首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--检索机论文

基于HIN的自适应学习推荐方法研究

摘要第5-6页
Abstract第6-7页
第一章 绪论第10-15页
    1.1 研究背景与意义第10-11页
    1.2 研究历史和现状第11-13页
    1.3 研究目标与工作第13-14页
    1.4 论文组织结构第14-15页
第二章 研究基础第15-25页
    2.1 建构主义学习理论第15-17页
        2.1.1 建构主义学习理论的形成第15-16页
        2.1.2 建构主义学习理论的基本内容第16-17页
        2.1.3 建构主义的教学模式第17页
        2.1.4 教育技术现代化与建构主义第17页
    2.2 自适应学习系统(ALS)第17-21页
        2.2.1 ALS设计原则第18页
        2.2.2 ALS体系结构第18-20页
        2.2.3 ALS核心构建第20-21页
    2.3 数据挖掘技术概述第21-22页
        2.3.1 推荐算法第21-22页
    2.4 异构信息网络(HIN)第22-24页
        2.4.1 信息网络第22页
        2.4.2 异构信息网络第22-23页
        2.4.3 网络模式第23页
        2.4.4 元路径第23-24页
    2.5 本章小结第24-25页
第三章 基于HIN的自适应学习推荐研究框架第25-29页
    3.1 问题定义第25-27页
    3.2 基于HIN的自适应学习推荐研究框架第27页
    3.3 基于HIN的自适应学习推荐流程第27-28页
    3.4 本章小结第28-29页
第四章 学习者模型第29-33页
    4.1 相关标准第29-30页
    4.2 学习者个性化特征第30-31页
    4.3 学习者模型构建第31-32页
    4.4 本章小结第32-33页
第五章 领域知识模型第33-39页
    5.1 知识模型概述第33-34页
    5.2 领域知识模型的构建第34-38页
        5.2.1 知识的层次结构第34-36页
        5.2.2 知识的表示第36页
        5.2.3 知识的转化第36-38页
    5.3 本章小结第38-39页
第六章 基于HIN的资源推荐算法第39-47页
    6.1 SimALS1相似性度量第39-41页
    6.2 SimALS2算法第41-42页
    6.3 SimALS3算法第42-44页
    6.4 基于元路径的权重学习方法第44-45页
    6.5 基于HIN的资源推荐算法第45-46页
    6.6 本章小结第46-47页
第七章 实证与分析第47-52页
    7.1 实验数据第47-49页
    7.2 准确率对比实验第49-50页
    7.3 平均排序分对比实验第50-51页
    7.4 本章小结第51-52页
第八章 总结与展望第52-54页
    8.1 总结第52页
    8.2 展望第52-54页
参考文献第54-57页
攻读硕士学位期间发表论文成果及参加的科研项目第57-58页
致谢第58页

论文共58页,点击 下载论文
上一篇:基于深度卷积神经网络的图像识别算法研究
下一篇:基于特征整合及KNN-SVM的老鼠肿瘤致病基因预测