基于典型度的相对熵相似度知识推荐

摘要

互联网的发展加速了信息传递，不仅为教学提供了丰富教学资源，互联网在线学习模式也逐渐发展起来。不同于传统学习模式，互联网在线学习模式能够为用户提供不受时间，空间约束等特点，且丰富的互联网知识资源能够激发学生自主性，让在线学习者在学习过程中更有兴趣。但是，互联网迎来大数据时代同时，在线学习系统面临着海量在线学习资源与在线学习个体个性化需求难以匹配的难题。
　　论文主要工作有：
　　（1）将在线学习用户在线学习过程类比于人的认知过程，利用认知发展理论思想建立用户与知识资源关系矩阵。
　　（2）提出相对熵相似度，并结合基于典型度推荐算法，提出基于典型度相对熵推荐算法。
　　（3）将基于典型度相对熵推荐算法引入到知识推荐中，提出基于典型度相对熵在线知识推荐算法框架，为用户的在线学习提供个性化服务。
　　论文首次提出基于典型度相对熵相似度推荐算法，并将基于典型度相对熵相似度应用到互联网知识推荐中，并实验证明了基于典型度相对熵推荐算法的正确性与有效性。基于典型度相对熵推荐算法有利于学习者的互联网在线学习，为未来建设更加智能化，个性化互联网学习平台做贡献。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究背景以及意义

1.2 问题分析

1.3 论文研究内容和组织结构

第2章 相关工作

2.1 互联网知识在线学习

2.2 推荐算法

2.3 相似度计算

2.4 聚类方法

第3章 基于典型度的相对熵相似度推荐算法框架

3.1 知识推荐模型构建及算法

3.2 相对熵相似度

3.3 相对熵相似度参数训练

3.4 基于典型度相对熵相似度知识推荐具体算法

第4章 面向在线评测系统的知识推荐

4.1 在线评测系统

4.2 在线评测系统题目推荐

第5章 实验结果及结论

5.1 实验环境

5.2 基于典型度推荐相对熵算法实验

5.3 面向在线评测题目推荐算法实验

5.4 实验结论

第6章 总结与展望

6.1 总结

6.2 展望

参考文献

发表论文和参加科研情况说明

致谢