| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 偏好数据挖掘现状 | 第10-11页 |
| 1.2.2 基于大数据的偏好数据挖掘现状 | 第11-12页 |
| 1.3 研究内容 | 第12页 |
| 1.4 组织结构 | 第12-14页 |
| 第二章 相关理论与技术 | 第14-22页 |
| 2.1 大数据理论和学习分析技术 | 第14-17页 |
| 2.1.1 大数据的概念和特点 | 第14-15页 |
| 2.1.2 大数据的处理流程 | 第15-16页 |
| 2.1.3 学习分析技术 | 第16页 |
| 2.1.4 学习分析的过程 | 第16-17页 |
| 2.2 用户偏好建模 | 第17-18页 |
| 2.2.1 用户偏好获取方式 | 第17-18页 |
| 2.2.2 用户偏好建模 | 第18页 |
| 2.3 数据挖掘原理 | 第18-21页 |
| 2.3.1 数据挖掘概述 | 第18-19页 |
| 2.3.2 数据挖掘常用技术 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 偏好数据分析建模 | 第22-30页 |
| 3.1 用户学习偏好获取 | 第22-24页 |
| 3.1.1 短期学习兴趣偏好获取 | 第22-23页 |
| 3.1.2 基于聚类分析的长期学习偏好获取 | 第23-24页 |
| 3.2 用户学习偏好挖据模型 | 第24-26页 |
| 3.3 应用与分析 | 第26-29页 |
| 3.3.1 模型应用 | 第26页 |
| 3.3.2 实验数据与标准 | 第26页 |
| 3.3.3 实验过程解析 | 第26-27页 |
| 3.3.4 实验结果分析 | 第27-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 Apriori改进算法 | 第30-36页 |
| 4.1 关联规则 | 第30-31页 |
| 4.2 Apriori算法及改进算法 | 第31-32页 |
| 4.2.1 Apriori算法 | 第31页 |
| 4.2.2 Apriori改进高效算法—I++算法 | 第31-32页 |
| 4.3 I+ +算法应用 | 第32-35页 |
| 4.3.1 学生行为分析 | 第32-34页 |
| 4.3.2 算法应用 | 第34页 |
| 4.3.3 实验数据及参数 | 第34页 |
| 4.3.4 仿真结果及分析 | 第34-35页 |
| 4.4 本章小结 | 第35-36页 |
| 第五章 自主学习支撑平台设计与实现 | 第36-47页 |
| 5.1 系统总体架构 | 第36-38页 |
| 5.2 系统设计与实现 | 第38-46页 |
| 5.2.1 系统数据库设计 | 第38-39页 |
| 5.2.2 系统主要功能实现 | 第39-46页 |
| 5.3 本章小结 | 第46-47页 |
| 第六章 总结与展望 | 第47-49页 |
| 6.1 工作总结 | 第47页 |
| 6.2 下一步研究计划 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-54页 |
| 攻读学位期间的科研成果 | 第54-55页 |