隨著移動(dòng)互聯(lián)網(wǎng)時(shí)代的到來(lái),互聯(lián)網(wǎng)中的信息成指數(shù)增長(zhǎng),與此同時(shí)人們獲取信息的方式也更加的便捷。但隨之產(chǎn)生的問(wèn)題是在大量的信息中,我們?cè)讷@取的時(shí)候通常會(huì)感到疑惑,我們找到自身所需要信息的時(shí)間越來(lái)越長(zhǎng)。推薦系統(tǒng)的出現(xiàn)幫助用戶去發(fā)現(xiàn)適合自己的資源,使得用戶可以更加關(guān)注資源本身的內(nèi)容而不是將時(shí)間花在尋找資源上。隨著在線課程的爆發(fā),各類課程從三尺講臺(tái)搬到了屏幕上,學(xué)習(xí)者有更多的選擇去學(xué)習(xí)自己想學(xué)的內(nèi)容,但由于目前課程推薦的研究尚處在前期階段,這是由于教育的復(fù)雜性造成的。推薦合適的課程給學(xué)習(xí)者不僅要考慮課程本身的內(nèi)容,而且還要將焦點(diǎn)放在學(xué)習(xí)者身上,比如學(xué)習(xí)者學(xué)習(xí)的情感狀態(tài)等。為解決課程推薦準(zhǔn)確率以及效率的問(wèn)題,本文通過(guò)融合深度學(xué)習(xí)的方式,站在課程和學(xué)習(xí)者的角度上,分別設(shè)計(jì)基于doc2vec的協(xié)同過(guò)濾推薦方法和基于情感分析的課程推薦方法。本文的研究?jī)?nèi)容主要分為三個(gè)方面:（1）數(shù)據(jù)的收集與預(yù)處理。在這個(gè)階段中,本文設(shè)計(jì)分布式爬蟲(chóng)獲取互聯(lián)網(wǎng)中的數(shù)據(jù),并進(jìn)行數(shù)據(jù)清洗、中文分詞等操作。最后采用通過(guò)設(shè)計(jì)人工標(biāo)注情感分析數(shù)據(jù)的方式獲取情感分析訓(xùn)練集和測(cè)試集。（2）設(shè)計(jì)基于doc2vec的協(xié)同過(guò)濾推薦方法。在這個(gè)階... 

【文章來(lái)源】：江西師范大學(xué)江西省

【文章頁(yè)數(shù)】：47 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 研究?jī)?nèi)容
    1.4 本文的組織結(jié)構(gòu)
2 推薦算法相關(guān)研究概述
    2.1 常用推薦算法
        2.1.1 基于內(nèi)容的推薦算法
        2.1.2 協(xié)同過(guò)濾推薦方法
        2.1.3 基于協(xié)同過(guò)濾與基于內(nèi)容的推薦的混合推薦方法
    2.2 基于深度學(xué)習(xí)的推薦模型
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)推薦模型
        2.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)推薦模型
    2.3 評(píng)估指標(biāo)
3 數(shù)據(jù)的收集與處理
    3.1 數(shù)據(jù)爬蟲(chóng)的設(shè)計(jì)
        3.1.1 scrapy爬蟲(chóng)框架
        3.1.2 課程數(shù)據(jù)爬蟲(chóng)設(shè)計(jì)與實(shí)現(xiàn)
    3.2 數(shù)據(jù)預(yù)處理
        3.2.1 清除特殊符號(hào)以及停用詞
        3.2.2 文本分詞
    3.3 情感分析數(shù)據(jù)標(biāo)注
        3.3.1 多人人工標(biāo)注
        3.3.2 標(biāo)注結(jié)果評(píng)估
4 基于Doc2vec的協(xié)同過(guò)濾課程推薦方法
    4.1 協(xié)同過(guò)濾算法
    4.2 基于Doc2vec課程文本的相似度計(jì)算
        4.2.1 doc2vec簡(jiǎn)介
        4.2.2 使用doc2vec訓(xùn)練課程名稱文本詞向量
    4.3 融合doc2vec的協(xié)同過(guò)濾推薦方法
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)驗(yàn)對(duì)比算法
        4.4.2 實(shí)驗(yàn)結(jié)果與評(píng)估
5 基于情感分析的課程推薦算法
    5.1 情感分析概述
    5.2 基于評(píng)價(jià)主題聚類的情感分類模型
        5.2.1 課程評(píng)論文本向量
        5.2.2 課程評(píng)論文本的主題聚類
        5.2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的情感分析模型
    5.3 基于主題情感分析的課程推薦模型
    5.4 實(shí)驗(yàn)結(jié)果與評(píng)估
        5.4.1 實(shí)驗(yàn)數(shù)據(jù)的準(zhǔn)備與評(píng)估模型方法
        5.4.2 實(shí)驗(yàn)結(jié)果評(píng)估
6 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 論文展望
參考文獻(xiàn)
致謝
在讀期間公開(kāi)發(fā)表論文(著)及科研情況


【參考文獻(xiàn)】：
期刊論文
[1]協(xié)同過(guò)濾推薦算法研究[J]. 李曉瑜.  計(jì)算機(jī)與數(shù)字工程. 2019(09)
[2]基于分解卷積神經(jīng)網(wǎng)絡(luò)的文本情感分析[J]. 孟彩霞,董婭婭.  計(jì)算機(jī)與數(shù)字工程. 2019(08)
[3]基于主題分析的用戶評(píng)論聚類方法[J]. 張會(huì)兵,鐘昊,胡曉麗.  計(jì)算機(jī)科學(xué). 2019(08)
[4]基于改進(jìn)相似度的電影推薦方法[J]. 胡宗耀.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2019(07)
[5]基于會(huì)話信息的多粒度循環(huán)神經(jīng)網(wǎng)絡(luò)推薦模型[J]. 岳新玉,劉悅,余志華.  山西大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[6]基于深度學(xué)習(xí)的用戶行為推薦方法研究[J]. 張祖平,沈曉陽(yáng).  計(jì)算機(jī)工程與應(yīng)用. 2019(04)
[7]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計(jì)算機(jī)學(xué)報(bào). 2018(07)
[8]基于融合卷積神經(jīng)網(wǎng)絡(luò)的協(xié)同過(guò)濾模型[J]. 楊錫慧.  軟件導(dǎo)刊. 2017(12)
[9]基于Scrapy的深層網(wǎng)絡(luò)爬蟲(chóng)研究[J]. 劉宇,鄭成煥.  軟件. 2017(07)
[10]基于情感分析和LDA主題模型的協(xié)同過(guò)濾推薦算法[J]. 彭敏,席俊杰,代心媛,何炎祥.  中文信息學(xué)報(bào). 2017(02)

博士論文
[1]協(xié)同過(guò)濾推薦算法的關(guān)鍵性問(wèn)題研究[D]. 黃山山.山東大學(xué) 2016

碩士論文
[1]基于內(nèi)容和word2vec的慕課推薦算法研究[D]. 黃冉.山東師范大學(xué) 2019
[2]基于網(wǎng)易云音樂(lè)的協(xié)同過(guò)濾推薦系統(tǒng)研究及實(shí)現(xiàn)[D]. 施文麗.山東師范大學(xué) 2019
[3]基于圖的商品推薦算法研究[D]. 楊華.江西師范大學(xué) 2017
[4]協(xié)同過(guò)濾中數(shù)據(jù)稀疏性緩解方法研究[D]. 靳愷.湖南大學(xué) 2016
[5]基于受限玻爾茲曼機(jī)的深度學(xué)習(xí)模型及其應(yīng)用[D]. 張艷霞.電子科技大學(xué) 2016
[6]個(gè)性化混合推薦算法的研究[D]. 張騰季.浙江大學(xué) 2013
[7]基于投票機(jī)制的Web個(gè)性化推薦系統(tǒng)[D]. 馬松.大連理工大學(xué) 2006



本文編號(hào)：3187166