智慧校园中基于位置服务的教育资源推荐系统研究

发布时间：2017-08-08 22:18

  本文关键词：智慧校园中基于位置服务的教育资源推荐系统研究

  更多相关文章： 个性化推荐 智慧校园 临时兴趣 协同过滤 矩阵分解

【摘要】：在科技不断快速发展的浪潮下,智慧校园的建设一直是教育改革的一个重点内容。作为智慧校园中的一个重要组成部分,个性化推荐系统的存在是为了解决信息过载问题,从海量教育资源中筛选出学生感兴趣的的教育资源并推荐给学生。一个好的教育资源推荐系统对提高学生的学习成绩、培养学生的学习兴趣、改善教育质量有重大意义,这也是教育改革的重要目标。传统的推荐算法大多只是考虑了用户之间或者推荐内容之间的相似性,而没有考虑用户的位置信息。近年来,移动终端和无线网络迅速普及,室内定位技术日益成熟,人们几乎能够随时随地通过网络进行服务请求,这一改变对推荐系统产生了巨大影响。例如,在移动环境中用户可能因为身处某地而临时对某事物产生兴趣,如何捕捉这种临时兴趣是一个亟待解决的问题。再者,在移动环境中,用户对推荐系统实时性要求更为严格,用户的兴趣和地点是相关的,用户的位置也是变动的,如果系统运行缓慢,可能无法满足用户的实时需求。另外,定位技术的发展使得推荐系统能够获取到用户的位置信息,如果能科学有效地利用这些信息,能够大大提高推荐系统的性能。所以,这些技术的发展对推荐系统来说,既是机遇又是挑战。本文主要对智慧校园中基于用户室内外位置信息的教育资源推荐系统的构建进行了研究与探索。首先,研究了几种传统的推荐算法,并分析了它们各自的优缺点；其次,对教育资源推荐系统的基础架构进行了设计,给出了一些参考方案；再次,结合智慧校园这一应用场景的特征,提出了改进的推荐算法,一定程度上解决了传统推荐算法的冷启动、稀疏矩阵问题,缩短了算法的运行时间,有更好的实时性,并能捕捉到用户的临时兴趣；最后,在搜集的数据集和Foursquare数据集上对本文算法和传统推荐算法进行了实验对比分析。实验结果表明,本文提出的算法在推荐效果上要优于传统推荐算法,能很好地满足智慧校园这一应用场景的需求,对某些类似场景下的推荐系统构建也有一定指导意义。
【关键词】：个性化推荐 智慧校园 临时兴趣 协同过滤 矩阵分解
【学位授予单位】：华东师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要6-7
• ABSTRACT7-15
• 第一章 绪论15-21
• 1.1 研究背景15-17
• 1.2 研究现状17-18
• 1.2.1 室内定位技术的研究现状17
• 1.2.2 基于用户位置的推荐技术研究现状17-18
• 1.3 本文主要工作18-19
• 1.4 论文结构19-21
• 第二章 传统个性化推荐算法的介绍21-33
• 2.1 基于内容的推荐21-24
• 2.2 协同过滤推荐24-30
• 2.2.1 基于内存的协同过滤26-28
• 2.2.2 基于模型的协同过滤28-30
• 2.3 混合推荐30-31
• 2.4 本章小结31-33
• 第三章 系统主体框架设计33-45
• 3.1 系统整体设计33-35
• 3.2 基于WiFi指纹的室内定位子系统35-38
• 3.2.1 WiFi指纹库建立36-37
• 3.2.2 混合KNN和贝叶斯的在线定位37-38
• 3.3 海量教育资源组织管理38-40
• 3.3.1 海量数据存储38-39
• 3.3.2 教育资源的简单特征提取39-40
• 3.4 社交化推荐40-42
• 3.4.1 基于内存的社交化推荐41
• 3.4.2 基于模型的社交化推荐41-42
• 3.5 关键数据结构42-44
• 3.5.1 用户历史位置信息42-43
• 3.5.2 区域-资源访问表43-44
• 3.6 本章小结44-45
• 第四章 改进的基于LBS的推荐算法45-59
• 4.1 基于室内定位的推荐45-53
• 4.1.1 算法流程46-47
• 4.1.2 室内位置聚类47-50
• 4.1.3 近邻用户集的确定50-51
• 4.1.4 评分预测模块51-53
• 4.2 基于矩阵分解的室外推荐53-58
• 4.2.1 算法流程54-55
• 4.2.2 室外位置聚类与常去位置判断55-56
• 4.2.3 贝叶斯预测56-58
• 4.2.4 临时兴趣推荐58
• 4.3 本章小结58-59
• 第五章 实验与分析59-71
• 5.1 实验环境59-60
• 5.2 评价方法及标准60-61
• 5.2.1 交叉验证60
• 5.2.2 评价指标60-61
• 5.3 基于室内定位推荐算法的实验及分析61-66
• 5.3.1 实验数据集61-62
• 5.3.2 实验设计62
• 5.3.3 实验过程与结果分析62-66
• 5.4 基于矩阵分解的室外推荐算法实验及分析66-70
• 5.4.1 实验数据集及预处理66-67
• 5.4.2 实验设计67
• 5.4.3 实验过程与结果分析67-70
• 5.5 本章小结70-71
• 第六章 总结与展望71-73
• 6.1 工作总结71-72
• 6.2 未来工作展望72-73
• 参考文献73-80
• 致谢80-81
• 攻读硕士学位期间发表论文和科研情况81

【相似文献】

中国期刊全文数据库 前10条

1 米可菲;张勇;邢春晓;蔚欣;;面向大数据的开源推荐系统分析[J];计算机与数字工程;2013年10期

2 脱建勇;王嵩;李秀;刘文煌;;精品课共享中的推荐系统框架与实现[J];计算机工程与设计;2006年17期

3 苏冠贤;张丽霞;林丕源;刘吉平;;生物信息学推荐系统的设计与实现[J];计算机应用研究;2007年05期

4 王改芬;;推荐系统研究综述[J];软件导刊;2007年23期

5 叶群来;;营销与网络推荐系统[J];电子商务;2007年10期

6 李媚;;个性化网络学习资源推荐系统研究[J];福建电脑;2008年12期

7 潘冉;姜丽红;;基于经济学模型的推荐系统的研究[J];计算机应用与软件;2008年03期

8 刘鲁;任晓丽;;推荐系统研究进展及展望[J];信息系统学报;2008年01期

9 刘小燕;陈艳丽;贾宗璞;沈记全;;基于增强学习的旅行计划推荐系统[J];计算机工程;2010年21期

10 曹畋;;智能推荐系统在知识浏览领域的应用[J];硅谷;2011年21期

中国重要会议论文全文数据库 前8条

1 张燕;李燕萍;;基于内容分析和点击率记录的混合音乐推荐系统[A];2009年通信理论与信号处理学术年会论文集[C];2009年

2 赵欣;寇纲;邬文帅;卢艳群;;基于时间密集性的推荐系统攻击检测[A];第六届（2011）中国管理学年会论文摘要集[C];2011年

3 张玉连;张波;张敏;;改进的个性化信息推荐系统的设计与实现[A];2005年全国理论计算机科学学术年会论文集[C];2005年

4 王君;许洁萍;;层次音乐推荐系统的研究[A];第18届全国多媒体学术会议（NCMT2009）、第5届全国人机交互学术会议（CHCI2009）、第5届全国普适计算学术会议（PCC2009）论文集[C];2009年

5 潘宇;林鸿飞;杨志豪;;基于用户聚类的电子商务推荐系统[A];第三届学生计算语言学研讨会论文集[C];2006年

6 尤忠彬;陈越;张英;朱扬勇;;基于Web服务的技术转移平台推荐系统研究[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

7 王国霞;刘贺平;李擎;;二部图影射及其在推荐系统中的应用[A];第25届中国控制与决策会议论文集[C];2013年

8 王雪;董爱华;吴怡之;;基于RFID技术的智能服装推荐系统设计[A];2011年全国电子信息技术与应用学术会议论文集[C];2011年

中国重要报纸全文数据库 前2条

1 ;大数据如何“落地”[N];中国新闻出版报;2014年

2 本报记者 邹大斌;大数据：电商新武器[N];计算机世界;2012年

中国博士学位论文全文数据库 前10条

1 周魏;推荐系统中基于目标项目分析的托攻击检测研究[D];重庆大学;2015年

2 王宏宇;商务推荐系统的设计研究[D];中国科学技术大学;2007年

3 杨东辉;基于情感相似度的社会化推荐系统研究[D];哈尔滨工业大学;2014年

4 曹渝昆;基于神经网络和模糊逻辑的智能推荐系统研究[D];重庆大学;2006年

5 王立才;上下文感知推荐系统若干关键技术研究[D];北京邮电大学;2012年

6 刘龙;一个能实现个性化实时路径推荐服务的推荐系统框架[D];中国科学技术大学;2014年

7 李涛;推荐系统中若干关键问题研究[D];南京航空航天大学;2009年

8 刘士琛;面向推荐系统的关键问题研究及应用[D];中国科学技术大学;2014年

9 李方方;非独立同分布推荐系统研究[D];北京理工大学;2014年

10 李晓建;基于语义的个性化资源推荐系统中关键技术研究[D];武汉大学;2010年

中国硕士学位论文全文数据库 前10条

1 朱孔真;基于云计算的电子商务智能推荐系统研究[D];武汉理工大学;2014年

2 郭敬泽;基于赋权评分和Dpark的分布式推荐系统研究与实现[D];天津理工大学;2015年

3 周俊宇;信息推荐系统的研究与设计[D];江南大学;2015年

4 李炜;基于电子商务平台的保险推荐系统的设计与实现[D];复旦大学;2013年

5 车丰;基于排序主题模型的论文推荐系统[D];大连海事大学;2015年

6 秦大路;基于因式分解机模型的上下文感知推荐系统研究[D];郑州大学;2015年

7 徐霞婷;动态路网监控与导航推荐系统的设计与实现[D];苏州大学;2015年

8 黄学峰;基于Hadoop的电影推荐系统研究与实现[D];南京师范大学;2015年

9 路小瑞;基于Hadoop平台的职位推荐系统的设计与实现[D];上海交通大学;2015年

10 李爱宝;基于组合消费行为分析的团购推荐系统的设计与实现[D];哈尔滨工业大学;2015年

，

本文编号：642306