论文部分内容阅读
校园教学平台是为学生提供教学资源的重要工具，随着高校教学水平的进步和互联网的发展，教学资源也越来越多样化，开放式的教学平台也是今后教学平台发展的趋势。基于开放式的教学平台为学生提供个性化的推荐不仅可以为学生提供更人性化的信息服务，也能提高教学资源的利用率。协同过滤算法是如今运用最广泛的主流推荐算法之一，已在互联网各领域实现有目共睹的成果。本文基于开放式教学平台，通过对协同过滤算法的深入研究和分析以及数据实验，将算法与推荐背景相结合以发现最佳算法。并对后期的研究进行展望。 本文主要研究内容如下： 1.对基于开放式校园平台的推荐系统做了详细的背景分析和说明，对教学资源推荐的现状和发展方向进行了阐述。 2.介绍了推荐系统的研究现状，并对当前常用的主流推荐算法进行了详细的说明，以及分析了各算法的优缺点。同时结合校园资源背景分析各类算法在此背景下的可行性。 3.基于校园数据的应用基础详细分析了协同过滤算法的各个步骤，包括数据建模，相似性计算，相似邻的选择，产生推荐和推荐结果的评估几部分，并列举和分析了各部分的各种主流实现算法，以及其在校园资源推荐背景下的可行性。 4.运用Apache Mahout框架，以对外经济贸易大学历史数据为基础，进行推荐算法的仿真实验。通过将协同过滤的各部分中不同算法加以组合，以及运用评估指标评估推荐结果来发现最适合校园推荐背景的推荐方法。并根据目前的限制和不足进行后期的研究展望。