论文部分内容阅读
E-Learning是一种基于Internet的在线学习方式,随着网络与信息技术的不断发展,已逐渐在中小企业信息化建设与人才培养中发挥重要的作用。然而,某些规模较小的企业例如存在数量较大的中小企业,由于它们规模的局限性,无法为企业e-Learning建设投入充足的资金与技术支持,所以需要实现一种既能为学习者提供丰富的人机交互体验,又能降低e-Learning系统开发周期和成本的应用框架。随着网络信息资源爆炸式的不断增长,当前的多数e-Learning系统在实际应用中也存在着一些问题。由于这些e-Learning系统并不完全具备个性化等特性,学习者常常无法从资源库中快速找到适合自身条件和偏好的课程资源,不利于学习效率的提高。因此为学习者提供个性化的资源推荐服务,是e-Learning系统目前应该要完善的重要功能。本文的研究目的是基于EGL对e-Learning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e-Learning的复杂性和开发成本。本文的主要工作如下:(1)针对目前技术基础复杂性非常高的Ajax框架开发e-Learning系统所带来的高开发周期和高开发成本的问题,本文在分析EGL与Web2.0之间关系的基础上,利用EGL跨平台跨应用的特性提出了一种层级的可扩展的并融合了Web2.0技术理念的e-Learning系统应用框架,各个层级之间既可互相协作完成任务而又相对独立,能够让开发者专注于代码所处理的业务问题而不必关心具体的技术细节。该框架不仅可以简化e-Learning系统的开发过程,有效地降低e-Learning系统的开发周期与开发成本,而且可以提升e-Learning系统的人机交互体验与实时性需求。(2)基于协同过滤推荐算法,并基于上述提出的框架,设计并实现了个性化的e-Learning系统。利用系统中已有用户过去的行为和偏好来预测当前学习者可能喜欢或需要的知识资源,并以此为学习者进行个性化知识资源的导航,为学习者个性化地推荐符合其自身需求的课程项目,避免学习者产生知识迷航问题,有助于学习者提高学习效率。(3)针对协同过滤推荐算法的新用户冷启动问题,本文引入了相似矩阵等方法概念,在传统的协同过滤推荐算法基础之上,提出了一种基于协同过滤与内容信息标签提取的混合推荐算法,并进行了与三种传统常用冷启动解决方案的对照实验。通过对实验数据的分析,验证了该算法的有效性,能够为新用户推荐准确的资源,提供个性化的知识资源服务。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3篇。