【正文】 點放到對知識結(jié)構(gòu)與習題資源本身的信息的利用和處理上，以解決在ITS系統(tǒng)中為學生從海量資源中進行個性化資源推薦的問題，并將通過實驗證明該算法和系統(tǒng)的理論價值與應用價值。歸一化：如前面講到的，在計算用戶對物品的喜好程度時，可能需要對不同的行為數(shù)據(jù)進行加權(quán)。固定聚類數(shù)的鄰居: Kmeans算法是很典型的基于距離的聚類算法，采用距離作為相似性的評價指標，即認為兩個對象的距離越近，其相似度就越大。重復迭代第一步和第二步直到質(zhì)心不變或者變化很小。由于我們事先不知道類別y，那么我們首先可以對每個樣例假定一個y吧，但是怎么知道假定的對不對呢？怎么評價假定的好不好呢？我們使用樣本的極大似然估計來度量，這里是就是x和y的聯(lián)合分布P(x,y)了。圖 2 給出了一個例子，對于用戶 A，根據(jù)用戶的歷史偏好，這里只計算得到一個鄰居 用戶C，然后將用戶C喜歡的物品D 推薦給用戶A。而最小支持度閾值和最小置信度閾值也是決定一個事務集合是否是頻繁事務集和一個關聯(lián)規(guī)則是否成立的決定因素。如圖 ，整個 WEKA 數(shù)據(jù)挖掘系統(tǒng)的過程包括輸入要測試的數(shù)據(jù)集，然后對待測數(shù)據(jù)進行預處理，再將處理后的數(shù)據(jù)集置于一種學習方案中并分析其結(jié)果或是將已學習到的模型來預測未知的實例，或是將數(shù)據(jù)集置于不同的學習方案中，針對各種方案的學習結(jié)果進行模式評估，以找出最佳性能的學習方案。每個用戶都有自己的歷史提交序列，影響序列的因素有：提交成績（Result或者Score）、提交題目的難度（Level），利用這兩個因素整合出可以體現(xiàn)當前時間點下哪些習題是適合當前學生的序列。如果支持度和置信度都超過了相應的閾值，則從X到Y(jié)的規(guī)則被認為是有效的。從系統(tǒng)共應用角度出發(fā)，系統(tǒng)設計了用戶信息表（User）、學生表(Student)、習題表(Content)、用戶習題映射表（SCMap）四張表，采用關系型數(shù)據(jù)庫 MYSQL作為存儲數(shù)據(jù)庫，：用戶信息表，包含用戶id，用戶名，密碼，班級，性別，狀態(tài)，電子郵箱等信息：字段名描述類型長度可否為空主鍵值域Id用戶Id值String32NY無dept班級String20YN無account帳戶名String20YN學號name姓名String20YN無password密碼String20YN無headImg頭像String255YN無gender性別String2YN男，女state狀態(tài)（是否激活）String20YN是，否mobile手機String20YN無郵箱String20YN無birthday生日Date0YN日期memo說明String255YN無Student表，包含學生學號，班級，候選題目：字段名描述類型長度可否為空主鍵值域sId學生學號String32NY無Dept班級String20YN無scmList候選題SCMap　YNSCMapContent表，包含題號，標題，題目內(nèi)容，關鍵字，候選學生：字段名描述類型長度可否為空主鍵值域cid題目id值String32NY無Title題目標題String32YN無Detail題目內(nèi)容String255YN無coreWord關鍵字String20YN無scmList候選學生SCMap　YNSCMapSCMap表，對應id，學號，題號，比重：字段名描述類型長度可否為空主鍵值域Idid值String32NY無Stu學生Student　YNStudentCont題目Content　YNContentscImop可能性String20YN無系統(tǒng)會預先為每個即將登陸用戶創(chuàng)建賬戶，其中帳戶名為每位學生的學號，記錄為Student類中的account字段，表示該用戶的用戶名。而且由于不同層之間耦合度小，有利于團隊成員并行工作，大大提高了開發(fā)效率。這次畢業(yè)設計我做的是基于OJ數(shù)據(jù)的習題個性化推薦項目。Mohammad Bagher amp。最后，感謝數(shù)學與系統(tǒng)科學學院所有相關的領導以及老師們，在課題的開題、初稿和預答辯期間所提出的寶貴意見，在課題研究期間對我的幫助和指導，感謝山東科技大學對我的培養(yǎng)!附錄附錄1 英文原文Personalized remendation of learning material using sequential pattern mining and attribute based collaborative filteringAbstractMaterial remender system is a significant part of elearning systems for personalization and remendation of appropriate materials to learners. However, in the existing remendation algorithms, dynamic interests and multipreference of learners and multidimensionalattribute of materials are not fully considered simultaneously. Moreover, these algorithms cannot effectively use the learner’s historical sequential patterns of material accessing in remendation. For addressing these problems and improving the accuracy and quality of remendation, a new material remender system framework based on sequential pattern mining and multidimensional attributebased collaborative filtering (CF) is proposed. In the sequential pattern based approach, modified Apriori and PrefixSpan algorithms are implemented to discover latent patterns in accessing of materials and use them for remendation. Leaner Preference Tree (LPT) is introduced to take into account multidimensionalattribute of materials, and learners’ rating and model dynamic and multipreference of learners in the multidimensional attributebased CF approach. Finally, the remendation results of two approaches are bined using cascade, weighted and mixed methods. The proposed method outperforms the previous algorithms on the classification accuracy measures and the learner’s real learning preference can be satisfied accurately according to the realtime up dated contextual information.Keywords: Personalized remendation 。a et al. 2011。老師在繁忙的科研工作之中還能兼顧我的論文指導，令我非常感動。通過這次畢業(yè)設計我收獲良多，獲得了許多寶貴的知識，學到了在許多書本上不可能學到的東西。經(jīng)過這次努力對自己的信心很好的提高。示例代碼：: userStruts配置文件在業(yè)務層中，管理服務組件的Spring IoC容器負責向Action提供業(yè)務模型(Model)組件和該組件的協(xié)作對象數(shù)據(jù)處理(DAO)組件完成業(yè)務邏輯，并提供事務處理、緩沖池等容器組件以提升系統(tǒng)性能和保證數(shù)據(jù)的完整性。其中，信息分析包括基礎數(shù)據(jù)來源（初始化系統(tǒng)數(shù)據(jù)庫需要的數(shù)據(jù)）： 習題庫：題目難度等級，題號，題目類型，題目關鍵字學生庫：學號，學生姓名 OJ系統(tǒng)提供的數(shù)據(jù)：學號，題號，得分S，答題時間T,提交次數(shù)F，題目難度E（1）數(shù)據(jù)的預處理（目標：初始化系統(tǒng)中的SCMap類，該類記錄了學號、題號、比重（絕對比重），初始化該類的目的提供weka數(shù)據(jù)分析）：簡單而言就是：將源數(shù)據(jù)中的相同學號和題號的記錄整合為一條記錄，具體方式參見整合原則難點：比重的計算：(e*t)/（s*f）整合原則： s得分：由學生提交同一個題目的最高得分為標準； f次數(shù)：源數(shù)據(jù)直接整理得到； e題目難度：系統(tǒng)中的題目難度分為五個等級（5）。系統(tǒng)接收來自weka返回的十個題號，通過對這10題號進行搜索，從而找到另一部分題目Contents2（待處理）。最后，提出一種新穎的度量方法，估計一個用戶群的用戶對某推薦習題的感興趣程度的概率，這樣就避免了數(shù)據(jù)稀疏帶來的問題。 WEKA 的諸多特點可以反映出，WEKA 的功能還是比較完善的。一般而言，F(xiàn)PGrowth要比Apriori快至少一個數(shù)量級?？傮w思想還是一個迭代優(yōu)化過程，有目標函數(shù)，也有參數(shù)變量，只是多了個隱含變量，確定其他參數(shù)估計隱含變量，再確定隱含變量估計其他參數(shù)，直至目標函數(shù)最優(yōu)。（在理論上，可以有多組不同的和c值能夠使得J取得最小值，但這種現(xiàn)象實際上很少見）。假設要計算點1的5個鄰居，那么根據(jù)點之間的距離，我們?nèi)∽罱?個點，分別是點2，點3，點4，點7和點5?？梢韵胂螅@種推薦策略在 Web 的長尾中是很重要的，將大眾流行的東西推薦給長尾中的人怎么可能得到好的效果，這也回到推薦系統(tǒng)的一個核心問題：了解你的用戶，然后才能給出更好的推薦(1)基于用戶的協(xié)同過濾 首先，要實現(xiàn)協(xié)同過濾，需要以下3個核心步驟：①收集用戶偏好:從用戶的行為和偏好中發(fā)現(xiàn)規(guī)律，并基于此給予推薦，如何收集用戶的偏好信息成為系統(tǒng)推薦效果最基礎的決定因素。相比于利益驅(qū)動的電子商務領域個性化推薦算法的蓬勃發(fā)展，主要應用于教育領域的個性化推薦算法的研究則相對疲軟。其廣闊的發(fā)展前景使得越來越多的專家開始投入到對ITS的研究中，希望可以憑借計算機對知識的有效處理，由計算機代替老師來提高學生學習效率，并最終實現(xiàn)人類對其自身認知過程的終極解碼。集體智慧 (Collective Intelligence) [7]，大家在Web應用中利用集體智慧構(gòu)建更加有趣的應用或者得到更好的用戶體驗。在推薦的場景中，在用戶 物品偏好的二維矩陣中，我們可以將一個用戶對所有物品的偏好作為一個向量來計算用戶之間的相似度，或者將所有用戶對某個物品的偏好作為一個向量來計算物品之間的相似度。第二如何估計P(x,y)，P(x,y)還可能依賴很多其他參數(shù)，如何調(diào)整里面的參數(shù)讓P(x,y)最大。其實際的意義為購買了一些物品的用戶更傾向于購買另一些物品。并且存在熱門項目容易被過度推薦的問題。在該層，先對數(shù)據(jù)進行預處理，再將處理后的數(shù)據(jù)集置于學習方案中，進行相應的挖掘任務。（由于目前源數(shù)據(jù)中沒有將習題進行難度分類，所以該字段的初始化為3）； t答題時間：限制為一個小時，分為三個時間段（10分鐘以內(nèi)，30分鐘以內(nèi)，60分鐘以內(nèi)，分為1，2，3個階段）（源數(shù)據(jù)中沒有學生答題時間的記錄，初始化為2）。：Web顯示層數(shù)據(jù)訪問層數(shù)據(jù)庫連接數(shù)據(jù)庫MySQLWeb 顯示層即為JSP頁面層，為用戶提供應用程序的訪問，本論文中的系統(tǒng)以Web頁面的形式實現(xiàn)?！　　』贠J數(shù)據(jù)的習題個性化推薦系統(tǒng)采用傳統(tǒng)的登陸注冊頁面，系統(tǒng)新用戶首次登陸系統(tǒng)，后臺會進行認證（非系統(tǒng)內(nèi)記錄學生不能進行注冊登錄），參見下圖:當系統(tǒng)內(nèi)預設的用戶首次注冊激活賬號，此時用戶的賬號處于激活狀態(tài)，后臺認證該用戶，并且返回主頁，左上角每一個系統(tǒng)用戶都可以對個人信息進行管理：　　　為了方便習題推薦系統(tǒng)內(nèi)部用戶的管理，只有系統(tǒng)管理員可以對所有用戶進行增加，刪除，修改，查詢，支持線上利用模板導入、導出用戶到Excel。在這個過程中，老師的的精心指導、與同學的交流、在圖書館查找資料、系統(tǒng)的完善，每一個過程都是對自己能力的一次檢驗和充實。最后一周是對以前的資料和設計思路進行整理。 Koper, R. (2008). Personal remender systems for le