绪 论
1.1 研究背景和意义
随着网络技术的不断发展，互联网的应用也越来越广泛，网络已经成为人们获取信息和知识的重要途径之一。最新的统计数据显示，目前，将获得学习信息作为主要目的的网络用户的人数已经达到 5000 多万。在拥有如此巨大需求的情况下，信息化教育得到了快速的发展，并逐渐成为一种新型的、广泛应用的教育模式。信息化教育是一种网络教育模式，通过网络为相关人员提供优质的教育信息和教育资源。网络教育给教学过程带来了便利，其不仅使教师可用的教学资源变得日益丰富，而且有效地减轻了学生的书本负担，是传统教学模式的一种有益补充。随着信息化教育的发展，教师和学生对网络教育资源的依赖性越来越高，大量的教育资源被发布到网络上，教育资源的应用范围也变得越来越广泛。随着信息化教育的不断发展，网络上的教育资源的数量急剧增长，为教学人员提供的教育资源越来越丰富，给教学过程带来了便利。
与此同时，随着教育资源数量的不断增加，用户寻找需要的教育资源也越来越困难，用户不得不花费大量的时间来寻找所需的教育资源，即产生了所谓的“信息超载”现象。网络教学系统通常以教学网站为中心，系统用户看到的都是预先给出的固定内容。如果系统中的信息和资源不多，问题就显现不出来，但是随着系统中教育资源的不断增多，很多问题就显现出来。最常见的问题就是用户不知道所需的资源在哪，因此需要花费大量的时间去查找，去选择最有价值的、最需要的资源。这对于视时间为生命的初、高中学生来说，不仅不会有所帮助，反而还会耽误学习。为了解决教育资源领域的“信息超载”现象，教育资源个性化推荐服务技术应运而生
。教育资源个性化推荐服务是指通过分析用户的个性化信息，自动地向用户提供其可能感兴趣的教育信息和教育资源。与教育资源搜索提供的“一对多”式的服务不同，教育资源个性化推荐服务的推荐结果更满足用户的个性化需求，系统用户不需要过多地参与推荐过程，使得用户使用起来更加便捷，大大降低了寻找所需教育资源所花费的代价。教育资源个性化推荐服务使得系统使用从单纯的“人找资源”模式转变为“人找资源、资源找人”的智能模式。教育资源个性化推荐服务作为一种智能信息服务技术，能够有效地解决海量数据所带来的“信息超载”问题，已经受到越来越多的研究人员的关注，成为信息化教育和人工智能的重要课题和研究热点。
1.2 教育资源推荐服务概述
1.2.1 教育资源推荐服务的定义
网络教学系统中包含非常丰富的教育资源，当学生发现新的教育资源时，并不知道该资源对其是否有帮助，因此需要浏览资源的具体内容或者资源的描述，如果该资源不符合其学习的需要，这种浏览就毫无意义。为了节省时间，提高网络学习的效率，教育资源推荐服务被引入到网络教学系统中。教育资源推荐服务是指通过分析学生在使用网络教学系统过程中所产生的个性化信息来预测新的教育资源是否符合其学习的需求，并将符合其学习需要的那些教育资源发送给这名学生[1]
1.2.2 推荐服务研究现状
随着 Internet 的普及和网络电子商务的不断发展，推荐服务逐步成为一项重要的研究课题，得到了科学研究人员的广泛关注。推荐算法是推荐服务系统中的一个重要组成，采用哪种推荐算法决定了推荐服务的工作方式和服务策略，推荐算法的性能直接决定了推荐服务的性能，因此推荐算法的研究是推荐服务研究工作中的重点。根据推荐策略的不同，推荐算法主要包括以下几类[2]：
（1）基于内容的推荐算法；
（2）协同过滤推荐算法；
（3）混合推荐算法。基于内容的推荐算法不需要获取系统用户对具体项目的评价，而是通过分析系统用户和历史项目之间的交互信息，来进行新的项目的推荐。基于内容的推荐技术和协作过滤推荐技术都存在各自的问题，为了发挥两种技术各自的优势，研究人员将两种技术结合起来，提出混合推荐技术[9]。混合推荐技术通过将基于内容的推荐技术和协作过滤推荐技术进行不同方式的组合，从而获得更好的推荐效果，两种推荐技术可以在推荐的不同阶段相组合。混合推荐技术能够发挥两种推荐技术各自的优势，从而引起了研究人员的广泛关注，已经成为推荐服务中一个新的研究热点。
对于教育资源推荐问题，如何从教育资源中抽取出那些最能表现用户所感兴趣的内容的特征是有效地、精确地进行教育资源推荐的必要前提。教育资源的类型有很多，除了文本资源以外，还包括图像资源、音频资源、视频资源、动画资源和复合型资源等多媒体资源。对于这些多媒体资源，想要从中直接收取出相应的信息比较困难，因此将资源描述作为资源内容的概括，从而使得所有类型资源最终都对应为文本信息。
第 2 章 基于树型结构和加权熵的中文高频词提取算法...............13
2.1 引言...................13
2.2 相关工作....................13
2.3 加权信息熵.....................15
2.4 中文高频词提取算法 ..............16
第 3 章 基于 Web 挖掘技术的个性化教育资源推荐服务....................27
3.1 引言....................27
3.2 Web 挖掘技术 ......................27
3.3 个性化推荐服务的设计 .....................29
第 4 章 基于流形学习和主动学习的教育资源推荐方法................39
4.1 引言.....................39
4.2 基于流形学习的特征信息降维 .....................39
4.3 基于主动学习的教育资源推荐方法 ........................42
总结
个性化推荐服务在互联网电子商务、数字图书馆和信息化教育等领域中得到广泛的应用，个性化推荐服务的应用可以有效地解决“信息过载”和用户需求个性化等问题，受到越来越多的研究人员的关注。在信息化教育领域中，网络教学是一个重要的研究方向。在网络教学系统中，教育资源是必不可少的信息，起着关键的作用。随着教学资源的不断增加，学生寻找感兴趣的资源越来越困难，因此在网络教学系统中加入教学资源推荐服务可以使学生从庞大的网络信息资源中解脱出来，大大节省了学生在信息搜索上花费的时间和精力，也使得网络教学系统从以“资源”为中心转换为以“学生”为中心，向着网络服务的更高层次发展。
参考文献
[1] 杨丽娜,刘科成,颜志军.面向虚拟学习社区的学习资源个性化推荐研究[J].电化教育研究, 2010(04):67-71.
[2] G. Adomavicius, A. Tuzhilin. Toward the Next Generation of Recommender Systems: ASurvey of the State-of-the-Art and Possible Extensions，IEEE Trans, on Knowl. and DataEng., vol. 17，iss. 6，pp. 734-749，2005.
[3] M. Balabanovi, Y. Shoham. Learning Information Retrieval Agents: Experiments withAutomated Web Browsing, in AAAI Spring Symposium on Information Gathering, pp.13-18, 1995.
[4] H. Lieberman. Letizia: An Agent That Assists Web Browsing, in Proceedings of theFourteenth International Joint Conference on Artificial Intelligence, pp. 924-929，1995.
[5] M. Pazzani, J. Muramatsu，D. Billsus. Syskill&Webert: Identifying interesting web sites,presented at the Proceedings of the thirteenth national conference on Artificialintelligence - Volume 1，Portland，Oregon, 1996.
[6] Goldberg D, Nichols D, Oki B M, et al. Using Collaborative Filtering to Weave anInformation Tapestry. Communications of the ACM, 1992, 35(12):61~70.
[7] J. L. Herlocker, J. A. Konstan，A. Borchers, J. Riedl. An algorithmic framework forperforming collaborative filtering，presented at the Proceedings of the 22nd annualinternational ACM SIGIR conference on Research and development in informationretrieval, Berkeley, California, United States, 1999.
[8] K. Goldberg, T. Roeder ， D. Gupta, C. Perkins. Eigentaste: A Constant TimeCollaborative Filtering Algorithm, Information Retrieval, vol. 4, iss. 2, pp. 133-151,2001.
[9] R. Burke. Hybrid Recommender Systems: Survey and Experiments, User Modeling andUser-Adapted Interaction, vol. 12, iss. 4，pp. 331- 370, 2002.
[10]ROBIN B. Hybrid recommender systems: survey and experiments [R]. Department ofInformation Systems and Decision Sciences, California State University, Fullerton.