望参考文献致谢北京大学学位论文原创性声明和使用授权说明图表图表图个性化推荐系非顺序有效浏览行为的预测准确率表记忆的遗忘进程表用户浏览行为的分布情况比例表用户有效浏览行营商向用户推送学习服务资源存在很大难度。个性化推荐服务可以提高服务质量改善用户体验，因此在线学习领域对于个性化推荐服务有很大的需求。推荐系统的概念最早出现在电子商务领域，意指通过电商平台向客户提供商品信息和建议，帮助用户进行购买决策，实质上是个模拟销售员帮助顾客完成购买行为的过程。为了发掘用户潜在的兴趣并为用户提供个性化推荐服务，年，等人推出了个性化推荐系统。现相关兴趣度的调整硕士学位论文用户浏览行为规则的发现及权重计算对其他相关知识节点的预估兴趣度的影，第章引言选题背景研究意义研究内容论文结构本章小节第二章文献综述用户兴趣模型兴趣理论用户兴趣模型的表示方法基于时间维度的用户兴趣模型分类用户的兴趣漂移时间窗口法遗忘算法本章小节第三章用户兴趣模型的设计用户兴趣模型的定义用户兴趣随用户行为的漂移用户行为的选取用户行为对兴趣模型的影响时间窗口的调整与滑动用户兴趣随时间的漂移短期兴趣的滤除转变及长期兴趣的遗忘长期兴趣的度量本章小结第四章用户兴趣模型的实现用户行为对兴趣模型的影响用户新兴趣的发现相关兴趣度的调整硕士学位论文用户浏览行为规则的发现及权重计算对其他相关知识节点的预估兴趣度的影移用户行为的选取用户行为对兴趣模型的影响时间窗口的调整与滑动用户兴趣随时间的漂移短期兴趣的滤除转变及长期兴趣的遗忘长期兴趣的度量本章小结第四章用户兴趣模型的实现用户行为对兴趣模型的影响用户新兴趣的发构本章小节第二章文献综述用户兴趣模型兴趣理论用户兴趣模型的表示方法基于时间维度的用户兴趣模型分类用户，第章引言选题背景研究意义研究内容论文结部分内容简介，第章引言选题背景研究意义研究内容论文结构本章小节第二章文献综述用户兴趣模型兴趣理论用户兴趣模型的表示方法基于时间维度的用户兴趣模型分类用户的兴趣漂移时间窗口法遗忘算法本章小节第三章用户兴趣模型的设计用户兴趣模型的定义用户兴趣随用户行为的漂移用户行为的选取用户行为对兴趣模型的影响时间窗口的调整与滑动用户兴趣随时间的漂移短期兴趣的滤除转变及长期兴趣的遗忘长期兴趣的度量本章小结第四章用户兴趣模型的实现用户行为对兴趣模型的影响用户新兴趣的发现相关兴趣度的调整硕士学位论文用户浏览行为规则的发现及权重计算对其他相关知识节点的预估兴趣度的影响时间窗口的调整与滑动时间窗口的调整时间窗口的滑动短期兴趣的滤除转变与长期兴趣的遗忘长期兴趣的度量本章小结第五章验证与评估实验准备实验方案及评估标准实验结果与分析本章小结第六章总结与展望全文总结展望参考文献致谢北京大学学位论文原创性声明和使用授权说明图表图表图个性化推荐系统的通用模型图知识点与学习服务的关联关系图知识结构图艾宾浩斯遗忘曲线图时间窗口图用户兴趣模型的基本结构图发现用户兴趣的过程图用户行为对兴趣模型的影响图顶你学堂中慕课语言程序设计的主页图知识结构部分图处理前的部分用户浏览行为记录图处理后的部分用户浏览行为记录图语言程序设计部分小节课图为的用户的部分兴趣记录图为的用户的部分浏览行为图为的用户的兴趣度数据记录图对非顺序有效浏览行为的预测准确率表记忆的遗忘进程表用户浏览行为的分布情况比例表用户有效浏览行为的分布情况比例表非顺序有效浏览行为分析表存在节点关系的非顺序有效浏览行为分布情况表对用户的有效浏览行为的预测结果统计第章引言第章引言选题背景随着信息技术的迅猛发展互联网的深度普及，互联网用户对于网络服务的质量要求越来越高，最自身用户体验的需求越来越强烈。在线教育领域的运营商为学习用户提供数量众多的学习服务，用户得以在线学习新知识。然而在当前信息爆炸的时代，学习服务资源也有着数量大覆盖领域多的特点，并且存在多个不同学习服务资源讲述相同内容的情况，这使得用户难以对学习资源做出选择甚至用户并不完全清楚自己想获得什么样的学习服务资源，这使得用户不知道如何获得自己想要的学习服务资源同时，用户的需求在不断变化，用户在此时与彼时很可能有着不同的需求，这使得运营商向用户推送学习服务资源存在很大难度。个性化推荐服务可以提高服务质量改善用户体验，因此在线学习领域对于个性化推荐服务有很大的需求。推荐系统的概念最早出现在电子商务领域，意指通过电商平台向客户提供商品信息和建议，帮助用户进行购买决策，实质上是个模拟销售员帮助顾客完成购买行为的过程。为了发掘用户潜在的兴趣并为用户提供个性化推荐服务，年，等人推出了个性化推荐系统。如图所示，个性化推荐系统主要分为三个模块，分别为用户兴趣建模模块推荐对象建模模块和推荐算法模块。用户的偏好信息由用户主动提供或个性化推荐系统采集。个性化推荐系统把用户兴趣模型中的兴趣信息与推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。图个性化推荐系统的通用模型硕士学位论文个性化推荐系统应用于在线教育领域，就有了个性化学习服务推荐系统。它根据用户的偏好知识结构和学习行为等因素向用户推荐其感兴趣的课程知识点等各种在线学习资源。在该系统中，由于用户兴趣不断变化，这种变化不仅仅是对事物感兴趣的程度上的变化，甚至还会有对感兴趣的事物的范围的变化，导致系统难以获取准确的用户兴趣信息，所以用户兴趣模型是学习服务推荐系统能否有效推荐满足用户学习需求的学习服务的关键。基于不合理的用户兴趣模型的推荐服务，其结果也极可能是与用户的兴趣不相符的，甚至可能是极不准确的，这不但导致个性化推荐的初衷不能实现，而且制造了更多垃圾信息，甚至加深了用户对于学习服务选择的困惑，使得用户体验下降，其结果适得其反。本文的研究内容即设计个用户兴趣模型，并将其实现，该模型可作为个性化学习服务推荐系统的部分，为之后的推荐算法提供用户兴趣数据。本文选题来源于国家自然科学基金青年基金项目基于用户兴趣漂移的知识结构和个性化学习服务推荐项目编号。研究意义根据用户兴趣的漂移建立用户兴趣模型，可以丰富用户模型理论的内涵。建立用户兴趣模型是个性化推荐的前提和基础，对用户行为预测有重要的数据支撑作用，用户兴趣模型的好坏能够很大程度决定推荐算法的推荐结果的优劣。个好的用户兴趣模型，能够准确的描述用户的兴趣偏好，使得推荐算法的推荐内容更有可能符合用户的兴趣偏好，从而使得推荐内容被用户采纳。对于电子商务音乐推荐新闻推送等领域的用户模型构建有定的借鉴意义。研究内容本文的研究内容即设计个新的用户兴趣模型，并将其实现及进行验证。本文拟提出的用户兴,对知识点采用短期模型，通过以下代码获取拟滤除的短期知识点兴趣硕士学位论文,对兴趣进行窗口计数更新滤除转变或遗忘。其中参数中的型参数用于标记是增加窗口计数还是减小窗口计数。长期兴趣的度量两次时间窗口滑动期间的长期兴趣的兴趣度更新和短期兴趣是致的，因此在此只说明基于渐进遗忘方法的长期兴趣度量，它是滑动窗口时对用户长期兴趣的重新度量，需要分析近期的多个时间窗口内的用户行为数据。此外，还需要考虑时间因素，因为长期兴趣的兴趣度是依据渐进衰减的方式进行维护的，行为数据随着时间的推移，对于兴趣度量的影响也逐渐被淡化。因为遗忘因子已随着依据浏览行为的时间窗口调整而动态更新，因此在计算历史行为的权重时只需根据式计算即可，方法即用于计算上述权重，其代码如下上述代码中的和即式中的𝑡𝑚𝑖𝑛和𝑡𝑚𝑎𝑥，它们是通过比较所获取的浏览等行为的开始结束时间获得的，通过分析浏览行为的起始结束时间获取其中最早的起始时间最晚的结束时间即可。以上代码中涉及到时间窗口对应的遗忘因子，计算遗忘因子的方法即式式，代码实现如下第四章用户兴趣模型的实现本文第三章节中，基于渐进遗忘函数进行长期兴趣度量时获取的预分析数据需满足个条件，通过设定预取行为数据的时间限制来筛选预取数据，确定作为时间限制的时间的代码如下，本文中根据几种用户行为进行长期兴趣度量的原理是样的，在此以对与知识点关联的小节课的笔记行为记录为例，根据笔记行为记录进行长期兴趣度量的方法部分代码如下本章小结本章详细说明了本文提出的用户兴趣模型的实现，包括时间窗口的调整方法以及何时滑动时间窗口如何滑动时间窗口和滑动时间窗口伴随的数据更新。尝试发现新兴趣的方法根据用户行为对相关兴趣度的更新和对其他相关知识节点的预估兴趣度计算方法和基于用户有效浏览行为的规则的发现与权重计算方法，还有基于渐进遗忘的长期兴趣的度量方法均在本章进行了详细说明，对兴趣的转变方法和遗忘方法也进行了详细介绍。硕士学位论文第五章验证与评估第五章验证与评估实验准备数据源本文验证数据来源于国内大型平台顶你学堂。顶你学堂有大量的用户，其中有不少用户有相对稳定的在线学习需求和持续的学习行为。获取到的数据中，顶你学堂的编号为的慕课语言程序设计是此平台中目前在线学习人数和用户数据最多的门课程，其主页截图如图所示。图顶你学堂中慕课语言程序设计的主页硕士学位论文构建知识结构因为当前没有获取到已有的的知识结构，所以需要自己构建的知识结构，本文实验构建的知识结构是针对语言程序设计课程构建的，与实际的知识结构可能会有些出入。本文实验构建的知识结构图如图所示。图中的有向线可表示节点间的前驱后继关系，起点代表前驱，终点代表后继。个节点可以由多个前驱，也可以有多个后继，可以没有前驱，也可以没有后继有共同后继的节点间存在后交关系有共同前驱的节点间存在前交关系。图知识结构部分第五章验证与评估数据预处理本次实验对用户浏览笔记提问行为数据进行分析。从顶你学堂平台获取到的数据是以文件的形式保存的，而且其中的字段并不能与本文中用户兴趣