基于主题特征中心的微学习单元的层次聚类研究

发布时间：2021-06-15 14:43

　　随着现代信息技术的迅猛发展,Web2.0时代开启了人类史上真正有意义的互联网在线学习之旅。信息运行载体和传播形态的改变导致学习内容碎片化,快节奏生活和多任务处理导致学习时间碎片化。此外,信息更新周期缩短带动了终身学习时代的到来。在碎片化学习和终身学习的大数据背景的推动下,构建主义学习观催生了一种新型学习范式——微学习。微学习的学习单元松散链接、动态重组,有利于拓展学习者的发散思维。微学习资源可按需提供,学习时间可控且灵活,学习兴趣易维持,学习效率更高等优势,因此微学习这种新型学习范式得以迅猛发展。Web2.0改变早期网络的“单行道”架构,让大众可以向网络发送并分享信息,微学习利用这一功能,推开“微”时代的大门。随着微学习的兴起,越来越多的微学习平台不断建立和发展,大规模开放式在线课程MOOC（Massive Open Online Courses）作为代表性的微学习平台之一,通过MOOC进行学习逐渐成为一种趋势。然而,微学习平台的发布者不是唯一的,大量学习资源的发布使得学习内容多源,即重复问题,学习者浪费大多时间在资源选择上,导致学习效率低下。因此,合理地组织和管理微学习资源是微学习研... 

【文章来源】：太原理工大学山西省 211工程院校

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 微学习研究现状
        1.2.1 微学习研究现状
        1.2.2 微学习资源研究现状
    1.3 研究内容和方法
        1.3.1 主要研究内容
        1.3.2 主要研究方法
    1.4 论文的组织结构
    1.5 本章小结
第二章 相关理论与技术
    2.1 微学习
        2.1.1 微学习概念
        2.1.2 微学习特点
        2.1.3 微学习单元
        2.1.4 微学习理论基础
    2.2 文本聚类的相关技术
        2.2.1 预处理过程
        2.2.2 特征提取与降维
        2.2.3 文本表示模型
        2.2.4 文本相似度计算
        2.2.5 文本聚类算法
    2.3 凝聚层次聚类算法研究
    2.4 AP算法研究
        2.4.1 AP算法原理
        2.4.2 CFSFDP算法原理
    2.5 本章小结
第三章 微学习单元主题中心发现
    3.1 凝聚层次聚类算法优缺点
    3.2 AP聚类优缺点
    3.3 微学习单元主题中心发现模型
    3.4 微学习单元主题中心发现步骤
    3.5 本章小结
第四章 微学习单元文本聚类
    4.1 微学习单元聚类框架
    4.2 微学习单元前期预处理
        4.2.1 分词处理
        4.2.2 停用词处理
        4.2.3 词干提取
    4.3 微学习单元文本表示
        4.3.1 主题模型比较
        4.3.2 LDA主题模型
        4.3.3 LDA模型训练
    4.4 微学习单元聚类
        4.4.1 相似度计算
        4.4.2 聚类中心算法实现
    4.5 本章小结
第五章 实验与结果分析
    5.1 实验数据
        5.1.1 微学习单元数据获取
        5.1.2 微学习单元人工标注
        5.1.3 实验环境及工具
    5.2 算法评价指标
    5.3 实验结果分析
        5.3.1 微学习单元文本数据对比分析
        5.3.2 微学习单元文本表示模型对比分析
        5.3.3 微学习单元聚类中心选择
        5.3.4 微学习单元文本聚类对比分析
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读硕士研究生期间发表的论文


【参考文献】：
期刊论文
[1]基于文本挖掘的互联网教育课程主题发现与聚类研究[J]. 李梦杰,刘建国,郭强,李仁德,汤晓雷.  上海理工大学学报. 2018(03)
[2]一种基于簇中心点自动选择策略的密度峰值聚类算法[J]. 马春来,单洪,马涛.  计算机科学. 2016(07)
[3]基于层次与密度的任意形状聚类算法[J]. 许合利,牛丽君.  计算机工程. 2016(07)
[4]基于LDA模型的文本相似度研究[J]. 陈攀,杨浩,吕品,王海晖.  计算机技术与发展. 2016(04)
[5]大数据时代碎片化学习研究[J]. 王承博,李小平,赵丰年,张琳.  电化教育研究. 2015(10)
[6]微信在高校教学中的应用研究[J]. 吴晓冰.  电子商务. 2015(09)
[7]一种近邻传播的层次优化算法[J]. 倪志伟,荆婷婷,倪丽萍.  计算机科学. 2015(03)
[8]面向e-Learning的教育资源聚类系统的设计与实现[J]. 吴林静,刘清堂,黄焕,刘嫚,黄景修.  中国电化教育. 2014(10)
[9]微学习研究:现状与未来[J]. 张振虹,杨庆英,韩智.  中国电化教育. 2013(11)
[10]Stemming和Lemmatization对英文文本聚类的影响研究[J]. 韩普,王东波,路高飞.  情报理论与实践. 2012(07)

硕士论文
[1]基于蚁群信息素优化算法的微学习路径推荐研究[D]. 赵琴.太原理工大学 2017
[2]基于MOOC的高等教育知识图谱的构建[D]. 侯俊萌.北京邮电大学 2017
[3]Affinity Propagation聚类算法的改进及其应用研究[D]. 李萍.浙江大学 2017
[4]互联网新闻分类中特征选择和特征提取方法研究[D]. 王甜甜.中国科学技术大学 2016
[5]面向教育大数据的关键算法研究与实现[D]. 吴敏.电子科技大学 2016
[6]微课学习在企业培训中的应用研究[D]. 石李丽.首都经济贸易大学 2016
[7]文本聚类中特征选择方法研究[D]. 华珍.湖北工业大学 2016
[8]基于密度的改进型层次聚类算法研究[D]. 李彩云.兰州大学 2016
[9]基于密度的层次聚类算法研究[D]. 张文开.中国科学技术大学 2015
[10]基于LDA多模型中文短文本主题分类体系构建与分类[D]. 郭剑飞.哈尔滨工业大学 2014



本文编号：3231247