云计算环境下基于学习风格的教学资源推荐系统设计与实现

发布时间：2017-03-19 16:03

  本文关键词：云计算环境下基于学习风格的教学资源推荐系统设计与实现，由笔耕文化传播整理发布。

【摘要】：二十一世纪是互联网的时代,“互联网+教育”使学生们的学习方式发生了变化,由传统的实体课堂转移到网络课堂,从老师面对面解惑答疑到上网搜索解题资料。学生今后不光采用集中化地听课方式进行学习,还可以借助于互联网进行多样化的学习,提高学习效率。但是,随着互联网的高速发展,数据信息呈爆炸式地增长。如何在海量的数据信息中挖掘出学生可能感兴趣或需要的教学资源,并根据学生的自身特征将这些教学资源推荐给他们,这无疑对提高学生的学习效率和学习效果有着重要的现实意义。不同的学生根据自身特征会形成不同的学习风格,学习风格近似的学生,他们所关注的教学资源也会相似。而基于物品的协同过滤的推荐算法是依据相似的人群关注的物品也相似这一原理建立的。基于以上分析,本文选用理论成熟、实用性强的基于物品的协同过滤推荐算法建立教学资源推荐系统。为不同学习风格的学生推荐出他们所需要的教学资源提供支持。本文通过以下两种手段来提高协同过滤推荐系统的性能和推荐准确度。首先在对学生用户进行教学资源推荐之前,先将学生用户依据Felder-Silverman的学习风格量表的测试结果进行分组,然后分别对每组学生用户进行推荐,以此提高推荐的准确度。同时针对学生用户数量以及教学资源数量的极巨增加,采用Hadoop并行计算框架来开发教学资源推荐系统,利用CUR分解降维技术对基于物品协同过滤算法进行优化,并对优化算法进行并行化处理。用MapReduce编程模型方式进行具体实现,以分布式计算方式运行,多个任务节点较快速完成计算任务,数据矩阵最终在Reduce任务节点内进行合并处理,生产出可用的候选推荐列表。使本文研究的推荐系统适用于大规模的数据分析和计算任务。最后根据算法准确率、召回率、覆盖率这三个评价指标对基本的协同过滤推荐算法与优化后的协同优化算法在云平台上进行运算的结果进行比较,通过比较分析可以看到在用户数量比较大的情况下,优化后的协同过滤算法比基本的协同过滤算法在三个指标上均有不同程度的改善。
【关键词】：推荐系统 Hadoop 基于物品协同过滤推荐 CUR分解
【学位授予单位】：沈阳师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-14
• 一、课题研究背景与意义9-10
• 二、国内外研究现状10-11
• （一）资源推荐系统的研究现状10
• （二）学习风格的研究现状10-11
• 三、研究内容11-12
• 四、论文组织结构12-14
• 第二章 推荐系统相关理论研究及技术介绍14-25
• 一、学习风格14-16
• （一）学习风格概念14
• （二）经典学习风格模型简介14-16
• 二、推荐系统16-21
• （一）典型的推荐算法16-18
• （二）推荐算法选择比较18
• （三）相似度计算方法18-20
• （四）推荐系统性能度量标准20-21
• 三、云计算相关技术介绍21-24
• （一）Hadoop分布式平台21-22
• （二）分布式文件系统HDFS22
• （三）MapReduce简介22-23
• （四）新一代MapReduce框架YARN23-24
• 四、本章小结24-25
• 第三章 推荐系统算法的实验研究25-42
• 一、基于物品的协同过滤算法25-28
• （一）算法的计算流程25-28
• （二）算法的实现研究28
• 二、协同过滤推荐算法面临的问题及解决方案28-30
• （一）推荐算法面临的问题28-29
• （二）解决方案29-30
• 三、基本算法的并行化研究30-34
• 四、CUR分解改造推荐算法34-40
• （一）CUR分解改造推荐算法计算流程35-37
• （二）改进算法的可行性研究37-38
• （三）改进算法并行化研究38-40
• 五、算法性能比较40
• （一）实验设计40
• （二）实验结果分析40
• 六、本章小结40-42
• 第四章 教学资源推荐系统设计42-54
• 一、系统设计与分析42-48
• （一）WEB服务层设计与分析42-44
• （二）数据过滤层设计与分析44-45
• （三）日志处理层设计与分析45-47
• （四）数据分析层设计与分析47-48
• 二、系统工作流程介绍48-49
• 三、数据库表结构49-53
• 四、本章小结53-54
• 第五章 教学资源推荐系统部署实现54-62
• 一、WEB服务层实现54-56
• （一）教学资源管理54-55
• （二）学生用户信息管理55-56
• （三）权限管理56
• （四）资料推荐服务56
• 二、数据过滤层实现56-57
• 三、日志处理层的实现57-58
• 四、数据分析层实现58-59
• 五、系统重点部分的部署实现59-61
• （一）日志收集部署59
• （二）Hadoop的具体部署59-61
• 六、推荐系统的结果分析61
• 七、本章小结61-62
• 总结与展望62-64
• 一、工作的总结62
• 二、未来展望62-64
• 参考文献64-66
• 附录一 Felder—Silverman学习风格测量表66-68
• 附录二 Felder—Silverman学习风格答题表68-69
• 致谢69-70
• 个人简介70

【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

  本文关键词：云计算环境下基于学习风格的教学资源推荐系统设计与实现，，由笔耕文化传播整理发布。

本文编号：256202