基于协同过滤算法的移动英语学习平台研究与设计

移动学习以海量的数字资源作为载体,突破了传统学习模式中资源匮乏、时空限制等不足。但其资源丰富性也带来了一些信息过载现象,极大地影响了学习效率。基于协同过滤算法的移动英语学习平台不仅充分发挥了移动学习的优势,同时能够根据不同的学习者推荐满足其学习需求的学习资源,较大程度上节省了学习者的时间与精力投入,具有一定的现实意义。     

数据挖掘中的聚类分析研究

从数据挖掘的概念入手,在系统介绍了聚类分析的概念和一般步骤的基础上,详细阐述了聚类分析在数据挖掘中的常用方法。     

移动情景学习下的协同过滤专家推荐研究

文章提出了基于移动情景学习下的专家推荐模型,随着5G的到来,移动情景学习成为学习的热点,而在学习中如何找到合适的专家成为热点之一。文章提出基于用户和专家相结合的推荐算法,重构了专家推荐,结合海明距离和修正余弦来获取相似值,利用主成分分析法,通过降低维度减少用户和专家的指标项因子,提高因子准确性。实施表明了移动情景学习下专家推荐模型的有效性,并且证实了文章设计的专家推荐算法优于单一的基于用户或基于项目的推荐算法。     

数据挖掘领域中的聚类分析及应用

聚类是统计学的一种方法，也作为数据挖掘的一个功能被广泛地应用。本文介绍了聚类的概念、应用，主要的聚类算法。最后，针对现实中的一个具体问题，设计了一个层次型的聚类算法，其结果对相关部门具有一定的指导作用。     

基于学习者驱动的移动学习模型构建及微信开发实践

随着5G时代的到来,移动学习已成为当前教育行业发展的必然趋势,而立足于学习者驱动进行移动学习,是当下移动学习领域亟待解决的难题之一。文章利用已有的知识推荐系统,在其基础上加入协同过滤技术,提取学习者的"学习驱动"因素,挖掘出隐藏在行为数据背后的信息,建立基于学习者驱动的移动学习模型;并在此模型上进行微信平台开发实践,满足学习者智能挖掘的学习需求,提供个性化满意的学习服务,提升用户体验。     

数据挖掘技术在电子商务中的应用研究

随着Internet的日益普及,电子商务作为一种新型的商业形式,可以通过网络进行产品的推广、销售等。数据挖掘技术是一种有效的数据分析和处理技术,通过相应的关联规则、分类、聚类、预测技术等对销售数据进行分析和处理,发现数据中隐含的知识,进而可以为营销策略的制定和产品开发提供决策,在电子商务中有着广泛的应用。     

数据挖掘中聚类方法比较研究

聚类是数据挖掘领域中的一个重要研究课题。聚类在电子商务、图像处理、模式识别、本分类等领域有广泛的应用。本首先建立了数据挖掘中聚类方法的比较标准，然后从基于优化、关系、变换这样一个新的角度对聚类方法进行了分类和比较，最后对数据挖掘中常用聚类算法进行了分析，以便于人们更易于选择研究方向和选择适合于具体问题的聚类算法。     

数据挖掘中聚类分析算法研究

聚类分析是数据挖掘的一个主要研究方向，目前其研究已深入到数据库、数据挖掘、统计等领域并取得了很大的成就．本文介绍了聚类分析的应用及数据挖掘对聚类算法的典型要求，并对现有的传统聚类算法进行了分析与评估．最后介绍了聚类分析最新的研究方向——流数据聚类分析．     

基于项目聚类的协同过滤算法研究

本文首先介绍了当前电子商务个性化推荐的主流技术——协同过滤技术,接着分析了该算法中影响推荐质量的两个主要问题——稀疏性问题和扩展性问题,然后引入聚类算法对传统的协同过滤算法进行改进,最后对之前所提出的改进算法进行了仿真实验．经过实验验证,改进算法的推荐准确性比传统算法的推荐准确性有所提高,特别是在用户评价数据集极端稀疏的情况下改进算法体现出了较好的推荐性能．     

模糊聚类分析在数据挖掘中的应用

聚类分析是数据挖掘的主要方法之一,而且能够作为一个独立的工具获得数据的分布状况,集中对特定的聚簇集合作进一步的分析。介绍了数据挖掘过程中常见的数据聚类算法,讨论了聚类分析最新的研究方向——模糊聚类方法。     

基于Web数据挖掘的个性化e-learning解决方案推荐系统研究

本文对国内外e-learning个性化推荐系统的现状进行了分析,建立了一种综合性的个性化e-learning解决方案推荐系统,解决了目前e-learning解决方案推荐系统中学习者兼容性、资源充足性、智能挖掘性、推荐整合性这四大挑战。并主要从技术上对个性化e-learning解决方案推荐系统进行构建,重点对Web数据挖掘算法设计、挖掘引擎设计、系统功能模型、数据库设计、推荐界面进行探讨。     

数据挖掘技术在高校教学管理中的应用

数据挖掘是发现海量数据背后隐藏知识的重要手段。本文以成绩聚类分析为例，讨论如何利用数据挖掘技术对高校教学管理数据库中的数据进行分析，从中提取有价值的信息，从而优化教学管理过程，提高教学管理工作效率。     

基于顾客体验的移动学习兴趣影响因素研究

以顾客体验为切入点,选取认知体验、情感体验作为移动学习兴趣的影响因素进行分析:将认知体验划分为感官体验、可用性、功能性、内容设计四个维度,编制单选和5级李克特量表,并通过问卷星进行网络问卷调查,对调查所得数据进行信度、效度和结构方程模型分析。研究结果表明:顾客体验对移动学习兴趣具有一定的正向影响,感官体验、认知体验、情感体验属于递进关系,其中,认知体验和情感体验分别对移动学习兴趣产生间接和直接的正向影响。基于此,提出了优化移动学习软件设计的建议。     

移动学习在英语自主学习中的应用研究

随着各类移动通信设备的不断普及和升级,加上移动通信技术的飞速发展,为满足人们不断增加的学习需求,一种新型的学习方式应运而生——基于移动通信技术和移动互联网技术的移动学习。在外语界则有学者认为移动学习是中国外语学习的未来,将会对我国的教育信息化、教育全民化、学习终身化起到巨大的推动作用。移动学习具有不受时空限制,学习者可以随时、随地根据自己的进度开展学习的鲜明特点,因此,其在英语自主学习中将会有广阔的发展空间。     

移动技术在远程学习中的运用

无线移动技术在当今社会的快速应用令人惊叹不已,大量基于计算机的移动电话已经具备了越来越多的数字能力,如个人数字助理（PDA）的事务计划安排,可以无限接入Intemet。在教育方面,移动设备提供了新的潜力,移动学习正在成为人们学习的一种新方式。如何充分有效使用无线技术和移动计算机设备来辅助教学和学习成为移动学习研究的中心。比如通过对移动学习概念、移动学习的主流模式等方面的探讨,并结合英语学习的特点,设计构建移动英语学习模式,可以为英语学习者在安全、真实、个性化、满足需要的环境中进行提供听、说、读、写的训练。     

基于数据挖掘技术的资源型学习

数据挖掘技术是一个正在迅速发展的新兴领域，受到社会各界的重视，在现今的应用中，数据挖掘技术主要用于商业，军事，工业等领域的决策应用，在本中，我们将通过对数据挖掘技术、知识发现，资源型学习的认识来讨论一种基于数据挖掘技术的资源型学习。     

基于数据挖掘的电信业客户流失

针对电信行业日益突出的客户流失问题,采用了多种理论相互融合的思想,将神经网络和决策树技术相结合,构建客户流失分析模型.最后通过实际数据对模型进行了应用评估,结果表明这种基于神经网络和决策树技术的预测模型能够对客户流失情况做出准确的预测,达到了商业使用的要求.     

数据挖掘中聚类算法的研究与探讨

聚类算法是数据挖掘中用来发现数据分布和隐含模式的一项重要技术。通过分析研究数据仓库及数据挖掘中聚类算法的现状,对数据挖掘中常见的几种聚类算法的性能进行相互比较,并分析它们各自的优缺点,对数据挖掘中聚类算法的发展趋势作出展望。     

手机移动学习方式在大学生英语听力学习中的应用

近年来,继数字化学习之后出现了一种新的学习模式——移动学习(M-Learning),其最大的特点就是能实现在"Anyone、Anytime、Anywhere、Any style"(4A)下进行自由的学习。基于手机的移动学习就是利用手机移动通讯设备来进行随时随地随意的学习,其学习不受时间、空间和地域的限制。依据调查和访谈,在较全面地了解大学生对利用手机移动学习方式学习英语的态度的基础上,分析了现在大学生利用手机学习英语听力的方式,以及制约大学生利用手机来学习英语听力的相关因素。