技术实现 | 第47-59页 |
| 4.1 系统环境配置 | 第47-52页 |
| 4.1.1 开发的环境选择 | 第47-48页 |
| 4.1.2 搭建SVN版本控制协议及集成Maven仓库 | 第48-49页 |
| 4.1.3 构建基于Hadoop的Mahout机器学习算法库 | 第49-51页 |
| 4.1.4 Hadoop集成MySQL数据库部署 | 第51-52页 |
| 4.2 混合推荐引擎 | 第52-53页 |
| 4.3 系统相关算法实现 | 第53-58页 |
| 4.3.1 学习风格识别 | 第53-55页 |
| 4.3.2 混合推荐算法技术 | 第55-57页 |
| 4.3.3 自适应系统资源学习风格匹配 | 第57-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第5章 功能测试模块 | 第59-70页 |
| 5.1 系统测试环境 | 第59页 |
| 5.2 主要功能模块测试 | 第59-65页 |
| 5.2.1 学习风格获取模块 | 第59-61页 |
| 5.2.2 推荐模块差异性对比 | 第61-65页 |
| 5.3 特色模块 | 第65-69页 |
| 5.3.1 默认模块 | 第65页 |
| 5.3.2 在线学习模块 | 第65-66页 |
| 5.3.3 课程记录模块 | 第66-67页 |
| 5.3.4 话题广场模块 | 第67-68页 |
| 5.3.5 实时课程评论模块 | 第68页 |
| 5.3.6 数据中心模块 | 第68-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 6.1 工作总结 | 第70-71页 |
| 6.2 研究展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读学位期间的科研成果 | 第76-77页 |
| 致谢 | 第77页 |
