开放平台下校园教育资源推荐算法的研究

摘要

当前，互联网教育发展如火如荼，在线公开课和大规模在线开放课程 MOOC更是风靡全球。伴随着智能化建设的发展浪潮，当下的互联网教育在改变上课方式的同时，也带给人们不一样的资源发现过程，首先平台通过分析用户在线的交互记录，找出用户学习过程中的学习模式，然后利用资源的内在特征关联，以及用户的参与、评价数据为用户推荐潜在感兴趣的课程资源。由于用户的体验习惯不断被改变，大学校园的教育形式也需要适应新的发展步伐去主动向学生推荐其潜在感兴趣的资源；除此之外，从另一方面来说，推荐可以解决现存在线教学资源浪费，提高教学资源的利用率，同时也挖掘出现存数据的利用价值。在当下推荐已成为MOOC时代教育资源传播的重要特征的背景下，校园中进行课程推荐却由于选课记录数据结构特征的特殊性难以实现，所以文本着重研究在校园中做课程推荐时推荐算法的选取与应用。
　　本文研究的主要脉络结构：
　　1.基于开放式智能化校园建设的背景，本文对校园信息平台的发展现状和校园课程推荐的意义和目的进行了阐述；
　　2.分析了当前三类主流推荐算法模型，并对每一类的推荐算法的发展历史、研究现状和经典模型做了介绍，并指出了这些模型处理问题的优缺点；
　　3.透视分析校园内选课数据记录的结构特点及其特殊性，调查分析了影响选课的相关因素，为建立合适的推荐模型提供参考；
　　4.针对校园课程推荐中评分数据的极度稀疏性和网络结构的高聚集特点，结合推荐算法本身处理过程的特点，设计并实现了了动态不确定性近邻的协同过滤推荐算法和基于网络结构的二部图推荐算法；
　　5.通过本校选课数据实验验证，分析不同推荐算法产生的推荐列表结果的特点，最后对本文的研究不足和新探索方向做了总结展望。

目录

声明

第1章 绪论

1.1 前言

1.2 研究背景与意义

第2章 个性化推荐算法的研究现状

2.1 协同过滤推荐算法

2.2 基于内容的推荐算法

2.3 基于网络结构的推荐算法

2.4 个性化推荐算法现存的问题

第3章 数据透视与问题分析

3.1 数据结构

3.2 数据透视与指标统计

3.3 原始数据记录矩阵化转换

3.4 数据结构特征分析

3.5 选课影响因素问卷调查与分析

第4章 推荐算法适用性分析

4.1 数据稀疏性问题的推荐解决方法

4.2 选择网络聚集问题的推荐解决方法

第5章 推荐算法的设计与实现

5.1 数据预处理

5.2 校园课程推荐算法的设计与实现

第6章 实验论证

6.1 推荐结果评价指标

6.2动态不确定性近邻的CF推荐算法实验验证与结果分析

6.3 基于二部图网络的推荐算法实验验证与结果分析

第7章 总结展望

参考文献

附录A UNCF算法典型用户预测评分计算示例

致谢

个人简历 在读期间发表的学术论文与研究成果