题目：基于协同过滤的学习资源群体推荐模型及应用研究

在信息技术与互联网高度发展的今天，大规模在线公开课程（ ）的学习形式已被人们广泛关注。它以学习者规模大、课程公开、在线学习的特点，受到人们的普遍欢迎，并迅速成现代教育教学体系中的重要形式。在其发展过程中，由于网络学习资源的数量急剧增加，大量的学习资源充斥于网络之中，使得大规模学习者的在线学习很难在大量有用的学习资源中找到需要的信息，从而造成“信息过载”问题。因此，人们急需一种信息过滤技术来解决此问题。

协同过滤作为推荐系统中一种有效的信息过滤技术，已被成功应用于电子商务等诸多方面，并取得较好的效果。协同过滤运用于学习资源推荐中，利用其知识发现技术，可以有效的解决学习过程中的“信息过载”问题。其工作原理与其它推荐过程基本类似，即根据目标用户的历史信息，查找与目标用户历史信息类似的用户形成目标用户邻居集合，然后根据邻居集合中用户的历史信息，向目标用户进行推荐。然而，传统的协同过滤运用于学习资源推荐中，面临着学习资源数量大、数据稀疏性、相似度度量精度低等问题，并且推荐过程中以个体为推荐目标，不能适应在 学习形式中的群组学习形式。如何为学习过程中的群组学习用户进行准确推荐，满足其在学习过程中共同学习目标的需要，由此产生了对学习资源群体推荐的极大需求。

本文的研究目的是针对群组学习形式设计一种基于 的群体推荐模型，并改进传统 算法中存在的制约性问题，以满足群组学习用户在学习过程中的推荐需求。

本文的主要研究工作如下：

（1）通过对现有的文献的研究，分析相关的群组学习形式，个性化推荐系统中协同过滤的相关概念、理论。设计一种基于协同过滤的学习资源群体推荐模型。

（2）对群组学习形式进行进一步研究，对推荐中相关的学习者度量、群组学习形式、学习者相似度度量等问题进行探讨。

（3）对 技术进行研究对比，以应用普遍的 推荐为主要技术进行具体介绍。针对 中存在的问题进行改进。

（4）从推荐系统角度对基于 的 群体推荐模型中采用的多特征 算法进行评估和分析。

（5）对本文提出的基于 的 群体推荐模型，构建原型系统并进行验证分析。