隨著信息技術的快速發(fā)展,人們早已從信息缺乏時代轉變?yōu)樾畔⑦^載的時代。推薦系統(tǒng)就是根據(jù)用戶的行為數(shù)據(jù),在大量的數(shù)據(jù)中快速為用戶推薦有效的信息,從而縮短用戶的搜索時間提高用戶體驗。SAP是一種較受歡迎的企業(yè)管理軟件,國內的SAP行業(yè)也因此快速發(fā)展,但是目前并沒有面向SAP學習的MOOC網站。本文針對上述問題,提出了一種新穎的課程推薦算法,并設計了一個基于該推薦算法的SAP在線課程學習系統(tǒng)。關于算法設計,首先使用開源的分詞工具提取課程文本的詞語,并用TF-IDF算法計算詞語的重要度,使用余弦公式計算出課程之間的相似度。然后采用基于物品的協(xié)同過濾算法,結合用戶課程評分,計算出課程之間的相似度。將這兩種算法計算的相似度進行加權結合。最終將得到相似度最高的Top-N課程列表推薦給用戶。關于系統(tǒng)設計,利用MVC架構設計實現(xiàn)了SAP在線學習系統(tǒng)。該系統(tǒng)包括登錄、注冊、搜索、課程推薦等多個功能模塊。其中課程推薦模塊結合得分和文本信息,利用提出的推薦算法給用戶推薦課程。該系統(tǒng)實現(xiàn)了網站前端與數(shù)據(jù)庫的交互功能。采用MySQL數(shù)據(jù)庫,并完成了核心數(shù)據(jù)表格設計。同時該系統(tǒng)還給出了解決用戶冷啟動和課程冷啟動問題的... 

【文章來源】：大連理工大學遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 MOOC的研究與發(fā)展現(xiàn)狀
        1.2.2 推薦算法的研究現(xiàn)狀
    1.3 研究內容
    1.4 論文結構
    1.5 本章小結
2 推薦系統(tǒng)理論基礎
    2.1 協(xié)同過濾算法綜述
    2.2 基于物品的協(xié)同過濾
    2.3 TF-IDF原理
        2.3.1 分詞技術
        2.3.2 TF-IDF算法簡介
    2.4 本章小結
3 課程推薦系統(tǒng)需求分析
    3.1 功能需求分析
        3.1.1 網站基本功能分析
        3.1.2 推薦列表需求分析
        3.1.3 用戶和課程的數(shù)據(jù)收集分析
        3.1.4 推薦系統(tǒng)的冷啟動問題分析
        3.1.5 數(shù)據(jù)庫的需求分析
    3.2 業(yè)務需求分析
    3.3 數(shù)據(jù)流圖的需求分析
    3.4 系統(tǒng)非功能性需求分析
    3.5 本章小結
4 課程推薦算法與系統(tǒng)設計
    4.1 推薦算法設計
        4.1.1 課程關鍵詞算法
        4.1.2 基于物品的協(xié)同過濾與評分機制
        4.1.3 相似度加權
    4.2 系統(tǒng)概要設計
        4.2.1 系統(tǒng)功能架構設計
        4.2.2 系統(tǒng)邏輯架構設計
    4.3 系統(tǒng)詳細設計
        4.3.1 系統(tǒng)功能模塊設計
        4.3.2 數(shù)據(jù)庫設計
    4.4 本章小結
5 課程推薦系統(tǒng)實現(xiàn)與算法測評
    5.1 系統(tǒng)實現(xiàn)概述
        5.1.1 系統(tǒng)開發(fā)環(huán)境搭建
        5.1.2 系統(tǒng)開發(fā)工具及使用框架
    5.2 推薦算法實現(xiàn)
        5.2.1 冷啟動解決方案
        5.2.2 推薦算法偽代碼
    5.3 推薦系統(tǒng)算法性能分析
        5.3.1 實驗數(shù)據(jù)與方法
        5.3.2 推薦算法性能對比
    5.4 推薦系統(tǒng)功能實現(xiàn)
        5.4.1 客戶端功能實現(xiàn)
    5.5 本章小結
6 系統(tǒng)測試
    6.1 測試方法及用例設計
        6.1.1 單元測試
        6.1.2 兼容性測試
        6.1.3 可擴展性測試
    6.2 測試結果運行圖
    6.3 測試結果分析
    6.4 本章小結
結論
參考文獻
致謝


【參考文獻】：
期刊論文
[1]Integrating a weighted-average method into the random walk framework to generate individual friend recommendations[J]. Jibing GONG,Xiaoxia GAO,Hong CHENG,Jihui LIU,Yanqing SONG,Mantang ZHANG,Yi ZHAO.  Science China（Information Sciences）. 2017(11)
[2]我國MOOC的研究熱點與發(fā)展趨勢解析[J]. 凡妙然.  現(xiàn)代教育技術. 2017(03)
[3]基于教育數(shù)據(jù)挖掘的網絡學習過程監(jiān)管研究[J]. 施佺,錢源,孫玲.  現(xiàn)代教育技術. 2016(06)
[4]Web前端MVC框架的意義與前端發(fā)展方向展望[J]. 金楓.  電腦知識與技術. 2016(03)
[5]可信軟件非功能需求形式化表示與可滿足分析[J]. 張璇,李彤,王旭,于倩,郁湧,朱銳.  軟件學報. 2015(10)
[6]Personalized Recommendation Algorithm Based on Preference Features[J]. Liang Hu,Guohang Song,Zhenzhen Xie,Kuo Zhao.  Tsinghua Science and Technology. 2014(03)
[7]我國教育信息化的困局與出路——兼論網絡教育模式的創(chuàng)新[J]. 王竹立.  遠程教育雜志. 2014(02)
[8]個性化推薦系統(tǒng)綜述[J]. 王國霞,劉賀平.  計算機工程與應用. 2012(07)
[9]一種結合詞項語義信息和TF-IDF方法的文本相似度量方法[J]. 黃承慧,印鑒,侯昉.  計算機學報. 2011(05)

博士論文
[1]高效重復數(shù)據(jù)刪除技術研究[D]. 王國華.華南理工大學 2014

碩士論文
[1]基于edX的MOOC互動交流平臺的設計與實現(xiàn)[D]. 王秀婷.哈爾濱工業(yè)大學 2014
[2]基于WEB數(shù)據(jù)庫的相關技術研究與實踐[D]. 陳丹.哈爾濱理工大學 2001



本文編號：3362706