基于协同过滤技术的E-learning个性化推荐系统研究

摘要

E-learning的发展和应用为学习者提供了前所未有的丰富资源和灵活的学习方式，在服务器运行的学习平台可以同时接受多个学习者访问，使得资源的利用率大大提高，同时不受时间、空间和地域的限制，使学习者实现了真正的自主学习。但目前的状况是，大多数基于Web的E-learning平台仍是以网站为中心，每个学习者看到的都是千篇一律的内容，不能根据学生的具体情况“量身定做”。与此同时，学习者希望在平台上得到个性化服务的愿望越来越强烈，因此设计并构建一套个性化的E-learning学习平台逐渐成为众多研究者关注的一个话题。正因为此，本文将推荐系统融入到E-learning平台中，从而达到个性化服务的目的。
　　 协同推荐技术是实现个性化推荐系统的一种有效方法。本文将协同推荐技术引入到E-learning个性化推荐系统中，主要研究内容包括：(1)用户兴趣建模。通过显式反馈方式来获取静态的用户兴趣信息，隐式反馈方式来获取动态的用户兴趣信息。然后采用向量空间模型来表示用户兴趣模型以及系统中的学习资源，并使用包含原信息调整的信息增补技术来更新用户兴趣模型。(2)提出一种稀疏矩阵下基于最近邻居评价的改进协同过滤算法，并且通过实验验证算法的有效性和优越性，实验结果表明提出的算法能够有效避免矩阵稀疏的情况下用户评价值影响效应被放大的现象，在精度上优于传统算法。(3)E-LPIRS个性化推荐原型系统的设计与实现。从模块结构设计、开发平台和开发工具、数据库表设计、系统主要推荐界面等方面对E-LPIRS原型系统的开发和运行进行介绍。
　　 本文提出的算法能够有效缓解数据稀疏性问题，提高推荐系统的推荐质量。文章设计的E-LPIRS个性化推荐原型系统不仅能够为学习者提供个性化的学习资源推荐服务，同时也适用于其它应用领域的研究和设计，具有较高的参考和借鉴价值。

目录

文摘

英文文摘

声明

第一章 绪论

1.1研究背景及意义

1.1.1 E-learning资源共享

1.1.2个性化推荐

1.1.3个性化服务在E-learning中的应用概况

1.2国内外研究现状

1.2.1国外研究现状

1.2.2国内研究现状

1.3研究目标与内容

1.4论文组织与安排

第二章 相关理论概述

2.1 E-learning环境中的学习资源服务

2.1.1 E-learning特征概述

2.1.2学习资源服务

2.2个性化推荐技术

2.2.1信息检索与信息过滤

2.2.2推荐技术

2.3协同过滤算法及分类

2.3.1基于全局的协同过滤算法

2.3.2基于模型的协同过滤算法

2.4本章小结

第三章 用户兴趣和学习资源建模

3.1用户兴趣建模

3.1.1用户兴趣的获取

3.1.2用户兴趣的表示

3.1.3用户兴趣的动态调整

3.2学习资源建模

3.2.1学习资源的描述

3.2.2学习资源的表示

3.3本章小结

第四章 基于最近邻居评价的改进的协同过滤算法

4.1现有解决办法

4.2改进的协同过滤算法

4.2.1问题分析

4.2.2改进策略及原理

4.2.3算法步骤

4.3实验分析

4.3.1实验数据及实验环境

4.3.2评价指标

4.3.3实验过程及分析

4.4本章小结

第五章 协同过滤算法在E-learning个性化推荐系统中的实现

5.1 E-LPIRS的体系结构

5.2 E-LPIRS的主要模块设计

5.3 E-LPIRS系统原型开发

5.3.1开发平台与工具

5.3.2主要数据表结构

5.4 E-LPIRS主要运行界面

5.5本章小结

第六章 总结与展望

6.1总结

6.2下一步工作

参考文献

研究生期间发表的论文与获奖情况

致谢