学习资源个性化推荐系统的研究与实现

摘要

随着互联网的迅速发展，在线学习逐渐成为一种被大众广泛认可并采用的学习方式。但是，大量学习资源的出现，使得学习者无法快速发现自己感兴趣的学习资源，这是迫切需要解决的问题。个性化推荐技术是根据学习者的学习行为，主动为学习者推荐恰当的学习资源的推荐技术，它在解决学习资源超载问题和满足不同学习者的需求方面已经得到研究者的高度重视。
　　协同过滤算法是以学习者对学习资源的评分数据为依据，向不同的学习者推荐相似的学习资源，分为基于用户的协同过滤算法和基于项目的协同过滤算法。通过实验发现在学习资源推荐方面，基于项目的协同过滤算法准确率更高。同时，考虑到在学习过程中涉及的学习资源具有一定的时序性的特点，将频繁模式挖掘技术应用于学习资源推荐中。GSP算法能够快速地挖掘出学习者的最大频繁学习资源序列，向不同的学习者推荐接下来最可能需要的学习资源。
　　单一的推荐算法无法得到满意的推荐结果，本文采用将协同过滤算法和GSP算法的推荐结果相结合的混合推荐算法。通过数据集验证，这种混合推荐算法，F指标达到34％左右，与单独使用一种推荐算法相比，有了明显的提高。最后实现了学习资源个性化推荐系统，将基于项目的协同过滤算法和GSP算法结合的混合推荐算法应用到该系统中，实现了学习资源的精准推荐，效果良好。

目录

声明

摘要

1．1 研究背景和意义

1．2 国内外研究现状

1．2．1 个性化推荐技术研究现状

1．2．2 学习资源推荐研究现状

1．3 论文的研究内容及组织结构

1．3．1 研究内容

1．3．2 论文结构安排

第2章 基于协同过滤算法的学习资源推荐

2．1 协同过滤算法概述

2．2 基于用户的协同过滤算法

2．3 基于项目的协同过滤算法

2．4 实验设计与实验结果分析

2．4．1 实验数据

2．4．2 实验评价标准

2．4．3 实验设计与结果分析

2．5 本章小结

第3章 基于序列模式挖掘技术的学习资源推荐

3．1 序列模式挖掘技术概述

3．2 基于GSP算法推荐的研究

3．3 GSP算法的实现

3．4 实验设计与实验结果分析

3．5 本章小结

第4章 面向学习资源的混合推荐算法

4．1 混合推荐算法设计

4．2 实验数据

4．3 实验设计与结果分析

4．4 本章小结

第5章 学习资源推荐系统的设计与实现

5．1 系统需求分析

5．2 系统体系结构设计

5．3 系统数据库结构设计

5．4 系统主要模块的设计与实现

5．4．1 学习资源的分类管理

5．4．2 学习资源推荐

5．4．3 学习资源的常用操作

5．5 本章小结

第6章 总结与展望

参考文献

攻读硕士学位期间发表的论文及其他成果

致谢