隨著互聯(lián)網(wǎng)+教育的飛速發(fā)展,在線(xiàn)學(xué)習(xí)受到大眾的歡迎,與此同時(shí)在線(xiàn)學(xué)習(xí)資源大量涌現(xiàn),但學(xué)習(xí)資源的質(zhì)量難以把控,不利于學(xué)習(xí)者學(xué)習(xí),直接影響在線(xiàn)學(xué)習(xí)的質(zhì)量。因此,準(zhǔn)確的分析并提高在線(xiàn)學(xué)習(xí)資源的質(zhì)量,對(duì)提高用戶(hù)滿(mǎn)意度、幫助在線(xiàn)學(xué)習(xí)平臺(tái)的長(zhǎng)遠(yuǎn)發(fā)展具有重要的意義。為了能夠精準(zhǔn)地分析在線(xiàn)學(xué)習(xí)資源的質(zhì)量,論文結(jié)合研究?jī)?nèi)容的特征使用K-means算法作為在線(xiàn)學(xué)習(xí)資源的聚類(lèi)算法,并根據(jù)K-means算法的優(yōu)缺點(diǎn)對(duì)其進(jìn)行改進(jìn)。論文將改進(jìn)的K-means算法應(yīng)用到在線(xiàn)學(xué)習(xí)資源質(zhì)量分析中,設(shè)計(jì)并實(shí)現(xiàn)了在線(xiàn)學(xué)習(xí)資源質(zhì)量分析系統(tǒng)。論文的主要工作如下:（1）提出了CWK-means算法。論文針對(duì)K-means在聚類(lèi)過(guò)程中會(huì)有一些屬性影響聚類(lèi)結(jié)果,提出增加權(quán)重因素;對(duì)初始聚類(lèi)中心比較敏感,隨機(jī)選取初始聚類(lèi)中心可能會(huì)陷入局部最優(yōu)解的情況,提出了初始聚類(lèi)中心選取方法。將這兩點(diǎn)改進(jìn)融入到K-means算法中,最終提出了基于權(quán)重的初始聚類(lèi)中心的K-means算法（簡(jiǎn)稱(chēng)CWK-means算法）。論文詳細(xì)介紹了CWK-means的算法思想和步驟,最后通過(guò)實(shí)驗(yàn)證實(shí)了CWK-means算法的有效性,該算法在學(xué)習(xí)資源數(shù)據(jù)集中的平均聚類(lèi)精... 

【文章來(lái)源】：江蘇大學(xué)江蘇省

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

數(shù)據(jù)點(diǎn)分布對(duì)比圖

江蘇大學(xué)工程碩士學(xué)位論文19Step2數(shù)據(jù)對(duì)象(∈[1,])對(duì)應(yīng)的距離密度，計(jì)算公式如下：ddf()=∑(,)∑(,)=1=1（3.13）Step3計(jì)算數(shù)據(jù)點(diǎn)(∈[1,])的有效區(qū)域半徑，為領(lǐng)域半徑調(diào)節(jié)系數(shù)，計(jì)算公式如下：=×1∑()=1（3.14）Step4計(jì)算以數(shù)據(jù)對(duì)象點(diǎn)密度()，計(jì)算公式如下：()=|{|(,)≤,∈}|（3.15）Step5選取點(diǎn)密度最大的數(shù)據(jù)點(diǎn)作為第一個(gè)初始聚類(lèi)中心C1，再選取和C1距離超過(guò)R1的且密度僅次于C1的第二個(gè)初始聚類(lèi)中心C2，重復(fù)選取初始聚類(lèi)中心，直到找到K個(gè)聚類(lèi)中心。3.3K值的確定使用手肘法能夠較為直觀的得到K的取值。其基本思想是：從K=2開(kāi)始，K的取值逐漸增大，數(shù)據(jù)集會(huì)被劃分的更加精準(zhǔn)，簇的聚合程度變高，SSE變小，當(dāng)聚類(lèi)個(gè)數(shù)小于實(shí)際聚類(lèi)個(gè)數(shù)時(shí)，K增大SSE會(huì)大幅度減小，聚類(lèi)個(gè)數(shù)等于實(shí)際聚類(lèi)個(gè)數(shù)時(shí)，SSE減小的程度趨于平緩[47]。SSE和K的關(guān)系圖如圖3.2所示，兩者的關(guān)系可以在圖中清楚地發(fā)現(xiàn)類(lèi)似一個(gè)手肘的形狀，而這個(gè)肘部對(duì)應(yīng)的K值就是數(shù)據(jù)的實(shí)際聚類(lèi)數(shù)。圖3.2手肘法示意圖

江蘇大學(xué)工程碩士學(xué)位論文23法，在這樣的情況下CWK-means算法時(shí)間上的犧牲是值得的。下面以haberman數(shù)據(jù)集為例，原始分布如圖3.4所示，本文提出的CWK-means算法和其他三種對(duì)比算法的聚類(lèi)效果如圖3.5所示。從數(shù)據(jù)點(diǎn)的分布情況看CWK-means算法的聚類(lèi)效果明顯優(yōu)于其他兩種算法略遜色于基于權(quán)重距離的K-means算法。圖3.4Haberman數(shù)據(jù)集分布圖（a）K-means（b）基于密度的K-means（c）基于權(quán)重距離的K-means（d）CWK-means圖3.5haberman數(shù)據(jù)集聚類(lèi)結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)的K-means聚類(lèi)的多區(qū)域物流中心選址算法[J]. 魯玲嵐,秦江濤.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(08)
[2]基于改進(jìn)K-medoids的聚類(lèi)質(zhì)量評(píng)價(jià)指標(biāo)研究[J]. 鄒臣嵩,段桂芹.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(06)
[3]基于加權(quán)質(zhì)量評(píng)價(jià)函數(shù)的K-means圖像分割算法[J]. 劉長(zhǎng)齊,邵堃,霍星,范冬陽(yáng),檀結(jié)慶.  計(jì)算機(jī)科學(xué). 2019(S1)
[4]聚類(lèi)算法綜述[J]. 章永來(lái),周耀鑒.  計(jì)算機(jī)應(yīng)用. 2019(07)
[5]基于DTW距離度量的層次聚類(lèi)算法[J]. 陶洋,鄧行,楊飛躍,潘蕾娜.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(01)
[6]改進(jìn)的K-means聚類(lèi)k值選擇算法[J]. 王建仁,馬鑫,段剛龍.  計(jì)算機(jī)工程與應(yīng)用. 2019(08)
[7]高職“個(gè)性化學(xué)習(xí)微課”的質(zhì)量評(píng)判分析[J]. 蔣勇,張朝霞.  職教論壇. 2018(08)
[8]基于空間距離自適應(yīng)權(quán)重度量的粗糙K-means算法[J]. 王慧研,張騰飛,馬福民.  計(jì)算機(jī)科學(xué). 2018(07)
[9]國(guó)內(nèi)高校在線(xiàn)課程建設(shè)理念演化——兼論“互聯(lián)網(wǎng)+教育”生態(tài)體系構(gòu)建[J]. 許歡,張?jiān)妬?羅江華.  現(xiàn)代遠(yuǎn)程教育研究. 2018(03)
[10]基于AHP和混合Apriori-Genetic算法的交通事故成因分析模型[J]. 鄧曉衡,曾德天.  計(jì)算機(jī)應(yīng)用研究. 2019(06)

碩士論文
[1]基于個(gè)性化推薦的在線(xiàn)學(xué)習(xí)系統(tǒng)研究與實(shí)現(xiàn)[D]. 鞏曉悅.北京郵電大學(xué) 2019
[2]基于Android的在線(xiàn)學(xué)習(xí)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 李喬.吉林大學(xué) 2018
[3]學(xué)習(xí)行為分析與學(xué)業(yè)預(yù)警系統(tǒng)研究與設(shè)計(jì)[D]. 孫昊.蘇州大學(xué) 2017
[4]基于網(wǎng)絡(luò)學(xué)習(xí)行為分析的評(píng)價(jià)模型研究[D]. 李念.華中師范大學(xué) 2007



本文編號(hào)：3362155