声明
1 绪论
1.1 研究背景及意义
1.2 研究现状
1.2.1 推荐方法的国内外研究现状
1.2.2 学习资源推荐方法的国内外研究现状
1.3 论文的组织与结构
1.4 本章小结
2 推荐系统相关方法综述
2.1 个性化推荐
2.2 主流的个性化推荐方法
2.2.1 基于内容的推荐方法
2.2.2 基于协同过滤的推荐方法
2.2.3 基于深度学习的推荐方法
2.2.4 混合推荐方法
2.3 跨领域推荐
2.3.1 域的定义
2.3.2 跨领域推荐任务
2.3.3 跨领域推荐场景
2.4 主流的跨领域推荐方法
2.4.1 基于协同过滤的跨领域推荐方法
2.4.2 基于迁移学习的跨领域推荐方法
2.4.3 基于知识的跨领域推荐方法
2.5 本章小结
3 基于用户兴趣度迁移的跨领域学习资源推荐方法
3.1 问题的提出
3.2 基于用户兴趣度迁移的跨领域学习资源推荐方法
3.2.1 评分数据表示
3.2.2 构建用户兴趣度
3.2.3 构造变换矩阵
3.2.4 兴趣度迁移
3.2.5 k-means聚类查找邻居集
3.2.6 相似度计算
3.2.7 评分预测
3.3 实验结果及分析
3.3.1 实验数据
3.3.2 评价指标
3.3.3 结果分析
3.4 本章小结
4 基于BERT模型和评论文本的学习资源推荐方法
4.1 问题的提出
4.2 基于BERT模型和评论文本的学习资源推荐方法
4.2.1 文本处理
4.2.2 矩阵分解和潜在隐向量提取
4.2.3 特征融合
4.2.4 预测评分
4.3 实验结果与分析
4.3.1 实验数据
4.3.2 评价指标
4.3.3 对比方法
4.3.4 结果分析
4.3.5 文本处理模块分析
4.3.6 评分预测模块分析
4.4 本章小结
5 总结与展望
5.1 工作总结
5.2 进一步工作及展望
参考文献
攻读硕士学位期间所获得的研究成果
致谢
中北大学;