基于GWT和个性化算法的教学资源推荐系统的研究
这是一篇关于GWT,教学资源推荐系统,web2.0,协同过滤推荐算法,聚类算法的论文, 主要内容为现如今,大家对计算机和互联网已经不再陌生,不同的领域、不同的行业都要涉足互联网。人们在网络上实时的分享信息、共享资源,带来了前所未有的盛况。然而,随着越来越多的信息资源在网上出现,带来了信息的巨大问题——信息爆炸。尽管现在互联网资源有简单的分类和标签,但是面对互联网上的海量资源,用户难免会在寻找真正适合自己信息上浪费大量时间和精力。专家和学者为了解决互联网信息爆炸问题,推出了两个引擎,一个是搜索引擎,它在用户大体明确自己需要的资源方向的情况下使用；一个是推荐引擎,后者根据用户的爱好和自身标签,将他可能需要的资源信息推荐给他。目前,部分高校虽然已经有类似教学资源管理系统的教辅系统,但是教学辅助系统在国内的教育领域的普及程度还不是很高,并且极少包含教学资源推荐系统,而在国内的电子商务网站内,在同等行业竞争激烈的情况下,增加用户体验即等于提高公司效益,正因如此,推荐系统在电子商务以及一些商业网站应用普遍。因此借鉴成功的商业网站案例来做推荐系统是一个不错的方向。本文的研究目的是基于GWT对教学资源推荐系统进行研究与实现,为学习者营造一个良好的在线学习环境,提供个性化的知识资源导航功能,并从一定程度上降低教学资源推荐的复杂性和开发成本。本文的主要工作如下：(1)本课题提出了一种基于GWT,并结合SpringMVC, Hibernate实现的教学资源推荐系统开发框架。与现阶段的教学资源推荐系统应用框架相比,该框架的关键特性是可让开发者尽可能不学习和使用第二种语言而简便地编写AJAX应用,大大减少了开发代价；同时对整个系统进行分层,开发更直观、可靠,该框架充分利用了成熟的平台和技术,在有效地减少了软件开发周期和开发成本的同时,也有效提升了教学资源推荐系统的人机交互体验和实时性需求。基于GWT的应用框架与Spring MVC Hibernate框架相结合,该开发框架提出了基于GWT的Web应用程序的分层结构,使开发更清晰明了。(2)本课题将在原有的协同过滤算法的基础之上结合聚类算法,提出一种个性化的混合算法。使用Weka进行数据挖掘,同时研究基于用户聚类的协同过滤算法在教学资源推荐系统的应用。当前的推荐算法有很多,协同过滤推荐算法是目前使用频率最高的一种推荐算法,分为基于用户的推荐和基于项目的推荐两种方法。本课题中系统将在固定的时间内,离线进行用户的聚类,在线推荐时使用协同过滤推荐算法达到事半功倍的效果。在协同算法的基础上融合基于用户聚类的算法,解决用户行为信息过载、评分矩阵稀疏以及推荐速度瓶颈等问题,建立更加有效的系统推荐算法,实现教学资源的推荐,使得该系统可以高效、定制化的将教学资源推荐给学生。解决现存的教学资源推荐系统中学习者在进行选择的时候的盲目问题,塑造更好的用户体验,为学习者提供个性化的学习服务。上述研究已在国际上知名的会议以及期刊上发表EI学术论文2篇。
基于GWT和个性化算法的教学资源推荐系统的研究
这是一篇关于GWT,教学资源推荐系统,web2.0,协同过滤推荐算法,聚类算法的论文, 主要内容为现如今,大家对计算机和互联网已经不再陌生,不同的领域、不同的行业都要涉足互联网。人们在网络上实时的分享信息、共享资源,带来了前所未有的盛况。然而,随着越来越多的信息资源在网上出现,带来了信息的巨大问题——信息爆炸。尽管现在互联网资源有简单的分类和标签,但是面对互联网上的海量资源,用户难免会在寻找真正适合自己信息上浪费大量时间和精力。专家和学者为了解决互联网信息爆炸问题,推出了两个引擎,一个是搜索引擎,它在用户大体明确自己需要的资源方向的情况下使用；一个是推荐引擎,后者根据用户的爱好和自身标签,将他可能需要的资源信息推荐给他。目前,部分高校虽然已经有类似教学资源管理系统的教辅系统,但是教学辅助系统在国内的教育领域的普及程度还不是很高,并且极少包含教学资源推荐系统,而在国内的电子商务网站内,在同等行业竞争激烈的情况下,增加用户体验即等于提高公司效益,正因如此,推荐系统在电子商务以及一些商业网站应用普遍。因此借鉴成功的商业网站案例来做推荐系统是一个不错的方向。本文的研究目的是基于GWT对教学资源推荐系统进行研究与实现,为学习者营造一个良好的在线学习环境,提供个性化的知识资源导航功能,并从一定程度上降低教学资源推荐的复杂性和开发成本。本文的主要工作如下：(1)本课题提出了一种基于GWT,并结合SpringMVC, Hibernate实现的教学资源推荐系统开发框架。与现阶段的教学资源推荐系统应用框架相比,该框架的关键特性是可让开发者尽可能不学习和使用第二种语言而简便地编写AJAX应用,大大减少了开发代价；同时对整个系统进行分层,开发更直观、可靠,该框架充分利用了成熟的平台和技术,在有效地减少了软件开发周期和开发成本的同时,也有效提升了教学资源推荐系统的人机交互体验和实时性需求。基于GWT的应用框架与Spring MVC Hibernate框架相结合,该开发框架提出了基于GWT的Web应用程序的分层结构,使开发更清晰明了。(2)本课题将在原有的协同过滤算法的基础之上结合聚类算法,提出一种个性化的混合算法。使用Weka进行数据挖掘,同时研究基于用户聚类的协同过滤算法在教学资源推荐系统的应用。当前的推荐算法有很多,协同过滤推荐算法是目前使用频率最高的一种推荐算法,分为基于用户的推荐和基于项目的推荐两种方法。本课题中系统将在固定的时间内,离线进行用户的聚类,在线推荐时使用协同过滤推荐算法达到事半功倍的效果。在协同算法的基础上融合基于用户聚类的算法,解决用户行为信息过载、评分矩阵稀疏以及推荐速度瓶颈等问题,建立更加有效的系统推荐算法,实现教学资源的推荐,使得该系统可以高效、定制化的将教学资源推荐给学生。解决现存的教学资源推荐系统中学习者在进行选择的时候的盲目问题,塑造更好的用户体验,为学习者提供个性化的学习服务。上述研究已在国际上知名的会议以及期刊上发表EI学术论文2篇。
基于GWT和个性化算法的教学资源推荐系统的研究
这是一篇关于GWT,教学资源推荐系统,web2.0,协同过滤推荐算法,聚类算法的论文, 主要内容为现如今,大家对计算机和互联网已经不再陌生,不同的领域、不同的行业都要涉足互联网。人们在网络上实时的分享信息、共享资源,带来了前所未有的盛况。然而,随着越来越多的信息资源在网上出现,带来了信息的巨大问题——信息爆炸。尽管现在互联网资源有简单的分类和标签,但是面对互联网上的海量资源,用户难免会在寻找真正适合自己信息上浪费大量时间和精力。专家和学者为了解决互联网信息爆炸问题,推出了两个引擎,一个是搜索引擎,它在用户大体明确自己需要的资源方向的情况下使用；一个是推荐引擎,后者根据用户的爱好和自身标签,将他可能需要的资源信息推荐给他。目前,部分高校虽然已经有类似教学资源管理系统的教辅系统,但是教学辅助系统在国内的教育领域的普及程度还不是很高,并且极少包含教学资源推荐系统,而在国内的电子商务网站内,在同等行业竞争激烈的情况下,增加用户体验即等于提高公司效益,正因如此,推荐系统在电子商务以及一些商业网站应用普遍。因此借鉴成功的商业网站案例来做推荐系统是一个不错的方向。本文的研究目的是基于GWT对教学资源推荐系统进行研究与实现,为学习者营造一个良好的在线学习环境,提供个性化的知识资源导航功能,并从一定程度上降低教学资源推荐的复杂性和开发成本。本文的主要工作如下：(1)本课题提出了一种基于GWT,并结合SpringMVC, Hibernate实现的教学资源推荐系统开发框架。与现阶段的教学资源推荐系统应用框架相比,该框架的关键特性是可让开发者尽可能不学习和使用第二种语言而简便地编写AJAX应用,大大减少了开发代价；同时对整个系统进行分层,开发更直观、可靠,该框架充分利用了成熟的平台和技术,在有效地减少了软件开发周期和开发成本的同时,也有效提升了教学资源推荐系统的人机交互体验和实时性需求。基于GWT的应用框架与Spring MVC Hibernate框架相结合,该开发框架提出了基于GWT的Web应用程序的分层结构,使开发更清晰明了。(2)本课题将在原有的协同过滤算法的基础之上结合聚类算法,提出一种个性化的混合算法。使用Weka进行数据挖掘,同时研究基于用户聚类的协同过滤算法在教学资源推荐系统的应用。当前的推荐算法有很多,协同过滤推荐算法是目前使用频率最高的一种推荐算法,分为基于用户的推荐和基于项目的推荐两种方法。本课题中系统将在固定的时间内,离线进行用户的聚类,在线推荐时使用协同过滤推荐算法达到事半功倍的效果。在协同算法的基础上融合基于用户聚类的算法,解决用户行为信息过载、评分矩阵稀疏以及推荐速度瓶颈等问题,建立更加有效的系统推荐算法,实现教学资源的推荐,使得该系统可以高效、定制化的将教学资源推荐给学生。解决现存的教学资源推荐系统中学习者在进行选择的时候的盲目问题,塑造更好的用户体验,为学习者提供个性化的学习服务。上述研究已在国际上知名的会议以及期刊上发表EI学术论文2篇。
基于GWT和个性化算法的教学资源推荐系统的研究
这是一篇关于GWT,教学资源推荐系统,web2.0,协同过滤推荐算法,聚类算法的论文, 主要内容为现如今,大家对计算机和互联网已经不再陌生,不同的领域、不同的行业都要涉足互联网。人们在网络上实时的分享信息、共享资源,带来了前所未有的盛况。然而,随着越来越多的信息资源在网上出现,带来了信息的巨大问题——信息爆炸。尽管现在互联网资源有简单的分类和标签,但是面对互联网上的海量资源,用户难免会在寻找真正适合自己信息上浪费大量时间和精力。专家和学者为了解决互联网信息爆炸问题,推出了两个引擎,一个是搜索引擎,它在用户大体明确自己需要的资源方向的情况下使用；一个是推荐引擎,后者根据用户的爱好和自身标签,将他可能需要的资源信息推荐给他。目前,部分高校虽然已经有类似教学资源管理系统的教辅系统,但是教学辅助系统在国内的教育领域的普及程度还不是很高,并且极少包含教学资源推荐系统,而在国内的电子商务网站内,在同等行业竞争激烈的情况下,增加用户体验即等于提高公司效益,正因如此,推荐系统在电子商务以及一些商业网站应用普遍。因此借鉴成功的商业网站案例来做推荐系统是一个不错的方向。本文的研究目的是基于GWT对教学资源推荐系统进行研究与实现,为学习者营造一个良好的在线学习环境,提供个性化的知识资源导航功能,并从一定程度上降低教学资源推荐的复杂性和开发成本。本文的主要工作如下：(1)本课题提出了一种基于GWT,并结合SpringMVC, Hibernate实现的教学资源推荐系统开发框架。与现阶段的教学资源推荐系统应用框架相比,该框架的关键特性是可让开发者尽可能不学习和使用第二种语言而简便地编写AJAX应用,大大减少了开发代价；同时对整个系统进行分层,开发更直观、可靠,该框架充分利用了成熟的平台和技术,在有效地减少了软件开发周期和开发成本的同时,也有效提升了教学资源推荐系统的人机交互体验和实时性需求。基于GWT的应用框架与Spring MVC Hibernate框架相结合,该开发框架提出了基于GWT的Web应用程序的分层结构,使开发更清晰明了。(2)本课题将在原有的协同过滤算法的基础之上结合聚类算法,提出一种个性化的混合算法。使用Weka进行数据挖掘,同时研究基于用户聚类的协同过滤算法在教学资源推荐系统的应用。当前的推荐算法有很多,协同过滤推荐算法是目前使用频率最高的一种推荐算法,分为基于用户的推荐和基于项目的推荐两种方法。本课题中系统将在固定的时间内,离线进行用户的聚类,在线推荐时使用协同过滤推荐算法达到事半功倍的效果。在协同算法的基础上融合基于用户聚类的算法,解决用户行为信息过载、评分矩阵稀疏以及推荐速度瓶颈等问题,建立更加有效的系统推荐算法,实现教学资源的推荐,使得该系统可以高效、定制化的将教学资源推荐给学生。解决现存的教学资源推荐系统中学习者在进行选择的时候的盲目问题,塑造更好的用户体验,为学习者提供个性化的学习服务。上述研究已在国际上知名的会议以及期刊上发表EI学术论文2篇。
基于GWT和个性化算法的教学资源推荐系统的研究
这是一篇关于GWT,教学资源推荐系统,web2.0,协同过滤推荐算法,聚类算法的论文, 主要内容为现如今,大家对计算机和互联网已经不再陌生,不同的领域、不同的行业都要涉足互联网。人们在网络上实时的分享信息、共享资源,带来了前所未有的盛况。然而,随着越来越多的信息资源在网上出现,带来了信息的巨大问题——信息爆炸。尽管现在互联网资源有简单的分类和标签,但是面对互联网上的海量资源,用户难免会在寻找真正适合自己信息上浪费大量时间和精力。专家和学者为了解决互联网信息爆炸问题,推出了两个引擎,一个是搜索引擎,它在用户大体明确自己需要的资源方向的情况下使用；一个是推荐引擎,后者根据用户的爱好和自身标签,将他可能需要的资源信息推荐给他。目前,部分高校虽然已经有类似教学资源管理系统的教辅系统,但是教学辅助系统在国内的教育领域的普及程度还不是很高,并且极少包含教学资源推荐系统,而在国内的电子商务网站内,在同等行业竞争激烈的情况下,增加用户体验即等于提高公司效益,正因如此,推荐系统在电子商务以及一些商业网站应用普遍。因此借鉴成功的商业网站案例来做推荐系统是一个不错的方向。本文的研究目的是基于GWT对教学资源推荐系统进行研究与实现,为学习者营造一个良好的在线学习环境,提供个性化的知识资源导航功能,并从一定程度上降低教学资源推荐的复杂性和开发成本。本文的主要工作如下：(1)本课题提出了一种基于GWT,并结合SpringMVC, Hibernate实现的教学资源推荐系统开发框架。与现阶段的教学资源推荐系统应用框架相比,该框架的关键特性是可让开发者尽可能不学习和使用第二种语言而简便地编写AJAX应用,大大减少了开发代价；同时对整个系统进行分层,开发更直观、可靠,该框架充分利用了成熟的平台和技术,在有效地减少了软件开发周期和开发成本的同时,也有效提升了教学资源推荐系统的人机交互体验和实时性需求。基于GWT的应用框架与Spring MVC Hibernate框架相结合,该开发框架提出了基于GWT的Web应用程序的分层结构,使开发更清晰明了。(2)本课题将在原有的协同过滤算法的基础之上结合聚类算法,提出一种个性化的混合算法。使用Weka进行数据挖掘,同时研究基于用户聚类的协同过滤算法在教学资源推荐系统的应用。当前的推荐算法有很多,协同过滤推荐算法是目前使用频率最高的一种推荐算法,分为基于用户的推荐和基于项目的推荐两种方法。本课题中系统将在固定的时间内,离线进行用户的聚类,在线推荐时使用协同过滤推荐算法达到事半功倍的效果。在协同算法的基础上融合基于用户聚类的算法,解决用户行为信息过载、评分矩阵稀疏以及推荐速度瓶颈等问题,建立更加有效的系统推荐算法,实现教学资源的推荐,使得该系统可以高效、定制化的将教学资源推荐给学生。解决现存的教学资源推荐系统中学习者在进行选择的时候的盲目问题,塑造更好的用户体验,为学习者提供个性化的学习服务。上述研究已在国际上知名的会议以及期刊上发表EI学术论文2篇。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设海岸 ，原文地址：https://bishedaima.com/lunwen/51764.html
