| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 课题研究意义 | 第13-14页 |
| 1.2 国内外研究现状及发展 | 第14-17页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15-17页 |
| 1.3 文章主要研究内容 | 第17页 |
| 1.4 本文结构安排 | 第17-18页 |
| 第二章 教育大数据相关技术研究 | 第18-30页 |
| 2.1 学习分析技术 | 第18-24页 |
| 2.1.1 学习分析模型 | 第19-22页 |
| 2.1.2 学习分析方法 | 第22-23页 |
| 2.1.3 学习分析技术的应用 | 第23-24页 |
| 2.2 教育大数据挖掘技术 | 第24-29页 |
| 2.2.1 数据挖掘概述 | 第24-25页 |
| 2.2.2 数据挖掘定义 | 第25-26页 |
| 2.2.3 数据挖掘算法分类 | 第26-27页 |
| 2.2.4 数据挖掘任务及过程 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 关联规则挖掘及相关算法研究与实现 | 第30-50页 |
| 3.1 关联规则及相关算法 | 第30-34页 |
| 3.1.1 关联规则概述 | 第30页 |
| 3.1.2 Apriori算法研究 | 第30-33页 |
| 3.1.3 频繁树(FP-Tree)算法研究 | 第33-34页 |
| 3.2 在线教育关联规则挖掘 | 第34-38页 |
| 3.2.1 教育数据分类与特征 | 第34-36页 |
| 3.2.2 基于教育数据改进的并行关联规则挖掘算法 | 第36-38页 |
| 3.3 基于MapReduce并行的Apriori算法改进 | 第38-42页 |
| 3.3.1 从键值对精简方面优化 | 第38-40页 |
| 3.3.2 从教育数据集方面优化 | 第40-42页 |
| 3.4 实验环境搭建与算法仿真分析 | 第42-48页 |
| 3.4.1 Hadoop平台搭建 | 第42-45页 |
| 3.4.2 实验仿真和算法分析 | 第45-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第四章 基于改进的遗传算法组卷系统研究与实现 | 第50-66页 |
| 4.1 经典遗传算法概述 | 第50页 |
| 4.2 自动组卷系统在E-learning中的应用 | 第50-61页 |
| 4.2.1 基于随机算法的自动组卷系统 | 第51-52页 |
| 4.2.2 基于回溯匹配算法的自动组卷系统 | 第52-54页 |
| 4.2.3 基于改进的遗传算法自动组卷系统 | 第54-61页 |
| 4.3 实验仿真与算法分析 | 第61-65页 |
| 4.4 本章小结 | 第65-66页 |
| 第五章 基于改进的项目聚类协同过滤算法研究与实现 | 第66-79页 |
| 5.1 协同过滤算法概述 | 第66-68页 |
| 5.1.1 相似度计算方法 | 第66-67页 |
| 5.1.2 混合推荐算法 | 第67-68页 |
| 5.2 基于项目聚类的协同过滤算法 | 第68-72页 |
| 5.3 改进的并行协同过滤算法 | 第72-75页 |
| 5.3.1 基于在线教育推荐算法中稀疏矩阵问题研究与解决 | 第72-73页 |
| 5.3.2 并行环境相似度计算 | 第73-74页 |
| 5.3.3 并行环境下预测评分算法 | 第74-75页 |
| 5.4 算法仿真与分析 | 第75-77页 |
| 5.5 本章小结 | 第77-79页 |
| 第六章 总结与展望 | 第79-81页 |
| 6.1 本文主要工作总结 | 第79页 |
| 6.2 研究方向展望 | 第79-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-85页 |
