本文關(guān)鍵詞：基于混合推薦技術(shù)的個(gè)性化資源推薦模型設(shè)計(jì)與實(shí)現(xiàn)，由筆耕文化傳播整理發(fā)布。

【摘要】： 在網(wǎng)絡(luò)技術(shù)與信息技術(shù)高度發(fā)展、普及的如今,遠(yuǎn)程教學(xué)(下文中簡(jiǎn)稱為E-Learning)已經(jīng)成為培養(yǎng)人才、促進(jìn)科研和教育事業(yè)發(fā)展的重要途徑。然而要使網(wǎng)絡(luò)和信息技術(shù)真正為教學(xué)服務(wù),實(shí)現(xiàn)教學(xué)過程和教學(xué)資源的優(yōu)化,就必須得到豐富教學(xué)資源的支持,所以我們發(fā)展遠(yuǎn)程教學(xué)的先決條件就是構(gòu)建完善而充實(shí)的網(wǎng)絡(luò)教學(xué)資源體系。 當(dāng)前多數(shù)的教學(xué)資源庫(kù)系統(tǒng)只提供教學(xué)資源上傳、查詢和下載等功能,還停留在“以物為主”的層面上,未能體現(xiàn)出“以人為本”的思想,尤其突出的一個(gè)問題是當(dāng)前多數(shù)的教學(xué)資源庫(kù)系統(tǒng)尚不具備個(gè)性化和智能化等特性,從而導(dǎo)致了海量教學(xué)資源與用戶個(gè)性化需求之間的矛盾,成為了“信息爆炸時(shí)代下的知識(shí)匱乏”的一個(gè)縮影。這個(gè)矛盾的長(zhǎng)期存在,不僅大大降低了教學(xué)資源的有效利用率,也為用戶查找和使用所需教學(xué)資源造成了巨大的因難,直接阻礙了教學(xué)資源在教學(xué)中作用的發(fā)揮。 本文的研究目的就是設(shè)計(jì)并實(shí)現(xiàn)一套可行的個(gè)性化資源推薦方案,提高教學(xué)資源庫(kù)系統(tǒng)的個(gè)性化與智能化,從一定程度上解決用戶尋找所需教學(xué)資源困難,教學(xué)資源利用率低下的問題。 本文的主要工作如下: 1)針對(duì)目前教學(xué)資源服務(wù)中普遍存在的海量教學(xué)資源與用戶個(gè)性化需求之間的矛盾,論文開發(fā)并搭建了一個(gè)教學(xué)資源知識(shí)庫(kù)系統(tǒng)作為基礎(chǔ)平臺(tái),并在其中建立了一個(gè)個(gè)性化資源推薦服務(wù)的原型模型,該模型把基于WEB的個(gè)性化信息服務(wù)引入教學(xué)資源體系,重視不同用戶間存在的差異性,追蹤、記錄用戶的個(gè)性化信息和行為,并根據(jù)其體現(xiàn)出來(lái)的用戶個(gè)性化特征對(duì)教學(xué)資源進(jìn)行過濾,為不同用戶推薦更符合其個(gè)性化需求的教學(xué)資源。 2)分析研究了現(xiàn)有的推薦算法和推薦模型普遍存在的不足,提出了一種混合推薦技術(shù)。該推薦技術(shù)基于協(xié)同過濾算法,引入人口統(tǒng)計(jì)信息的分析技術(shù),對(duì)系統(tǒng)使用者進(jìn)行聚類,解決了新用戶推薦問題和用戶評(píng)價(jià)信息稀疏等的問題,與傳統(tǒng)推薦算法相比,顯著提高了資源推薦的精度與質(zhì)量。 3)設(shè)計(jì)并實(shí)施了基于教學(xué)資源知識(shí)庫(kù)系統(tǒng)和個(gè)性化資源推薦原型模型的研究實(shí)驗(yàn),包括與傳統(tǒng)推薦算法的對(duì)照實(shí)驗(yàn),獲得了一定的實(shí)驗(yàn)數(shù)據(jù),并在此基礎(chǔ)上進(jìn)行數(shù)據(jù)分析,結(jié)果顯示基于混合推薦技術(shù)的個(gè)性化資源推薦模型具有更高的推薦精度,明顯提高了推薦質(zhì)量。 上述研究已在國(guó)內(nèi)的核心期刊上發(fā)表論文3篇。
【關(guān)鍵詞】：教學(xué)資源 個(gè)性化推薦 混合推薦技術(shù) 用戶聚類 協(xié)同過濾 復(fù)合相似度
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2010
【分類號(hào)】：TP391.6;G434
【目錄】：

• 摘要4-6
• ABSTRACT6-9
• 目錄9-12
• 第一章 緒論12-19
• 1.1 研究背景與意義12-13
• 1.2 推薦系統(tǒng)概要介紹13-14
• 1.2.1 協(xié)同過濾系統(tǒng)13
• 1.2.2 基于內(nèi)容的推薦系統(tǒng)13-14
• 1.2.3 基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦系統(tǒng)14
• 1.3 國(guó)內(nèi)外研究現(xiàn)狀與分析14-17
• 1.3.1 主要研究方向15
• 1.3.2 應(yīng)用實(shí)例15-17
• 1.4 本文的主要工作17
• 1.5 本文的組織結(jié)構(gòu)17-18
• 1.6 小結(jié)18-19
• 第二章 教學(xué)資源庫(kù)系統(tǒng)架構(gòu)19-25
• 2.1 引言19
• 2.2 系統(tǒng)架構(gòu)概述19-20
• 2.3 系統(tǒng)結(jié)構(gòu)體系20-21
• 2.4 系統(tǒng)工作流程21-22
• 2.5 用戶數(shù)據(jù)采集22-24
• 2.5.1 用戶注冊(cè)信息采集22-23
• 2.5.2 用戶評(píng)價(jià)信息采集23
• 2.5.3 采集信息關(guān)聯(lián)23-24
• 2.6 小結(jié)24-25
• 第三章 混合推薦中關(guān)鍵技術(shù)介紹25-40
• 3.1 相關(guān)問題定義25-26
• 3.1.1 混合推薦技術(shù)25
• 3.1.2 新用戶推薦問題25
• 3.1.3 用戶評(píng)價(jià)信息稀疏的問題25-26
• 3.2 協(xié)同過濾推薦26-32
• 3.2.1 協(xié)同過濾技術(shù)的定義26-27
• 3.2.2 協(xié)同過濾的原則與優(yōu)點(diǎn)27-28
• 3.2.3 協(xié)同過濾推薦算法分析28-31
• 3.2.4 面臨的挑戰(zhàn)與對(duì)策31-32
• 3.3 基于人口統(tǒng)計(jì)信息的推薦32-38
• 3.3.1 人口統(tǒng)計(jì)信息的定義32-33
• 3.3.2 人口統(tǒng)計(jì)信息的使用價(jià)值33
• 3.3.3 人口統(tǒng)計(jì)信息參與推薦的形式33-34
• 3.3.4 用戶聚類的算法分析34-37
• 3.3.5 基于人口統(tǒng)計(jì)信息推薦的不足37-38
• 3.4 用戶的復(fù)合相似度38
• 3.4.1 復(fù)合相似度的提出與定義38
• 3.4.2 復(fù)合相似度的計(jì)算38
• 3.5 小結(jié)38-40
• 第四章 個(gè)性化資源推薦模型的設(shè)計(jì)與實(shí)現(xiàn)40-54
• 4.1 模型的體系結(jié)構(gòu)40-42
• 4.1.1 模型框架40-41
• 4.1.2 功能層次41-42
• 4.2 模型的工作流程42-43
• 4.3 模型的開發(fā)環(huán)境43
• 4.4 數(shù)據(jù)處理模塊43-46
• 4.4.1 數(shù)據(jù)抽取與轉(zhuǎn)換43-44
• 4.4.2 數(shù)據(jù)補(bǔ)錄44
• 4.4.3 數(shù)據(jù)降維44-46
• 4.4.4 數(shù)據(jù)標(biāo)準(zhǔn)化46
• 4.5 推薦算法模塊46-50
• 4.5.1 基于人口統(tǒng)計(jì)信息的用戶聚類47-49
• 4.5.2 用戶興趣相似度的計(jì)算49
• 4.5.3 用戶復(fù)合相似度的計(jì)算49
• 4.5.4 用戶預(yù)測(cè)評(píng)分的計(jì)算49-50
• 4.6 資源過濾模塊50-52
• 4.7 模型配置模塊52-53
• 4.8 小結(jié)53-54
• 第五章 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析54-64
• 5.1 對(duì)照實(shí)驗(yàn)系統(tǒng)設(shè)計(jì)54-55
• 5.1.1 基于用戶聚類的對(duì)照實(shí)驗(yàn)系統(tǒng)54-55
• 5.1.2 基于傳統(tǒng)協(xié)同過濾的對(duì)照實(shí)驗(yàn)系統(tǒng)55
• 5.2 實(shí)驗(yàn)設(shè)計(jì)55-57
• 5.2.1 實(shí)驗(yàn)介紹55
• 5.2.2 實(shí)驗(yàn)數(shù)據(jù)介紹55-56
• 5.2.3 實(shí)驗(yàn)設(shè)計(jì)56-57
• 5.3 評(píng)價(jià)標(biāo)準(zhǔn)57-59
• 5.3.1 平均絕對(duì)誤差（Mean Abosulute Error，MAE）57-58
• 5.3.2 準(zhǔn)確率（Precision）與召回率（Recall）58-59
• 5.4 結(jié)果分析59-62
• 5.4.1 推薦模型整體推薦質(zhì)量的結(jié)果分析59-60
• 5.4.2 新用戶推薦質(zhì)量的結(jié)果分析60-61
• 5.4.3 評(píng)分稀疏用戶推薦質(zhì)量的結(jié)果分析61-62
• 5.4.4 模型訓(xùn)練效率的結(jié)果分析62
• 5.5 小結(jié)62-64
• 第六章 總結(jié)與展望64-67
• 6.1 本文的創(chuàng)新點(diǎn)與主要工作64-65
• 6.2 后續(xù)工作與研究展望65-67
• 參考文獻(xiàn)67-73
• 致謝73-74
• 攻讀碩士期間發(fā)表的學(xué)術(shù)論文及參與的項(xiàng)目74-76

【引證文獻(xiàn)】

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 胡淑媛;基于記憶理論的學(xué)習(xí)過程管理系統(tǒng)研究與實(shí)現(xiàn)[D];電子科技大學(xué);2011年

2 王穎;基于關(guān)聯(lián)規(guī)則的電子商務(wù)個(gè)性化推薦模型研究[D];東北財(cái)經(jīng)大學(xué);2012年

  本文關(guān)鍵詞：基于混合推薦技術(shù)的個(gè)性化資源推薦模型設(shè)計(jì)與實(shí)現(xiàn)，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：311731