网络安全自主学习平台的设计与开发
发布时间：2021-08-05 13:40
随着互联网技术的高速发展与进步,使得人类逐步进入了互联网时代。互联网与人类生活不断地融合,人类越来越依赖网络化的生活方式。然而,与之相关的网络安全问题层出不穷,对整个社会的冲击也越来越大。因此,网络安全人才的培养迫在眉睫。与此同时,“互联网+”的倡议受到广泛关注,互联网与教育在不同程度、不同方面深度融合,使得越来越多的教育资源走向互联网,逐渐出现了很多类似于MOOC的网络学习平台。网络学习平台的出现使得学习者可以随时随地进行学习,学习变得更加方便,学习资源也更加丰富。综上所述,设计、开发一个面向网络安全的在线学习平台,通过网络学习的方式来培养网络安全人才是非常有意义的。然而,目前大多数网络安全在线学习平台仅仅局限于学习资料的共享与使用。学习资料越多,数据越庞大,对于毫无头绪的初学者来说,找到一套适合于自己的学习路线以及相关学习资料,无疑是一个非常严峻的考验。这种“盲人摸象”的学习方式很难取得好的学习效果,最终将导致学习者失去学习热情和学习兴趣。针对上述问题,本文在网络安全在线学习平台中引入个性化的推荐机制,通过获取学习者的学习基础和学习偏好,并设计推荐算法来为每位学习者推荐适合于其使用...
【文章来源】：青岛科技大学山东省
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
图2-1两种确定目标用户邻域的方法
网络安全自主学习平台的设计与开发15图2-2基于物品的协同过滤推荐原理Fig.2-2Theprincipleofcollaborativefilteringrecommendationbasedonitems从图2-2中，我们可以发现用户B和用户C都喜欢目标物品（某件衣服），而且他们也同时喜欢跟目标物品非常相似的另外一件物品（另外一件衣服）。此外，用户D不喜欢目标物品，同时D也不喜欢该目标物品的相似物品。也就是说，我们可以得出这样的规律：当用户喜欢某件物品时，他也会同时喜欢该物品的相似物品，而当用户不喜欢某件物品时，那么他也就不会喜欢该物品的相似物品。根据上述规律，我们就可以推出：由于用户A喜欢目标物品，因此，A很有可能也会喜欢该目标物品的相似物品。基于物品的协同过滤推荐算法的主要步骤如下：（1）收集用户信息，找到目标用户喜爱、偏好的物品。（2）针对物品进行最近邻搜索。先计算已评价物品和待预测物品的相似度，并以相似度作为权重，对各已评价物品的分数进行加权，从而得到待预测物品的预测值。（3）产生推荐结果。将根据物品的相似度和用户的历史行为所计算得到的预测值进行排序，从而为目标用户生成推荐列表。基于物品的协同过滤推荐算法的优点如下：（1）推荐结果更加个性化，注重用户兴趣。通常应用于长尾物品推荐、冷门商品推荐，以及用户个性化需求强烈的领域。（2）算法实用且实时性强，易解释。一旦用户有新的行为，肯定会导致推荐结果的实时变化。另外，推荐结果可以给出良好的解释。（3）在解决冷启动方面也表现较好。通过新用户的一次物品选择，便可以进行推荐。
网络安全自主学习平台的设计与开发25近邻居的集合；（3）利用最近邻居的集合，对目标用户进行评分预测。NUCF算法的总体流程如图3-1所示。图3-1算法流程图Fig.3-1AlgorithmflowchartNUCF算法的伪代码如下：算法NUCF输入:用户-项目评分矩阵、推荐项目个数N。输出:推荐项目列表。(1)建立用户-项目评分矩阵。初始化用户-项目评分矩阵，将评分值填充为0。读取训练集中的数据，并填充用户-项目评分矩阵；(2)确定相似用户集合。使用式（3-5）计算用户间的相似度大小，将相似度从大到小进行排序，形成用户相似度矩阵；(3)确定相似项目集合。取相似用户集中所有项目，重新建立用户-项目评分矩阵，使用式（3-2）对项目评分进行计算，并取出所有用户未评分的项目；(4)评分预测与推荐。对相似项目集合中项目相似度进行最大值归一化处理，然后按照相似度从大到小进行排序，取前N个项目进行推荐。
【参考文献】：
期刊论文
[1]Python的计算机软件应用技术研究[J]. 胡正雨,刘文锐. 计算机产品与流通. 2020(07)
[2]基于用户偏好的个性化推荐系统研究[J]. 杨倩,梁艳,王艳娥,司海峰,张拓. 电脑知识与技术. 2020(13)
[3]融合用户偏好和物品相似度的概率矩阵分解推荐算法[J]. 王运,倪静. 小型微型计算机系统. 2020(04)
[4]个性化推荐算法中“信息茧房”与用户权利的思考[J]. 袁媛,张宏莉. 新闻研究导刊. 2020(05)
[5]“互联网+”背景下UI设计教学资源库建设研究[J]. 王俏,张金荣,姜毅. 通讯世界. 2020(01)
[6]UI设计中的配色及应用[J]. 邓朝晖. 电脑编程技巧与维护. 2020(01)
[7]大数据个性化推荐分析[J]. 任敏. 物联网技术. 2019(11)
[8]通信运营商大数据平台容量需求测算模型探讨[J]. 倪飞. 江西通信科技. 2019(04)
[9]基于项目关联的Slope One协同过滤算法研究[J]. 申晋祥,鲍美英. 计算机与数字工程. 2019(08)
[10]高安全需求的Web服务器群主动防御体系研究[J]. 王杨,蒋巍,蒋海岩,刘桂香,刘欢. 网络空间安全. 2019(06)
硕士论文
[1]“互联网+”时代信息技术课程价值的再认识[D]. 张鹏.喀什大学 2020
[2]基于相似度融合的协同过滤推荐算法研究[D]. 冯爽爽.江西农业大学 2019
[3]基于内容和协同过滤的混合算法在推荐系统中的应用研究[D]. 何佳知.东华大学 2016
[4]数字学习资源个性化推荐技术研究与应用[D]. 刘洋.浙江工商大学 2015
[5]基于内容的个性化推荐系统研究[D]. 单京晶.东北师范大学 2015
[6]基于学习分析的学习资源个性化推荐研究[D]. 裴艳.陕西师范大学 2015
[7]基于个性化资源推荐的学习平台的研究与设计[D]. 李宁.西南科技大学 2015
[8]基于协同过滤的学习资源个性化推荐研究[D]. 牛文娟.北京理工大学 2015
[9]基于个性化推荐的电子商务推荐系统的设计与实现[D]. 单明.吉林大学 2014
[10]推荐系统用户相似度计算方法研究[D]. 朱文奇.重庆大学 2014
本文编号：3323852
【文章来源】：青岛科技大学山东省
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
图2-1两种确定目标用户邻域的方法
网络安全自主学习平台的设计与开发15图2-2基于物品的协同过滤推荐原理Fig.2-2Theprincipleofcollaborativefilteringrecommendationbasedonitems从图2-2中，我们可以发现用户B和用户C都喜欢目标物品（某件衣服），而且他们也同时喜欢跟目标物品非常相似的另外一件物品（另外一件衣服）。此外，用户D不喜欢目标物品，同时D也不喜欢该目标物品的相似物品。也就是说，我们可以得出这样的规律：当用户喜欢某件物品时，他也会同时喜欢该物品的相似物品，而当用户不喜欢某件物品时，那么他也就不会喜欢该物品的相似物品。根据上述规律，我们就可以推出：由于用户A喜欢目标物品，因此，A很有可能也会喜欢该目标物品的相似物品。基于物品的协同过滤推荐算法的主要步骤如下：（1）收集用户信息，找到目标用户喜爱、偏好的物品。（2）针对物品进行最近邻搜索。先计算已评价物品和待预测物品的相似度，并以相似度作为权重，对各已评价物品的分数进行加权，从而得到待预测物品的预测值。（3）产生推荐结果。将根据物品的相似度和用户的历史行为所计算得到的预测值进行排序，从而为目标用户生成推荐列表。基于物品的协同过滤推荐算法的优点如下：（1）推荐结果更加个性化，注重用户兴趣。通常应用于长尾物品推荐、冷门商品推荐，以及用户个性化需求强烈的领域。（2）算法实用且实时性强，易解释。一旦用户有新的行为，肯定会导致推荐结果的实时变化。另外，推荐结果可以给出良好的解释。（3）在解决冷启动方面也表现较好。通过新用户的一次物品选择，便可以进行推荐。
网络安全自主学习平台的设计与开发25近邻居的集合；（3）利用最近邻居的集合，对目标用户进行评分预测。NUCF算法的总体流程如图3-1所示。图3-1算法流程图Fig.3-1AlgorithmflowchartNUCF算法的伪代码如下：算法NUCF输入:用户-项目评分矩阵、推荐项目个数N。输出:推荐项目列表。(1)建立用户-项目评分矩阵。初始化用户-项目评分矩阵，将评分值填充为0。读取训练集中的数据，并填充用户-项目评分矩阵；(2)确定相似用户集合。使用式（3-5）计算用户间的相似度大小，将相似度从大到小进行排序，形成用户相似度矩阵；(3)确定相似项目集合。取相似用户集中所有项目，重新建立用户-项目评分矩阵，使用式（3-2）对项目评分进行计算，并取出所有用户未评分的项目；(4)评分预测与推荐。对相似项目集合中项目相似度进行最大值归一化处理，然后按照相似度从大到小进行排序，取前N个项目进行推荐。
【参考文献】：
期刊论文
[1]Python的计算机软件应用技术研究[J]. 胡正雨,刘文锐. 计算机产品与流通. 2020(07)
[2]基于用户偏好的个性化推荐系统研究[J]. 杨倩,梁艳,王艳娥,司海峰,张拓. 电脑知识与技术. 2020(13)
[3]融合用户偏好和物品相似度的概率矩阵分解推荐算法[J]. 王运,倪静. 小型微型计算机系统. 2020(04)
[4]个性化推荐算法中“信息茧房”与用户权利的思考[J]. 袁媛,张宏莉. 新闻研究导刊. 2020(05)
[5]“互联网+”背景下UI设计教学资源库建设研究[J]. 王俏,张金荣,姜毅. 通讯世界. 2020(01)
[6]UI设计中的配色及应用[J]. 邓朝晖. 电脑编程技巧与维护. 2020(01)
[7]大数据个性化推荐分析[J]. 任敏. 物联网技术. 2019(11)
[8]通信运营商大数据平台容量需求测算模型探讨[J]. 倪飞. 江西通信科技. 2019(04)
[9]基于项目关联的Slope One协同过滤算法研究[J]. 申晋祥,鲍美英. 计算机与数字工程. 2019(08)
[10]高安全需求的Web服务器群主动防御体系研究[J]. 王杨,蒋巍,蒋海岩,刘桂香,刘欢. 网络空间安全. 2019(06)
硕士论文
[1]“互联网+”时代信息技术课程价值的再认识[D]. 张鹏.喀什大学 2020
[2]基于相似度融合的协同过滤推荐算法研究[D]. 冯爽爽.江西农业大学 2019
[3]基于内容和协同过滤的混合算法在推荐系统中的应用研究[D]. 何佳知.东华大学 2016
[4]数字学习资源个性化推荐技术研究与应用[D]. 刘洋.浙江工商大学 2015
[5]基于内容的个性化推荐系统研究[D]. 单京晶.东北师范大学 2015
[6]基于学习分析的学习资源个性化推荐研究[D]. 裴艳.陕西师范大学 2015
[7]基于个性化资源推荐的学习平台的研究与设计[D]. 李宁.西南科技大学 2015
[8]基于协同过滤的学习资源个性化推荐研究[D]. 牛文娟.北京理工大学 2015
[9]基于个性化推荐的电子商务推荐系统的设计与实现[D]. 单明.吉林大学 2014
[10]推荐系统用户相似度计算方法研究[D]. 朱文奇.重庆大学 2014
本文编号：3323852
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3323852.html
