基于混合推荐技术的个性化资源推荐模型设计与实现

发布时间：2017-04-16 21:25

  本文关键词：基于混合推荐技术的个性化资源推荐模型设计与实现，由笔耕文化传播整理发布。

【摘要】： 在网络技术与信息技术高度发展、普及的如今,远程教学(下文中简称为E-Learning)已经成为培养人才、促进科研和教育事业发展的重要途径。然而要使网络和信息技术真正为教学服务,实现教学过程和教学资源的优化,就必须得到丰富教学资源的支持,所以我们发展远程教学的先决条件就是构建完善而充实的网络教学资源体系。 当前多数的教学资源库系统只提供教学资源上传、查询和下载等功能,还停留在“以物为主”的层面上,未能体现出“以人为本”的思想,尤其突出的一个问题是当前多数的教学资源库系统尚不具备个性化和智能化等特性,从而导致了海量教学资源与用户个性化需求之间的矛盾,成为了“信息爆炸时代下的知识匮乏”的一个缩影。这个矛盾的长期存在,不仅大大降低了教学资源的有效利用率,也为用户查找和使用所需教学资源造成了巨大的因难,直接阻碍了教学资源在教学中作用的发挥。 本文的研究目的就是设计并实现一套可行的个性化资源推荐方案,提高教学资源库系统的个性化与智能化,从一定程度上解决用户寻找所需教学资源困难,教学资源利用率低下的问题。 本文的主要工作如下: 1)针对目前教学资源服务中普遍存在的海量教学资源与用户个性化需求之间的矛盾,论文开发并搭建了一个教学资源知识库系统作为基础平台,并在其中建立了一个个性化资源推荐服务的原型模型,该模型把基于WEB的个性化信息服务引入教学资源体系,重视不同用户间存在的差异性,追踪、记录用户的个性化信息和行为,并根据其体现出来的用户个性化特征对教学资源进行过滤,为不同用户推荐更符合其个性化需求的教学资源。 2)分析研究了现有的推荐算法和推荐模型普遍存在的不足,提出了一种混合推荐技术。该推荐技术基于协同过滤算法,引入人口统计信息的分析技术,对系统使用者进行聚类,解决了新用户推荐问题和用户评价信息稀疏等的问题,与传统推荐算法相比,显著提高了资源推荐的精度与质量。 3)设计并实施了基于教学资源知识库系统和个性化资源推荐原型模型的研究实验,包括与传统推荐算法的对照实验,获得了一定的实验数据,并在此基础上进行数据分析,结果显示基于混合推荐技术的个性化资源推荐模型具有更高的推荐精度,明显提高了推荐质量。 上述研究已在国内的核心期刊上发表论文3篇。
【关键词】：教学资源 个性化推荐 混合推荐技术 用户聚类 协同过滤 复合相似度
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2010
【分类号】：TP391.6;G434
【目录】：

• 摘要4-6
• ABSTRACT6-9
• 目录9-12
• 第一章 绪论12-19
• 1.1 研究背景与意义12-13
• 1.2 推荐系统概要介绍13-14
• 1.2.1 协同过滤系统13
• 1.2.2 基于内容的推荐系统13-14
• 1.2.3 基于网络结构的推荐系统14
• 1.3 国内外研究现状与分析14-17
• 1.3.1 主要研究方向15
• 1.3.2 应用实例15-17
• 1.4 本文的主要工作17
• 1.5 本文的组织结构17-18
• 1.6 小结18-19
• 第二章 教学资源库系统架构19-25
• 2.1 引言19
• 2.2 系统架构概述19-20
• 2.3 系统结构体系20-21
• 2.4 系统工作流程21-22
• 2.5 用户数据采集22-24
• 2.5.1 用户注册信息采集22-23
• 2.5.2 用户评价信息采集23
• 2.5.3 采集信息关联23-24
• 2.6 小结24-25
• 第三章 混合推荐中关键技术介绍25-40
• 3.1 相关问题定义25-26
• 3.1.1 混合推荐技术25
• 3.1.2 新用户推荐问题25
• 3.1.3 用户评价信息稀疏的问题25-26
• 3.2 协同过滤推荐26-32
• 3.2.1 协同过滤技术的定义26-27
• 3.2.2 协同过滤的原则与优点27-28
• 3.2.3 协同过滤推荐算法分析28-31
• 3.2.4 面临的挑战与对策31-32
• 3.3 基于人口统计信息的推荐32-38
• 3.3.1 人口统计信息的定义32-33
• 3.3.2 人口统计信息的使用价值33
• 3.3.3 人口统计信息参与推荐的形式33-34
• 3.3.4 用户聚类的算法分析34-37
• 3.3.5 基于人口统计信息推荐的不足37-38
• 3.4 用户的复合相似度38
• 3.4.1 复合相似度的提出与定义38
• 3.4.2 复合相似度的计算38
• 3.5 小结38-40
• 第四章 个性化资源推荐模型的设计与实现40-54
• 4.1 模型的体系结构40-42
• 4.1.1 模型框架40-41
• 4.1.2 功能层次41-42
• 4.2 模型的工作流程42-43
• 4.3 模型的开发环境43
• 4.4 数据处理模块43-46
• 4.4.1 数据抽取与转换43-44
• 4.4.2 数据补录44
• 4.4.3 数据降维44-46
• 4.4.4 数据标准化46
• 4.5 推荐算法模块46-50
• 4.5.1 基于人口统计信息的用户聚类47-49
• 4.5.2 用户兴趣相似度的计算49
• 4.5.3 用户复合相似度的计算49
• 4.5.4 用户预测评分的计算49-50
• 4.6 资源过滤模块50-52
• 4.7 模型配置模块52-53
• 4.8 小结53-54
• 第五章 实验设计与结果分析54-64
• 5.1 对照实验系统设计54-55
• 5.1.1 基于用户聚类的对照实验系统54-55
• 5.1.2 基于传统协同过滤的对照实验系统55
• 5.2 实验设计55-57
• 5.2.1 实验介绍55
• 5.2.2 实验数据介绍55-56
• 5.2.3 实验设计56-57
• 5.3 评价标准57-59
• 5.3.1 平均绝对误差（Mean Abosulute Error，MAE）57-58
• 5.3.2 准确率（Precision）与召回率（Recall）58-59
• 5.4 结果分析59-62
• 5.4.1 推荐模型整体推荐质量的结果分析59-60
• 5.4.2 新用户推荐质量的结果分析60-61
• 5.4.3 评分稀疏用户推荐质量的结果分析61-62
• 5.4.4 模型训练效率的结果分析62
• 5.5 小结62-64
• 第六章 总结与展望64-67
• 6.1 本文的创新点与主要工作64-65
• 6.2 后续工作与研究展望65-67
• 参考文献67-73
• 致谢73-74
• 攻读硕士期间发表的学术论文及参与的项目74-76

【引证文献】

中国硕士学位论文全文数据库 前2条

1 胡淑媛;基于记忆理论的学习过程管理系统研究与实现[D];电子科技大学;2011年

2 王颖;基于关联规则的电子商务个性化推荐模型研究[D];东北财经大学;2012年

  本文关键词：基于混合推荐技术的个性化资源推荐模型设计与实现，由笔耕文化传播整理发布。

，

本文编号：311731