作者：&作者本人请参看导师姓名：&学位授予单位：&授予学位：硕士学位年度：2013专业：&关键词：&&&&摘要:（摘要内容经过系统自动伪原创处理以避免复制，下载原文正常，内容请直接查看目录。）收集技巧的敏捷成长和互联网运用的逐步丰硕,令人们的生涯加倍的便利多彩,但同时也给人们带来了信息过载的成绩。由于互联网上的数据过于宏大,人们没有适合的信息挑选对象,将消费年夜量时光能力在年夜范围的信息资本中找到相干的材料。传统的搜刮引擎体系在必定水平上处理了这个成绩,但同时也存在着一些缺点：反应的信息过于混乱,对用户的操作请求太高和没法供给特性化的反应信息等。推举体系依据用户的历久兴致特色和行动形式,向用户推举其感兴致的信息资本,从而进一步地处理了信息过载的成绩。本文的研讨目标是为了晋升推举算法的猜测精确性。在本文中,我们以为社会主流趋向的影响形成了推举中的全局特征,而兴致相似的用户之间的互相影响发生了推举中的部分特征。然后我们对推举体系中的全局和部分特征停止了深刻的评论辩论,而且剖析了用户评分行动和经典的推举算法中存在的全局和部分特征。经由过程剖析今后,我们以为全局性的推举算法和部分性的推举算法的根本假定和着重点分歧,而且每一个用户的行动也是具有显著的差别性,所以将这两类算法停止混杂有益于进步猜测精确率。因而我们提出了一种特性化混杂推举模子,基于每一个用户的行动特点特性化地整合全局性和部分性的推举算法的成果。最初,我们设计了具体的算法验证性试验,测试数据集是在学术界被普遍采取的推举测试数据集Movielens。试验注解,特性化混杂推举模子的猜测精确率比经典的推举算法有了年夜幅度的进步,从而证实了该算法的有用性。Abstract:The rapid development of network technology and the gradual development of the Internet, make people's life more convenient and colorful, but also to bring the results of information overload. Because the data on the Internet is too large, people do not have the appropriate information to select the object, the consumption of the large amount of time in the large range of information resources to find relevant materials. The traditional search engine system in a certain extent solve the problem, but there are also some shortcomings: the information in response to much of the confusion, operation on the user's request is too high and no response characteristics of law supply information. Recommendation system based on the user's long-term interest characteristics and action in the form, to the user presses the sense of the information resources in the interest of, and further processing of the information overload performance. The research objective of this paper is to promote the accuracy of the recommendation algorithm. In this paper, we believe that the impact of the social mainstream tends to form the global features, while the interaction between the users of similar interest has occurred in the part of the recommendation. And then we have a deep discussion about the global and some features of the recommendation system, and analyze the global and partial characteristics of the user's score and the classic recommendation algorithm. Through the analysis of the future, we believe that the global recommendation algorithm and some of the basic assumptions of the recommendation algorithm and focus on different, and each user's action is also a significant difference, so these two types of algorithms to stop mixing useful to improve the accuracy of the forecast. So we propose a feature based hybrid recommendation model, which is based on the characteristics of each user's action to integrate the global and partial results of the recommendation algorithm. At first, we designed a specific algorithm verification test, the test data set is widely adopted in the academic community of the recommended test data set Movielens. Test notes, the characteristics of hybrid recommendation model of the accuracy of the proposed model than the classical recommendation algorithm with a large margin of progress, thus confirmed the usefulness of the algorithm.目录:摘要3-4Abstract4第1章 绪论9-14&&&&1.1 引言9-10&&&&1.2 推荐系统的研究意义及其发展现状10-12&&&&&&&&1.2.1 推荐系统的研究意义10-11&&&&&&&&1.2.2 推荐系统的发展现状11-12&&&&1.3 本文的研究内容12-13&&&&1.4 本文的组织结构13&&&&1.5 本章小结13-14第2章 推荐系统及其相关技术概述14-32&&&&2.1 相关技术14-16&&&&&&&&2.1.1 信息检索技术14-15&&&&&&&&2.1.2 信息过滤技术15&&&&&&&&2.1.3 数据挖掘技术15-16&&&&2.2 推荐算法介绍16-31&&&&&&&&2.2.1 基于内容的推荐算法19-23&&&&&&&&2.2.2 基于协同过滤推荐算法23-29&&&&&&&&2.2.3 混合推荐算法29-31&&&&2.3 本章小结31-32第3章 推荐系统中的全局和局部特性32-47&&&&3.1 推荐系统中的全局和局部特性32-33&&&&3.2 用户行为中的全局和局部特性分析33-38&&&&3.3 典型推荐算法的全局性和局部性分析38-42&&&&&&&&3.3.1 基于用户的协同过滤算法38-40&&&&&&&&3.3.2 基于物品的协同过滤算法40-42&&&&3.4 基于全局特性或者局部特性的推荐算法42-46&&&&&&&&3.4.1 改进的基于用户的协同过滤算法43-44&&&&&&&&3.4.2 基于SVD的推荐算法44-45&&&&&&&&3.4.3 基于物品的邻近推荐模型45-46&&&&3.5 本章小结46-47第4章 基于全局和局部特性的个性化混合模型47-55&&&&4.1 问题定义47-48&&&&4.2 个性化混合模型48-51&&&&4.3 模型解法51-52&&&&4.4 混合训练方法52-54&&&&4.5 本章小结54-55第5章 实验设计与结果55-65&&&&5.1 数据集55&&&&5.2 评价标准55-57&&&&5.3 单一推荐算法的参数选择实验57-59&&&&5.4 混合算法实验结果59-63&&&&5.5 混合模型的参数调整63-64&&&&5.6 本章小结64-65第6章 总结与展望65-67&&&&6.1 总结65-66&&&&6.2 展望66-67参考文献67-73致谢73原价：￥20.00元折价：￥5.00元分享到：参考文献[1].宋翠莉.[D].江苏大学.2014[2].熊晓栋.[D].天津大学.2013[3].章诗杰.[D].杭州电子科技大学.2013[4].王倩.[D].河北大学.2014[5].孔维梁.[D].华中师范大学.2013[6].董小妹.[D].南京工业大学.2013[7].刘伟.[D].南开大学.2013[8].包西林.[D].中国科学技术大学.2013[9].熊丽莎.[D].武汉理工大学.2013[10].孙歆.[D].浙江工业大学.2013[11].刘小杰.[D].西安电子科技大学.2013[12].陈壁生.[D].华南理工大学.2013[13].黄晓凤.[D].重庆大学.2013[14].张明磊.[D].湖南师范大学.2013[15].陈永光.[D].南京理工大学.2013文档分类：
在线文档经过高度压缩，下载原文更清晰。
淘豆网网友近日为您收集整理了关于Elearning环境中个性化推荐系统研究硕士论文的文档，希望对您的工作和学习有所帮助。以下是文档介绍：Elearning环境中个性化推荐系统研究硕士论文 西南大学硕士学位论文E-learning环境中个性化推荐系统研究姓名:王智申请学位级别:硕士专业:计算机应用技术指导教师:张自力摘要E—learning环境中个性化推荐系统研究计算机应用技术专业硕士研究生王智指导教师张自力教授摘要Intemet技术的迅速发展,使得网络逐渐成为人们获取知识的主要途径之一。近年来,E—learning的研究和应用飞速发展,为用户提供了前所未有的丰富的学习资源和灵活的学习方式。但由于种种原因,目前绝大多数E-learning系统仍以平台为中心,仅仅将资源放在网上,使得学习者需要花大量的时间和精力去寻找感兴趣的资源。学习者希望系统能够根据他们特性的不同提供个性化服务。因此,设计并构建个性化的E-learning环境逐渐成为众多研究者关注的热点。在构建个性化服务的技术中,利用Web挖掘和Agent技术是其中的一个研究方向。当前,对E.1earning环境中的个性化研究展开了大量的研究工作并取得了一定进展,已出现了实际应用的个性化平台。由于E-learning环境本身的复杂性,合理表示和及时了解学(来源：淘豆网[/p-5224577.html])习者的学习需求、兴趣爱好是基本和难以解决的问题,目前广泛采用的表示方法依赖于对资源内容的分析,而这本身就是一个难题。此外,使用高效的挖掘算法也能为推荐结果的有效性提供强有力的保障。本文的研究内容包括:(1)结合E.1earning环境的特殊性介绍了个性化服务的研究背景及意义,探讨了个性化服务的必要性,总结出了应用于E—learning环境中的推荐机制:(2)提出了基于时间间隔的用户历史信息划分方法来表示用户的兴趣爱好,并给出了基于该划分方式的用户相似性度量方法;(3)提出了基于蚁群和遗传算法的混合聚类算法,并对算法进行了详细说明和实验验证;(4)构建了基于Web挖掘和Agent技术的个性化学习推荐系统模型。该模型主要分为在线操作层和离线操作层,每一层分别由相应的Agent组成。文章描述了各层主要功能、各Agent的作用和模型的工作流程。文章还对提出的系统模型进行了实验验证,对影响推荐结果的一些因素进行了分析,为系统的实际运用奠定了基础。最后对本文的研究内容进行了总结,并提出了进一步的研究方向。(来源：淘豆网[/p-5224577.html])关键词: E—learning个性化服务推荐系统Web挖掘多Agent系统A15SIKA乙lResearch on Personalized mendationSystem in E—l puter Application TechnologySupervisor:Prof.Zhang Zili Master Candidate:Wang ZhiABSTRACTWith the rapid development ofWorld Wide Web(t has e oneof the most important information and knowledge sources.E-learning has achieved great essboth in research and applications in recent years,and provided learners with unprecedentedabundance of learning materials and g(来源：淘豆网[/p-5224577.html])reat flexible learning ways.However,because of severalreasons,most E—learning system still focus on the web site only,using just-put-it-on—the-webapproach,which leads to the case that learners need tOspend a lot of time and effort to findresources that they enjoyed and required.For this reason,learners hope the system to providepersonalized service based on their different characteristics.Therefore,to design and to build apersonalized E—learning env(来源：淘豆网[/p-5224577.html])ironment has gradually e the focus ofmany researches.Applyingdatamining and agent technology to E·learning environment and building mendation service is a hot topic in this area.Currently,there exist many researches about personalization in E—learning and made someprogresses.Personalization platform has already appeared in practical application.But because plication of E-learning environment,reasonable and timely understanding and expressinglea(来源：淘豆网[/p-5224577.html])rners’needs,interests and hobbies is a fundamental and difficult problem.The current widelyused methods heavily rely on content analysis of resources,which itself if a difficult problem.Inaddition,the use of efficient mining algorithm is also pro、dding strong effectiveness of mended result.The main content of this thesis includes:(bined with the specificity of personalizedservice in E-learning,this thesis introduced the research background and signi(来源：淘豆网[/p-5224577.html])ficance of the needsfor personalized service,and summarized the mendation mechanism applied in E-learning.(2)in order to represent and analysis of learners’interests and hobbies,this thesis proposed a methodwhich is used to divide learners’historical session based on aspecial time interval,and given a usersimilarity measure method based on this dividing method.(3)this thesis proposed a new clusteringmethod based on ant colony and ic algorithm,and a (来源：淘豆网[/p-5224577.html])detailed description of the algorithm andIII西南大学硕十学位论文experimental validation.(4)this thesis build apersonalized mendation system model basedon web mining andagent technology.This mode has 2 layers,and each layer posed ofseveral special Agents.Then,the system model is validated by experiment,and this thesis also analysis the factorsaffecting the mended result.This is all the bases for practical use of the mendationsystem.Finally,we concluded and sum(来源：淘豆网[/p-5224577.html])marized the study,and put forward the direction of furtherresearch.Keywords:E-learning,Personalized Service,mendation System,Web Mining,Multi-agent System独创性声明学位论文题目: 星:l曼垦堕i卫g巫撞虫仝蛙丝推薤丕统硒究本人提交的学位论文是在导师指导下进行的研究:J二作及取得的研究成果。论文中引用他人已经发表或出版过的研究成果,文中已加了标注。’学位论文作者:三驾签字日期:呷年畔月垮日学位论文版权使用授权书本学位论文作者完全了解西南大学有关保留、使用学位论文的规定,有权保留并向国家有关部门或机构送交论文的复印件和磁盘:允许论文被查阅和借阅。本人授权西南大学研究生部可以将学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。(保密的学位论文在解密后适用本授权书,本论文:哜保密,口保密期限至年月止(来源：淘豆网[/p-5224577.html]))。^学位论文作者签名=王蠲导师鲐歹彳勿力签字日期:∽7年。5c月Ir日签字日期:≥d昂年髟月孑/台。tj7第1章引言第1章引言Intemet技术的日益成熟和应用的日益广泛使得网络成为人们获取知识的主要途径之一。根据中国互联网信息中一l',,(China work Information Center,删C)最新的统计数字显示【¨,我国29800万的上网用户中有16.5%的用户用于学习与知识浏览,有1.4%的用户用于学术研究,即已超过4917万用户将获取学习资源作为他们上网的主要目的。在巨大的需求的推动下,E.1earning作为一种崭新的教学模式得到了迅速推广和发展,为用户提供了前所未有的丰富的学习资源和灵活的学习方式。E.1earning综合运用网络、通信、多媒体等技术,以网络技术作为支撑,在教师和学生、学生和学生之间提供了便捷快速的通信渠道,打破了过去教师、学生必须面对面、共聚一堂的时间和空间的限制,使更多的入能够享受到有限的社会教育资源,从而普遍收到了人们欢迎。然而由(来源：淘豆网[/p-5224577.html])于技术上的原因,基于Web的E.1earning平台通常以网站为中心,每个学习者看到的都是固定的预先设计好的内容。如果平台上的内容不多,问题暴露不出来;但随着平台资源的逐渐增多,常常出现的问题是学习者希望学习的内容不知道放在了哪里。在这种情况下,人们越来越希望基于W曲的学习平台能够从原先的以“网站&为中心的模式转变为以“学习者&为中心的模式,平台能够自动调整网页内容(或链接)以适合每个学习者的兴趣,让每个学习者感觉到平台就是在为他一个人提供服务。因此,对学生行为和特点进行分析,构建个性化(personalization)的E—learning环境逐渐成为吸引数据挖掘、人工智能和教育技术等众多领域研究者注意的一个热点话题。1.的发展,仍在以指数形式飞速增长,这就是所谓的“信息爆炸”。它为用户提供了一个极具价值、不可或缺的信息源。是一个开放性、动态性和异构性的全球分布式网络,大而无序,资源分布分散,且没有统一的管理和结构,因而用户通常会淹没在大量信息之中,面临着信息过载【2】。因此,从如此浩瀚的信息海洋中准确而迅速地找到自己所需要的信息已经成为困扰用户和开发者的一个难题【3】,即所谓的“信息爆炸,但知识缺乏’’。真正成为人们的信息宝库,它就应该能够提供以下服务:1.准而全的“人找信息”;2.主动的“信息找人”;3.信息的加工、过滤和整理:西南大学硕十学位论文面对浩瀚的信息,怎样既能够得到尽可能多的信息,又能避免那些令人讨厌的信息,始终是一个热门话题。个性化的实质是针对性,即对用户的不同需求采取不同的服务策略,提供不同的服务内容[4]。简单地说,个性化就是为特定的用户指定特定的Web内容、结构或应用,即Web开发人员基于某些条件为特定的个人或用户组设置推荐特定的信息,尽可能使得每个用户在浏览该站点时都有该站点为他独享的感觉,尽可能地迎合每个用户的浏览兴趣并且不断地根据用户浏览兴趣的变化来调整推荐的内容和链接。与不区分用户的普通服务模式相比,个性化服务显然可以提供更高质量的服务。近年来,随着基于Web的E.1earning的发展,越来越多的用户迫切地希望能够在E—learning平台上实现个性化服务。但E—learning中的个性化服务是最近几年才开始发展的。因为传统的E.1earning是以系统自身为中心,并没有充分考虑用户的需求与习惯,要求人来适应系统而不是系统去适应用户,僵化呆板,交互性差,从而降低了学生的学习兴趣,教学效果不明显。概况来说,当前在E—learning中的个性化服务研究中主要存在以下不足:1.大多数仍然停留在理论研究上。由于个性化服务的复杂性,个性化E.1earning在实验室环境下一般能取得较好的效果,但在实际应用中,很少有能够稳定运行、处理大数据量的特别成功的应用实例;2.缺乏对学习者个性信息的有效挖掘。发现学习者个性信息是为学习者提供个性化服务的前提条件。目前多数系统对个性化的支持主要停留在个性化界面的选择上。即使个别系统标榜实现了个性化学习过程,也只停留在自由选择学习时间和学习内容等低层次方面,而未从深层次挖掘学习者个性信息,从而帮助学习者了解自己掌握和接受知识情况,适时调整学习计划。此外,虽然现今存在众多的用于个性化服务的推荐系统,但这些推荐系统大多是针对电子商务领域的。虽然电子商务和网络学习在挖掘方法上有相似之处,但也存在很多的不同之处:1.领域不同。电子商务的目的是如何引导消费者消费,而网络学习是如何引导学生学习;2.数据不同。在电子商务中,数据仅仅是简单的web服务器保留的访问信息,而在网络学习中则需要更多的学生和站点进行交互的信息;3.目的不同。电子商务是为了更好地促进消费,而网络学习是更好地促进学生学习;4.技术不同。由于网络学习固有的一些特点,所以传统的数据挖掘算法不能简单的用于挖掘网络学习信息。因此,如何充分利用Web技术、数据挖掘和人工智能技术在现代教学理论的2第1章引言指导下建立一个实用的个性化网络学习平台还需要做更多的研究工作。1。2研究现状由于传统的E.Learning是以自身为中心,没有充分考虑学生的需求和习惯,要求人来适应系统,致使系统僵化呆板,交互性差,从而降低了学生的学习兴趣,学习效果不明显。为了改变这种状况,吸引了众多研究者关注、研究用于E.1earning环境中的个性化推荐方法。将数据挖掘和Agent技术用于实现个性化是其中的一个研究方向。数据挖掘技术能够从大量的、不完全的、有噪音的、模糊的、随机的实际应用数据中提取隐含在其中的知识和规则,能够获得潜在的信息。而Agent具有的自主性、反应性、主动性等~些重要的行为特征对个性化服务来说也是很有意义。目前,已提出了一些利用数据挖掘和Agent技术来实现E.1earning环境中的个性化方法,主要体现在以下几个方面:1.数据挖掘技术在E—learning个性化服务中的研究Castro等人15J指出了数据挖掘技术和网络学习过程的紧密联系,为数据挖掘在E—learning环境中的应用奠定了基础。Tang等人【6】基于学习者访问网页序列和网页内容等信息,利用聚类分析将具有相似访问特性的学生归为一组,达到提高分组协作学习的效率。随后,他们利用数据聚类和协作过滤技术构建一个智能推荐系统,该系统能够根据用户的爱好和习惯给用户推荐相关的文章。Hamalainen等人【7】利用数据挖掘和机器学习技术构建一个混合系统,该系统能够跟踪和描述学习者的整个学习过程,能够根据学生的学习能力、。学习背景等特性提供不同的学习向导。Damez等人【8】利用决策树技术来分辨学习者是否有相关的学习经验,从而能够为不同的学习者提供不同的学习资料。Markellou等人【9】提出基于语义网的框架,利用关联规则来为相应的学习者提供合适的资料。Wang等人【lo】提出~种四步挖掘学习者使用信息的方法,它利用序列模式挖掘方法、聚类技术和决策树方法来提取学习者的特性,构建一颗决策树,从而达到对新的学习者分组的目的。Lu等人ulJ利用关联规则技术构建一个资料推荐系统,它能够根据学习者的需求为学习者提供推荐。于倩等人【12】分析了个性化服务应用于网络学习环境中的必要,提出一种基于知识点管理的教育资源管理模式,它利用Web挖掘技术建立E.1earning个性化学习模型,实现了学习过程的个性化推荐。王利等人【13】分析现有Web使用挖掘的数据采集技术不足的基础上提出一种综合获取用户浏览信息的方法,并结合内容过滤和协同过滤技术在传统的学习网站中加入个性化推荐模块。常跃峰等人【14】通过对如何构建反映用户真实兴趣模型的研究,提出一种合理的数学模型来刻画E—learning平台下复杂的用户行为,进而根据学生的学习兴趣提供学习资料。西南大学硕士学位论文2.Agent技术在E.1earning个性化服务中的研究Shang等人【l 5】利用Agent技术构建了IDEAL学习系统,该系统能够根据学习者的学习习惯、背景知识等信息为用户提供相关学习资料。Razek等人【1 6】通过对学习者在学习过程中的学习行为和领域知识的分析,利用多Agent技术构建了一个协作学习平台。Markham等人【17】利用Agent技术来对学习者进行监控,以便能够准确地评价学习者对系统的使用情况,从而达到向用户提供个性化服务的目的。王志梅等人【l8】分析了E.1earning平台的使用缺陷,提出了一种新颖的基于多Agent协作学习资源推荐机制,引入学习状态评估向量对复杂学习行为进行建模。实践证明该模型能够提高学习者的学习效率和成绩。3.数据挖掘技术和Agent技术相结合在E.1earning个性化服务中的研究Li等人【l9】利用数据挖掘和Agent技术构建用于网络学习的智能推荐系统,它利用关联规则来发掘用户的行为和URLs之间的关系,Agent根据使用者的历史信息和挖掘结果将相应的学习资料推荐给学习者。Zaiane等人【20】利用Web挖掘技术和Agent技术构建了一个用于E.1earning平台的推荐系统,它通过对用户历史的关联规则分析,实现为未来用户提供个性化推荐服务的目的。总体说来,虽然现在对E.1earning平台的个性化服务研究在如火如荼地展开着,但由于该领域涉及因素众多,还有很多未知的问题有待进一步研究:1.传统学习者兴趣采用“学习者一资源”矩阵的形式来表示,资源信息的获取依赖于资源内容的挖掘,而对资源内容挖掘通常是比较困难的; .2.上述研究工作中,大都着重强调推荐方法的研究,推荐中大都使用比较基本的技术。1.3本文的主要工作和贡献本文的主要工作有:1.对个性化服务系统的体系结构进行了总结,深入研究和学习了Web挖掘技术和Agent技术,为构建基于W曲挖掘的多Agent个性化服务系统奠定基础。2.针对E.1earning平台的特殊性,总结出应用于平台下的推荐机制,构建了基于Web挖掘和Agent技术的推荐系统模型。3.实现了模型中的关键算法,通过实验数据验证了该推荐机制的有效性,对影响推荐结果的相关因素进行了分析。主要贡献是:1.针对E.1earning环境中用户浏览行为的特殊性,提出了基于时间间隔的用户历史信息表示方法,并给出基于该表示方法的用户相似性度量方法;2.将遗传算法融入蚁群算法的每次迭代中,提出了一种新的聚类算法;4第1章引言3.构建了基于Web挖掘的多Agent个性化学习推荐系统模型。1.4论文组织本文后续内容组织如下:第二章详细介绍了相关理论基础。包括:个性化服务系统的体系结构、常用的推荐技术、Web挖掘技术和Agent技术。第三章先详细介绍了用于个性化推荐服务的机制,对推荐中将要采用的技术进行了深入的分析;在推荐机制的基础上,提出了基于Web挖掘的多Agent个性化学习推荐系统模型。第四章提出了一种新的基于蚁群和遗传的混合聚类算法。第五章对本文提出的系统模型进行仿真实验,对推荐过程中的方法、算法进行了验证。第六章对全文进行了总结,指出了研究的不足和进一步研究的方向。1.5本章小结本章介绍了本课题的研究背景及意义,对E.1earning平台下个性化服务研究进行了综述,阐述了本课题将要做的工作和所作的贡献,最后介绍了本文各章节的安排情况。播放器加载中，请稍候...
该用户其他文档
下载所得到的文件列表Elearning环境中个性化推荐系统研究硕士论文.pdf
文档介绍：
Elearning环境中个性化推荐系统研究硕士论文 西南大学硕士学位论文E-learning环境中个性化推荐系统研究姓名:王智申请学位级别:硕士专业:计算机应用技术指导教师:张自力摘要E—learning环境中个性化推荐系统研究计算机应用技术专业硕士研究生王智指导教师张自力教授摘要Intemet技术的迅速发展,使得网络逐渐成为人们获...
内容来自淘豆网转载请标明出处.}