基于WEB挖掘的E-learning环境下的个性化教学平台研究

论文摘要

E-learning的发展和应用为用户学习提供了前所未有的丰富资源和灵活性,在服务器上运行的教学平台可以同时接受多个用户访问,使资源利用率大大提高,而且教学不受时间、空间和地域的限制,使用户实现了自主学习。但目前基于Web的E-learning平台仍是以网站为中心,不能根据用户的个性特征对教学资源进行推荐。因此,如何设计个性化的E-learning教学平台,逐渐成为众多领域研究者关注的一个热点问题。本文以Web挖掘技术为基础,通过分析E-learning环境下用户的浏览行为和浏览内容,提出了一种新的基于向量空间模型的混合模型,并用2层树状结构模型来表示用户兴趣,同时根据用户对页面的访问次数,浏览速度和驻留时间来更新模型；其次提出了一个个性化的教学推荐模型,其特点是可以分别对访问日志和交互数据进行挖掘,接着分析了从Web日志数据中提取访问事务集的过程,并利用关联规则生成频繁项集,在此基础上提出了一种新的基于频繁项集的个性化推荐算法；最后,应用所建立的模型和算法,构建了个性化的E-learning教学平台,并实现了该平台的原型系统。实验表明,该系统能根据用户的兴趣和学习进度,给用户提供相应的个性化服务。个性化的E-learning教学系统涉及到的领域很广泛,本文工作只是建立了用户兴趣模型和个性化的教学推荐模型,且实现的原型系统和实际应用还有一定的距离,这将是下一步的研究方向。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 我国网络教育的现状及存在问题
• 1.1.1 网络教育的现状
• 1.1.2 网络教育资源的定义
• 1.1.3 网络教育资源存在的问题
• 1.2 远程教育教学模式的相关设计标准
• 1.2.1 远程教育标准
• 1.2.2 我国远程教育技术标准研究
• 1.3 个性化教育的概念及现状
• 1.4 个性化E-LEARNING提供的服务
• 1.5 本文工作
• 第二章 中文WEB挖掘技术
• 2.1 WEB挖掘的定义和分类
• 2.2 WEB内容挖掘
• 2.3 WEB结构挖掘
• 2.4 WEB日志挖掘
• 2.4.1 Web日志格式
• 2.4.2 日志挖掘技术
• 2.5 WEB挖掘中存在的问题及发展趋势
• 2.5.1 当前Web挖掘中存在的问题
• 2.5.2 Web挖掘技术发展趋势
• 2.6 个性化推荐技术
• 2.6.1 个性化的定义
• 2.6.2 个性化推荐的实现方法
• 2.6.3 个性化推荐技术的研究现状
• 2.7 小结
• 第三章 网络教学中用户的兴趣分析
• 3.1 基于浏览行为的用户兴趣分析
• 3.1.1 浏览行为对用户兴趣的体现
• 3.1.2 基于浏览行为的用户兴趣分析
• 3.1.3 用户兴趣度的估计
• 3.2 基于浏览内容的用户兴趣分析
• 3.2.1 元数据获取
• 3.2.2 文本的过滤和表示
• 3.2.3 文本的向量空间模型表示
• 3.2.4 文本分类
• 3.3 基于向量空间模型的混合模型
• 3.3.1 用户模型的表示
• 3.3.2 用户兴趣类权值分析
• 3.3.3 页面兴趣等级对权值的影响
• 3.3.4 用户模型的更新
• 3.4 小结
• 第四章 构建个性化的教学推荐模型
• 4.1 个性化教学模型的建立
• 4.2 WEB访问事务集的获取
• 4.3 WEB访问事务模型的建立
• 4.3.1 Web访问事务模型的表示
• 4.3.2 访问事务聚类
• 4.4 提取频繁WEB页面集
• 4.5 个性化推荐算法
• 4.5.1 频繁项集图的构造
• 4.5.2 个性化推荐算法
• 4.6 本章小结
• 第五章 个性化E-LEARNING平台原型系统设计
• 5.1 个性化E-LEARNING教学环境
• 5.2 在线推荐流程
• 5.3 算法实现
• 5.3.1 LEARNER算法
• 5.3.2 个性化分析算法
• 5.3.3 CBR算法
• 5.3.4 个性化过滤算法
• 5.4 小结
• 第六章 结束语
• 致谢
• 参考文献
• 研究成果