基于Map/Reduce的移动学习用户群聚类分析

发布时间：2021-04-15 01:22

　　近年来,随着移动通信、移动互联网、智能终端等技术的高速发展,移动上网用户日益普及,加之社会竞争压力的增大,人们渴望能够随时、随地进行任何方式的学习。在此背景下,移动学习（M-Learning）应运而生,并由于具有便捷性、灵活性、交互性、个性化等优点得到蓬勃发展,移动学习的各种数据规模也随之呈现出爆炸式增长,人们在移动学习中面临着“数据丰富,知识匮乏”的尴尬处境,如何从海量的移动学习数据资源中提取出有价值的信息,成为一个亟待解决的问题。本文提出将聚类分析、Map/Reduce分布式编程技术应用于移动学习领域：第一章简要介绍了论文的选题背景、研究内容和意义；第二章详细介绍了移动学习、聚类分析等相关技术的原理；第三章针对移动学习中最活跃的大学生群体,精心设计了调查问卷,在驻汉多所深入调研后,对大量调研数据进行了统计处理和数据清洗,并量化处理各变量值后,利用TwoStep算法对数据样本进行了聚类分析,将移动学习用户群划分为三个特征各异的簇,通过深入分析实验结果,发现不同移动学习用户群的学习模式,验证了开展相关研究的必要性和可行性,对当前开展移动学习研究具有启发性的指导意义。受终端设备计算、存储... 

【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校

【文章页数】：49 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
目录
第一章 绪论
    1.1 选题背景
        1.1.1 移动学习
        1.1.2 聚类分析
    1.2 国内外研究现状
        1.2.1 国外移动学习研究现状
        1.2.2 国内移动学习研究现状
        1.2.3 移动学习中的聚类分析研究现状
    1.3 研究内容及意义
        1.3.1 研究内容
        1.3.2 研究意义
    1.4 论文组织结构
第二章 移动学习和聚类分析
    2.1 移动学习的概念及特点
        2.1.1 移动学习的概念
        2.1.2 移动学习的特点
    2.2 聚类分析
        2.2.1 聚类的基本概念
        2.2.2 相似度的度量
        2.2.3 聚类算法的步骤
        2.2.4 聚类分析的分类
    2.3 K-MEANS算法
        2.3.1 K-means概念
        2.3.2 K-means步骤
        2.3.3 K-means特点
    2.4 TWOSTEP算法
        2.4.1 TwoStep简介
        2.4.2 TwoStep步骤
        2.4.3 TwoStep特点
    2.5 本章小结
第三章 移动学习中的聚类分析实验
    3.1 移动学习中的聚类分析背景
        3.1.1 实验简介
        3.1.2 实验数据采集
        3.1.3 实验数据准备
    3.2 实验环境
        3.2.1 硬件环境
        3.2.2 软件环境
    3.3 TWOSTEP聚类实验
        3.3.1 TwoStep实验内容
        3.3.3 TwoStep实验结果分析
    3.4 本章小结
第四章 基于MAP/REDUCE的移动学习数据聚类设计与实现
    4.1 MAP/REDUCE技术基础
        4.1.1 Map/Reduce
        4.1.2 HDFS
    4.2 聚类算法的MAP/REDUCE实现
        4.2.1 聚类算法的选取
        4.2.2 K-means的Map/Reduce实现
    4.3 实验准备
        4.3.1 实验软硬件环境
        4.3.2 数据获取
    4.4 实验仿真与分析
        4.4.1 实验仿真
        4.4.2 实验结果分析
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
在校期间参加科研项目、正式发表学术论文
致谢



本文编号：3138386