数字学习资源个性化推荐技术研究与应用

摘要

互联网进入Web2.0时代后，数字学习资源数量呈爆炸式增长，内容不断丰富，以各种方式涌入互联网中，而学习者无法从海量的学习资源中找到符合自身需求的资源，向学习者推荐学习资源的个性化推荐系统的需求越来越大。个性化推荐是根据学习者的兴趣偏好和学习行为模式，向学习者推荐感兴趣的学习资源。
　　本文在分析了不同数据采集方法异同点之后，考虑到实际应用需求，提出了一种获取学习行为数据的方法。利用代理服务器在页面中嵌入脚本的方式，在学习者学习过程中触发相应的页面事件获取学习者学习行为数据，把数据保存在数据库中，为分析学习者学习行为提供数据支持。
　　本文考虑到仅仅通过学习者隐式学习行为来提取学习者兴趣偏好过于单一，在学习兴趣模型中引入了页面语义特征，并提出了一种自动提取页面语义的方法。语义库通过为某学习网站手工标注生成，对于语义库中不存在的页面，在已有语义库的基础上，计算语义库中与其最相似的页面，并自动为其赋予最相似页面的语义特征。
　　本文实现了结合学习者隐式学习行为和页面语义特征的学习者学习兴趣模型。利用页面平均停留时间和鼠标点击次数表示学习者兴趣偏好，并在此基础上借助于多元线性回归模型预测页面评分，结合页面语义特征计算学习者兴趣偏好矩阵;利用了改进的K-means聚类算法，优化了初始子簇中心点的选取;对学习者进行分类之后，利用基于用户的协同过滤推荐向学习者推荐学习资源。
　　此外还介绍了个性化推荐应用系统设计的总体结构，详细介绍了系统中模块的设计，包括数据采集模块、学习行为分析模块以及个性化推荐模块的设计。
　　最后在校园中搭建个性化推荐应用系统，采集两个班级来自于不同专业学生的隐式学习行为数据。通过相关实验证明了利用多元线性回归模型预测页面评分的可行性，说明页面平均停留时间和鼠标点击次数表示学习者兴趣偏好是可行的;并对改进的K-means聚类算法中k值的确定做了对比试验，结果表明改进的K-means聚类算法相比于传统的K-means算法推荐准确率略有提高;针对推荐结果成功率同样做了对比试验，结果表明一定范围内推荐结果成功率会随着推荐页面数量的增加而增加，同样对比传统的K-means算法推荐成功率也有一定程度的提升。

目录

摘要

第1章 绪论

1．1 研究背景与意义

1．1．1 数字学习资源

1．1．2 个性化推荐

1．2 国内外研究现状

1．2．1 个性化推荐

1．2．2 学习资源推荐

1．3 本文的研究内容

1．4 本文的组织结构

第2章 相关技术与研究

2．1 引言

2．2 个性化推荐系统基本结构

2．3 个性化推荐算法

2．3．1 基于关联规则的推荐

2．3．2 基于内容的推荐

2．3．3 基于协同过滤的推荐

2．3．4 混合推荐

2．4 个性化推荐存在的问题

第3章 数字学习资源个性化推荐技术研究

3．1 引言

3．2 偏好数据采集

3．2．1 学习行为选取

3．2．2 数据采集方案

3．2．3 数据预处理

3．3 页面语义分析

3．4 学习行为分析

3．4．1 多元线性回归模型

3．4．2 页面预测评分

3．4．3 结合学习行为和页面语义特征的学习兴趣模型

3．5 改进的K-means聚类推荐算法

3．5．1 改进的K-means聚类

3．5．2 个性化推荐流程

第4章 应用系统设计

4．1 引言

4．2 模块设计

4．2．1 数据采集模块

4．2．2 学习行为分析模块

4．2．3 个性化推荐模块

4．3 数据库设计

4．4 效果展示

第5章 实验设计

5．1 引言

5．2 实验准备

5．2．1 实验环境

5．2．2 实验数据集

5．3 实验评估标准

5．4 实验结果与分析

第6章 总结与展望

6．1 本文工作总结

6．2 下一步工作

参考文献

致谢

声明