泛在学习环境下学习资源推荐系统的研究与设计

发布时间：2017-09-11 08:15

  本文关键词：泛在学习环境下学习资源推荐系统的研究与设计

  更多相关文章： 泛在学习 学习资源 学习元 协同过滤 个性化推荐

【摘要】：近年来,随着全民学习、终身学习等观念的普及,非正式学习得到了越来越多的人的关注。移动通信技术的发展使得非正式学习的方式经历了由数字学习到移动学习再到如今的泛在学习的发展过程,学习方式变得更加灵活、便捷和个性化。泛在学习因其可以使学习者根据自己的需求随时随地利用任何终端学习的特性,适应了现代社会对学习的需求,受到人们的普遍欢迎,并成为未来学习的发展趋势。而泛在学习资源是泛在学习得以开展的重要支撑,因此,如何设计与开发高效、便捷、个性化的泛在学习资源成为了泛在学习研究的一项重要内容。基于此,本研究首先重点研究了泛在学习资源,从学习资源信息模块、学习资源进化模块以及学习资源活动模块对学习资源进行设计,使得学习资源具有泛在性、情境性、联通性等特性。 现阶段,互联网成为了学习者获取学习资源的重要渠道,然而,随着网络资源数量爆炸性的增长,仅仅通过传统的搜索引擎方式来获取信息存在着返回结果多、准确性差等缺点,这使得学习者无法获得满意的学习资源,而近年来个性化推荐技术在商务领域的成功应用为解决这一问题提供了一个新的思路。将个性化推荐技术引入教育领域,并与泛在学习资源相结合,可以很好地帮助学习者获得个性化的泛在学习资源。基于此,本研究对目前流行的个性化推荐技术做了比较分析,结合泛在学习资源的特点,使用协同过滤推荐算法为学习者推荐学习资源。 本研究首先通过分析研究泛在学习及其资源的特点,对泛在学习资源模型进行了设计,并通过研究与比较多种个性化推荐技术,确定使用协同过滤推荐技术对泛在学习资源进行推荐。随后,本研究对学习者兴趣模型进行了设计,并利用协同过滤算法为其推荐资源。最后,本研究对泛在学习资源推荐系统从需求分析到代码实现做了具体设计,将以上理论应用于实际中。
【关键词】：泛在学习 学习资源 学习元 协同过滤 个性化推荐
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：G434
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-12
• 1 引言12-18
• 1.1 研究背景及选题意义12-13
• 1.2 国内外研究现状13-17
• 1.2.1 泛在学习研究现状13-15
• 1.2.2 学习资源研究现状15-16
• 1.2.3 推荐系统研究现状16
• 1.2.4 研究现状小结16-17
• 1.3 论文主要内容17
• 1.4 论文内容组织结构17-18
• 2 相关理论研究18-28
• 2.1 泛在学习介绍18-22
• 2.1.1 泛在学习的概念18-20
• 2.1.2 泛在学习的理论基础20-21
• 2.1.3 泛在学习的特点21-22
• 2.2 泛在学习资源新型组织形式——学习元22-24
• 2.2.1 “学习元”的概念及特性22
• 2.2.2 “学习元”的构成要素22-23
• 2.2.3 “学习元”的资源信息模型23-24
• 2.3 个性化推荐24-28
• 2.3.1 个性化推荐系统简介24-25
• 2.3.2 基于关联规则的推荐25
• 2.3.3 基于聚类的推荐25-26
• 2.3.4 基于内容的推荐26
• 2.3.5 基于协同过滤的推荐26-27
• 2.3.6 推荐技术小结27-28
• 3 泛在学习环境下学习资源模型设计28-38
• 3.1 泛在学习环境下学习资源建设现状分析28-30
• 3.1.1 开放的学习资源平台与学习资源管理水平低下的矛盾28
• 3.1.2 海量的学习资源与学习者很难获得需要的学习资源的矛盾28-29
• 3.1.3 丰富的学习内容与学习者学习效率低的矛盾29
• 3.1.4 学习资源众多与资源无法关联的矛盾29-30
• 3.2 泛在学习资源模型设计30-38
• 3.2.1 学习资源信息模块30-33
• 3.2.2 学习资源进化模块33-35
• 3.2.3 学习活动模块35-36
• 3.2.4 泛在学习资源模型小结36-38
• 4 泛在学习环境下学习资源个性化推荐研究38-51
• 4.1 学习资源个性化推荐现状分析38-39
• 4.2 协同过滤推荐算法39-44
• 4.2.1 基于用户的(User-based)协同过滤推荐算法39-40
• 4.2.2 基于项目的(Item-based)协同过滤推荐算法40-41
• 4.2.3 UserCF与ItemCF算法比较及问题分析41-42
• 4.2.4 优化的协同过滤推荐算法42-44
• 4.3 学习者兴趣建模44-49
• 4.3.1 学习者兴趣建模的相关理论及方法44-48
• 4.3.2 学习者兴趣模型的建立48-49
• 4.4 向学习者推荐泛在学习资源49-51
• 4.4.1 相似度计算49-50
• 4.4.2 产生推荐50-51
• 5 泛在学习资源推荐系统的具体设计51-68
• 5.1 需求分析51-53
• 5.1.1 系统功能性需求51-52
• 5.1.2 系统非功能性需求52
• 5.1.3 系统的体系结构52-53
• 5.1.4 系统的使用流程53
• 5.2 数据库的设计53-55
• 5.3 系统的主要功能详细设计55-64
• 5.3.1 系统界面的设计55-59
• 5.3.2 推荐部分的设计59-64
• 5.4 测试与结果64-68
• 5.4.1 测试数据集及测试环境64-65
• 5.4.2 测试评价指标65-66
• 5.4.3 测试结果分析66-68
• 6 总结与展望68-70
• 参考文献70-73
• 作者简历及攻读硕士学位期间取得的研究成果73-75
• 学位论文数据集75

【参考文献】

中国期刊全文数据库 前10条

1 梁瑞仪;李康;;若干学习相关概念的解读与思考[J];中国远程教育;2009年01期

2 夏云;李盛聪;;近年我国泛在学习研究文献的综述[J];中国远程教育;2012年05期

3 黎加厚,吴振华,陈双寅,陈晖;美国教育资源门户及其对我国教育资源建设的启迪[J];电化教育研究;2003年08期

4 刘婷;丘丰;;论未来终身教育新模式——泛在学习[J];广东广播电视大学学报;2007年03期

5 余胜泉;杨现民;程罡;;泛在学习环境中的学习资源设计与共享——“学习元”的理念与结构[J];开放教育研究;2009年01期

6 杨现民;余胜泉;王志军;;学习元与学习对象的多维比较研究——学习资源聚合模型发展新趋势[J];开放教育研究;2010年06期

7 邢春晓;高凤荣;战思南;周立柱;;适应用户兴趣变化的协同过滤推荐算法[J];计算机研究与发展;2007年02期

8 林霜梅;汪更生;陈弈秋;;个性化推荐系统中的用户建模及特征选择[J];计算机工程;2007年17期

9 余力,刘鲁,李雪峰;用户多兴趣下的个性化推荐算法研究[J];计算机集成制造系统;2004年12期

10 黄建海,王超,潘金贵;多Agent系统DOLTRI-Agent中的通信及其安全机制[J];计算机应用与软件;2001年08期

，

本文编号：829596