web网络学习系统设计

《web网络学习系统设计》由会员分享，可在线阅读，更多相关《web网络学习系统设计（16页珍藏版）》请在装配图网上搜索。

1、成绩:自学考试毕业论文（设计）题目（中文）：基于Web挖掘的个性化网络学习系统设计（外文）：Desig n and Realizati on of PersonalizedLearning System Based on WEB Mining院（系）：专 业：学生姓名：准考证号：指导教师：2015年 5 月 9日毕业论文诚信声明本人郑重声明：所呈交的毕业论文是本人在指导老师的指导下，独立研究、写作的成果。论文中所 引用是他人的无论以何种方式的文字、研究成果，均在论文中以 明确方式表明。本声明的法律结果由本人独自承担。毕业论文作者签名：年 月 日目录1引言41.1 研究背景及意义41.2国内外研

2、究现状21.3主要研究内容31.4论文结构32. 基于Web挖掘的个性化网络学习系统及相关技术42.1体系结构42.2 Web个性化技术52.2.1 Web挖掘的定义52.2.2 Web挖掘的分类52.3 Web挖掘中常用的技术62.3.1 Web内容挖掘中常用的技术62.3.2 Web结构挖掘中常用的技术62.3.3 Web使用挖掘中常用的技术72.4 个性化82.4.1改进系统性能和结构82.4.2页面推荐82.4.3个性化学习系统82.4.4个性化服务系统的关键技术92.5基于Web挖掘的个性化学习系统模型构架93. Web挖掘的预处理93.1 Web挖掘的基本流程93.1.1数据采集1

3、03.1.2数据预处理103.1.3模式识别113.1.4模式分析114. 个性化网络学习系统的设计与实现114.1 传统的网络学习系统114.2 基于 Web 挖掘的个性化网络学习系统模型设计 114.2.1系统的运行环境和主要开发环境 114.2.2构建个性化的网络学习模型 114.2.3网络学习个性化推荐原型系统框架 124.2.4网络学习个性化推荐原型系统结构分析 125. 总结12参考文献13基于 Web 挖掘的个性化网络学习系统设计摘要：文章分析网上每个学习者的个性化需求，提出基于 Web 挖掘技术的个性化系统框架。对 Web 使 用挖掘关键算法进行了研究，设计了一种基于Web挖掘

4、的个性化网络学习系统，该系统给出了 Web内容挖 掘、Web使用挖掘和Web结构挖掘的结果并结合其推荐结果为学习者提供了个性化的服务，并给出了推荐 算法。关键词：Web挖掘；个性化；学习；系统模型1引言1.1 研究背景及意义目前我国采用的是传统的教育制度，教育模式主要是老师讲，学生听。为了 应试，学校在授课过程中过分强调以知识的传授为中心，只重视教师在课堂中的 作用，遏制了学生的创造性，忽视了学生学习的主动性和学习潜力的开发。学生 往往都是为考试听课，为考试学习，毕业后仍然茫然，例如计算机专业的学生所 学知识已经或正在被淘汰，即使没有被淘汰，因为实践能力太弱所学知识不能很 好的应用于工作中。因

5、此现代大学生需要一个开阔视野的平台，如可以进行专业 学习的网站的出现（这就是下面为大家讲解基于Web挖掘的个性化学习网络）。作为计算机专业的学生因为计算机时代的来临，其发展需求使计算机专业学 生对就业很自信，但计算机技术发展速度飞快，专业迫使计算机专业学生必须走 在时代前端，但所学知识越多到最后被淘汰的就越多，在这样的教育体制下，学 生不得不自己寻找新的学习模式，例如看计算机专业的新书或刊物，但昂贵的费 用不是一个普通大学生所能承担的。因此学生的学习因经济能力而闭塞，使学生 十分焦急，求知心不能得到满足更何况实践能力的培养。所以大学生需要借助网 络，通过网上的各渠道来扩展知识面，学习新知识，知

6、道最新的科技动向。1.2 国内外研究现状目前 Web 挖掘技术的应用侧重于商业领域的大数据量应用，在教学领域应用的起 步相对较晚，并且数据挖掘技术在教学领域的应用与在商业领域中的应用既有相 同点也有不同点。国际学术研究领域中，如何充分有效地队Web数据进行存储和 查询，分析提取用户特性并向用户提供个性化学习的网络学习平台已经成为 Web 技术的一个研究热点，并且已有一些研究着获得了研究性和实践性的成果。1.3 主要研究内容Web 挖掘的处理模型主要是由数据采集、数据预处理、模式识别(数据挖掘 算法实施)、模式分析四部分组成在本文的研究中，以目前国内外的 Web 挖掘已有的学术以及应用成果为基

7、础，以Web挖掘技术为出发点，结合世家的应用对Web挖掘的数据预处理和模式 识别进行研究分析，设计了一个基于Web挖掘的个性化学习系统。论文主要展开 了以下几个方面的研究工作：(1) 研究 Web 特征提取中所有涉及的数据特征，对数据来源、数据类型进行 分析，对 Web 日志进行数据预处理。(2) 分析现有的用户访问兴趣的度量方法，基于注册信息建立初始的拥有 资源兴趣评分矩阵，根据用户对页面的访问时间进行用户兴趣度得度量，以此为 基础实时更行用户资源评分矩阵，全局和近期局部相结合，体现用户资源兴 趣度。(3) 基于 Web 站点的拓扑结构，分析教学资源的组织结构，并通过和测试工 具分析用户的学

8、习情况，以这些作为数据源，进行基于内容的过滤处理，产生基 于内容的信息推荐集。(4) 针对现有的协同过滤算法的可扩展性问题，系统采用了离线与在线两部 分处理方式，首先在离线状态下，基于用户资源评分矩阵采用 K-means 算法 对用户进行聚类，有效缩小协同过滤同过滤的相关性计算空间，以聚类结果为基 础，在线时对目标用火在同一簇内进行基于用户的协同过滤处理，产生目标用户 的最近邻居序列，通过最近邻居对资源的评分来预测目标用户对目标资源的预评 分，以此为依据形成基于用户端额协同过滤信息推荐集合。1.4 论文结构本文共分为六段。第一段引言，对论文的研究背景、意义、现状、挑战以及研究的内容和目的 进行

9、阐述。第二段基于 Web 挖掘的个性化网络学习系统及相关技术介绍。首先给出了Web挖掘的个性化网络学习系统的体系结构；在介绍了 Web个性化技术、Web挖 掘的分类模式、Web挖掘等内容；在次将个性化服务引入到个性化学习中，介绍 了个性化学习的涵义、推荐过程和技术；最后分析了基于Web日志挖掘的个性化 系统模型结构。第三段Web挖掘的预处理研究。介绍了 Web挖掘的数据来源、数据特点；分 析了 Web挖掘的数据预处理流程。第四段基于Web挖掘的个性化推荐模型。第五段总结，对论文进行概括性总结简述了系统的工作成果及需要完善的问 题,对个性化学习系统给予美好的憧憬，还对Web挖掘技术寄于很高的使用

10、前景。最后，列出了本文相关的参考文献。2. 基于Web挖掘的个性化网络学习系统及相关技术2. 1体系结构基于Web挖掘的个性化网路学习系统的体系结构如图2所示。该系统主要分 为两大部分：离线部分和在线部分。离线部分由个性化处理模块，各种教学资源 和网路Web站点结构及用户使用信息组成。该部分主要对各种数据记性预处理并 进行 Web 内容挖掘(Web con tent mining)、Web 使用挖掘(Web usage mining)、 Web结构挖掘(Web st rue ture mining)来得到相应特征。在线部分的功能主要是 根据学习者的登录信息和Web挖掘的结果向学习者推荐个性化学

11、习资料。离线部分 在线部分个性化推荐引擎推荐页面用户信学习者Ineternet图2个性化处理模块式实现个性化网络学习系统的核心部分，主要有三部分组 成：Web内容挖掘模块、Web使用挖掘模块、Web结构挖掘模块Web内容挖掘模 块主要是根据学习站点的各种资源进行聚类以获得页面的内容特征。2.2 Web个性化技术2.2.1 Web挖掘的定义Web挖掘是利用数据挖掘技术从Web文档及Web服务器中自动发现并提前人 们感兴趣的信息。它是一门综合性技术，涉及到In terne t技术、人工智能技术、 计算机语言学、信息学、统计学等多个领域。2.2.2 Web挖掘的分类Web挖掘是一个具有挑战性的课题，

12、它实现对Web存取模式、Web结构和规 则以及动态的Web内容的查找。一般地可分为三类：Web内容挖掘、Web使用挖 掘、Web结构挖掘。在前面Web的体系结构中有介绍过。在这里我给大家具体介 绍下这三种方法如图4，并对其进行比较。图4 Web挖掘分类一、Web内容挖掘Web内容挖掘主要是针对组成页面的各种非结构化地数据，如文本数据、音 频数据、视频数据、图形、图像数据等多种数据相融合的多媒体数据进行挖掘。 Web内容挖掘的重点是页面分类和聚类。Web页面的分类是根据页面的不同特征， 将其规划为事先建立起来的不同的类。Web页面的聚类是指在没有给定主题类别 的情况下，将Web页面集合聚成若干个

13、簇，并且同一簇的页面内容相似性尽可能 大，而簇之间的相似度尽可能小。二、Web结构挖掘Web结构挖掘是从Web站点的组织结构、Web文档结构及其链接关系中推导 知识。由于超文本文档的关联关系，使得WWW不仅可以揭示文档中所包含的信息, 同时也以揭示文档间的关联关系所代表的信息，反应了文档指间的额某种联系， 同时还能体现某个页面的重要程度。三、Web使用挖掘除了 Web结构挖掘和Web内容挖掘，Web挖掘的另一个重要任务是Web使用 挖掘，它通过分析和探究用户访问记录中的规律，可以识别远程教育学习网站的 潜在客户，增强对最终学习用户的远程学习信息服务的质量，并该进Web服务器 系统的性能和结构。

14、2.3 Web挖掘中常用的技术2.3.1 Web内容挖掘中常用的技术就其方法而言 ,Web 内容挖掘可以分为两大类 :信息查询 (Information Retrieve, IR)方法和数据库方法IR方法主要应用IR技术，评估和改进搜索信 息的质量,也可以处理无结构化数据和HTML标记的半结构化数据，主要应用于文 本分类、聚类和模式发现等。数据库方法和数据仓库方法都是采用数据抽取和转 换的方法将非结构化的Web信息转换或映射为结构化的数据，再采用数据挖掘技 术进行信息挖掘。2.3.2 Web结构挖掘中常用的技术一、选择链接策略在互联网的海洋中，最重要的就是互联互通，不被其他网站引用的网站就是

15、“信息孤岛” WEB结构挖掘引擎所有算法都将网页中的链接作为主要挖掘的对 象，特别是实际应用中，大多数用户都是使用基于PageRank算法的Google, Yahoo, Baidu都搜索引擎，因此可以采取以下几种策略，提高网站的排名。1) 广泛链接策略来自其他网站的任何反相链接都是有用的。当前常见的新搜索引擎已经不再 只是网站目录的索引，而是更全面的网页索引，所以无论来自其他网站任何地方 的反相链接都是非常有价值的。同时如果一个网页只有大量的进入链接，而缺乏导出链接，也会被搜索引擎 认为是没有价值的站点。2）高质量链接策略被PageRank高的网站引用能更快地提高PageRank数量只是关键因

16、素之一， 来自PageRank高的页面的链接还能更快的提高被链接目标的PageRank3）无空链接策略 应当保持网站自身的健康，经常利用坏链检查工具检查网站中是否有死链。 同时保持网页内容/链接的稳定性和持久性：在搜索引擎索引中网页存在的历史 也是一个比较重要的因素，而且历史比较久的网页被链接的几率越高。二、构建友好的网站结构有了合适的链接，就可以在算法中取得一个比较理想的分值，但由于数据的 挖掘过程中由机器Spider自动完成。因此还必须考虑让引擎能完整的采集到所 设计的链接，这就需要构建友好的网站结构。1）网站结构扁平化网站目录结构要扁平，因为每深一级目录，PAGERANK降低1 2个档次

17、。2）表现和内容的分离遵循w3c的规范，使用更规范的XHTML和XML作为显示格式，JavaScript 和CSS尽可能和网页分离，一方面提高代码重用度（也方便页面缓存），另外一 方面，由于有效内容占网页长度的百分比高，也能提高相关关键词在页面中的比 重也增加了。3）建立站点地图让所有的页面都有能够快速入口：站点地图，方便网页爬虫（spider）快速 遍历网站所有需要发布的内容。233 Web使用挖掘中常用的技术Web使用挖掘中常用的技术有Web使用的特有的路径分析技术和数据挖掘 领域中常用的分类、聚类、关联规则、序列模式等。（1）路径分析技术用路径分析技术进行Web使用模式挖掘时，最常用的是

18、图，因为用图可以清 楚地表达定义在网站上的页面之间的联系。(2) 关联规则 关联规则主要用于从用户访问序列数据库的序列项中挖掘出相关的规则。在 Web 数据挖掘中,关联规则挖掘就是要挖掘出用户在一个访问期间从服务器上访 问的页面/ 文件之间的联系，这些页面之间可能并不存在直接的参引关系。(3) 序列模式分析 序列模式分析技术试图找出顾客选购商品或访问购物商场的典型路径，或者 访问 Web 网页的先后顺序。(4) 分类和聚类 分类规则可以挖掘某些共同的特性。这个特性可以用来对新添到数据库里的 数据项进行分类。聚类将物理或抽象对象的集合分组为由类似的对象组成的多个 类。2.4 个性化用户的个性化分

19、析可以为用户提供定制服务。通过对日志文件中的存取事务 进行用户识别，发现用户的个性化兴趣模式，基于永恒的个性化特征为每个用户 定制符合其个人特色的 Web 服务，提供符合用户个性化要求的站点借口。2.4.1 改进系统性能和结构网站的吸引力取决于内容和组织结构的合理设计。Web挖掘可以提供用户站 点访问行为的详细情况，分析网页直间的访问关联，从而能够为网站设计者改进 网络的设计提供决策依据。对所有用户的浏览路径、用户访问模式及趋向进行分 析挖掘，发现其中某系页面的逻辑关联，获得用户访问模式信息。2.4.2 页面推荐收集和统计活动用户对站点的近期访问信息，分析其浏览路径，与挖掘的模 式进行匹配，并

20、根据匹配程度进行排序，为活动用户预测下一步最有可能访问的 页面，将排序结果附加在现在用户请求页面之后，从而进行页面推荐。2.4.3 个性化学习系统个性化学习系统就是以学习者原有的知识经验和个性特征为基础，以学习者 得内在需求为核心，为不同的学习者提供不同的个性化学习服务，根据学习者固 有的特征信息提供不同的教学策略和学习内容的服务模式。2.4.4个性化服务系统的关键技术个性化服务的关键技术在于个性化的信息推荐，个性化推荐目前较多采用基 于规则的技术、基于信息过滤的技术，其中信息过滤的技术又包括基于内容过滤 的技术和协作过滤技术。下面对这三种技术进行介绍和比较。 一、基于规则的技术基于规则的推荐

21、技术是指基于用户的相关统计数据和其他静态的文档来描 述各种有意义的规则，基于规则进行推荐的技术。规则可以有用户指定，也可以 利用基于关联规则的挖掘技术来发现，利用规则产生推荐资源依赖与规则的质量 和数量，基于规则的推荐技术的一个重要不足在于随着规则的数量的增加系统会 变得越加的难以管理。二、基于内容过滤的技术基于内容过滤的推荐是当前国内学者研究的重点之一，它是用相关特征来定 义所要推荐的项目或对象，然后系统基于用户评价对象的特征学习用户的兴趣， 依据用户资料的项目或对象，然后系统基于用户评价对象的特征学习用户的兴 趣，依据用户资料与待预测项目的匹配程度进行推荐。三、基于协作过滤的技术基于协作过

22、滤的推荐技术也是当前国内学者研究的重点之一。和基于内容的 过滤技术不一样的是，基于内容过滤的技术中比较的是资源和用户的描述文件， 基于协作过滤的技术中比较的是不同用户的描述文件，根据用户的相似性来推荐 资源。2.5基于Web挖掘的个性化学习系统模型构架个性化服务系统应用领域繁多，服务的方式也不尽相同，然而，通过对各种 个性化服务系统的分析，可以归纳出个性化服务系统共性的模型构架。3. Web挖掘的预处理3.1 Web挖掘的基本流程将Web挖掘应用于学习网站个性化服务，可以在海量的Web数据中发现用户的兴趣爱好、访问习惯、学习趋势等，以便更好地为读者提供各种信息与服务。Web 挖掘在数据采集的基

23、础上进行，主要步骤包括数据预处理、模式识别和模式分析(图 6)图63.1.1 数据采集按照主题相关的原则，数据采集完成从外部的 Web 环境中有选择的获取数 据，为后面的数据挖掘提供素材和资源。在 Web 挖掘中，数据可以从服务器端、 客户端或代理端中采集到。(1) 服务器端数据采集。在Web挖掘中，最直接的数据来源是Web服务器日 志，它非常明确地记录了访问者的浏览行为，在日志挖掘中有很重要的地位。(2) 客户端数据采集。客户端收集信息的方法一般需要用户的合作。(3) 网络代理端数据采集。一个网络代理作为客户端浏览器与网络服务器之 间的中介，不仅采集多个用户的行为，还可以采集对多个网站的行为

24、。3.1.2 数据预处理 原始数据需要经过处理后才能有效实施挖掘算法，数据预处理的质量与 Web 挖掘的效率和结果紧密相关，其内容包括：(1) 数据净化。其目的是从服务器日志文件中消除不相关的项，缩小被挖掘 数据对象的范围。(2) 用户识别。包括如何在海量的数据中找到属于同一用户的记录。用户识 别是后续步骤有效性的重要前提，也是 Web 挖掘的难点之一。(3) 会话识别。将用户访问的信息按照一定的时间段进行划分，每一时间段 内的用户访问集合作为一个用户会话。(4) 事务识别。将用户会话分解成具有一定语义的访问序列，可以看做对会 话识别的进一步细化。(5) 路径补全。在Web日志中记录的用户访问

25、信息有些事不完整的。 3.1.3模式识别模式识别阶段就是对预处理后的数据，利用挖掘算法挖掘出有效的，新颖的， 潜在的，有用的及最终可以理解的信息和知识。3.1.4模式分析模式分析是Web数据挖掘中最后一项重要步骤。其通过选择和观察把发现的 规则、模式和统计值转换为知识，在经过没收你分析、评估和解释得到有价值的 模式，即感兴趣的规则，模式，如用户的访问兴趣、访问频度、访问时间等等。 最后可以采用可视化技术，以图形化界面的方式，将发现的有价值的用户模式直 观地展示出来。4. 个性化网络学习系统的设计与实现4.1传统的网络学习系统传统的网络学习系统是指教学总的歌环节(上课、作业、考试、答疑等)以站

26、点为结构在各页面进行物区别化地呈现。在传统的网络学习系统中，站点是学习 的中心，用户必须依靠自身自觉性对Web站点按照网络的拓扑结构进行自适应性 的深入学习，用户在学习过程中完全自己选择教学内容、控制学习进度，系统知 识负责将教学中的各环节整合起来，并提供一个统一的用户界面，用户界面只是 提供了系统中个教学环节的链接，而并没有把各个环节进行有机结合。4.2基于Web挖掘的个性化网络学习系统模型设计4.2.1系统的运行环境和主要开发环境本系统是基于Web技术来实现的，所以在编码设计中，各模块应该选择相应 的技术来解决。运行环境为：Windows 2003 server、IIS6.0、Framew

27、ork SDK、 SQL SERVER2OOO、In terne t Explorer 等，支持 ASP 技术，选择后台 ADO 模块进 行后台数据看SQL Server 2OOO，编译语言可以采用javascript，vbscript。 4.2.2构建个性化的网络学习模型“网络学习个性化推荐”是一个给学习者推荐学习资源或者学习任务的推 荐系统，这些学习任务参考了其他“相似”学习者的学习模式。网络学习个性化 推荐系统能够给学习者提供特定格式的学习资源建议，并最大程度地适应学习者 的个人偏好，学习经历和需求。4.2.3 网络学习个性化推荐原型系统框架 个性化数据收集来源于信衡息反馈系统。信息反馈

28、系统主要由 3 个子系统组 成:Web日志反馈子系统、用户数据反馈子系统、用户调查子系统。个性化信息反馈包括：Web日志反馈、用户数据反馈、用户调查反馈。三 个反馈子系统根据相应的分析内容分别反馈的部分信息，它们从各个角度反映了 “个性化网络推荐系统”的运行情况，揭示了个性化推荐在网络教学中的重要作 用，取得的成绩，也揭示了它的不足和有待改善的地方，为个性化推荐的改进提 供了重要的依据。4.2.4网络学习个性化推荐原型系统结构分析网络学习个性化推荐系统，运用Web使用挖掘技术，通过分析学习者会 话的特征以及学习者会话之间的相似性，向学习者提供个性化服务。5. 总结个性化的网络学习系统是信息技术

29、飞速发展的体现，是现代远程教育的追求 目标之一，同时也是对传统教学方式的改进。个性化的网络学习系统不仅能满足 人们终身教育的需求，同时也在这个个性张扬的时代为学生提供了能够满足其个 性化需求的学习环境，尊重个性差异，提供实时的、个性化的学习模式。本系统以个性化学习为基本思想，设计了一个具有个性化学习特点的网络学 习系统。在系统的设计过程中，我们根据教学内容的组织设计网站的拓扑结构， 将学习者的兴趣度量与站点拓扑结构相结合。在此我们还有待进一步完善个性化 服务功能模块使得个性化学习效果进一步提高。同时还要注重网站内容的充实和 优化，使得学习内容更加丰富。总体上来说，个性化的网络学习系统的发展及应

30、用将是今后网络课程发展的 一个重要趋势，对于它的研究和设计涉及程序开发、教学设计、媒体应用等多方 面的理论和技能，这个领域还存在着广阔的研究空间。所以基于Web挖掘技术开 发学习系统，有着明朗的前景，它和目前互联网的发展方向是一致的，将融合 Web和桌面两个软件领域的有点，是软件技术发展的趋势，它将导致一种新型软 件应用的出现，并且改变软件的构造模式。Web 挖掘技术在网络学习系统中的应用有效的提高了系统的个性化服务水 平,学习系统能够根据学生的知识结构、学习风格进行个性化内容的推荐。可以 提高学习者的学习的积极性和主动性。随着 Web 挖掘技术的日趋成熟，在个性 化网络学习中有着广阔的使用前

31、景。参考文献1 游丽贞，郭宇春.Ajax引擎的原理和应用J.微计算机信息.2006 (2):205-207.2 段隆振，秦磊，黄龙军一种基于用户兴趣度模型的Web路径挖掘算法J.微计算机信息.2007 (6):172-174.3 汪永好.设计模式在工作流管理系统实现中的应用J.计算机工程与设计.2006 (6):1096-1100.4 范玉顺.工作流管理技术基础M.北京:清华大学出版社.2001.(范玉顺.工作流管理技术基础.北京:清华大学出版社.2001)5 张卫丰，徐宝文.基于WWW缓冲的用户实时二维兴趣模型J.计算机学报.2004 (4):461-470.6 梁邦勇，李涓子，王克宏基于语

32、义Web的网页推荐模型J.清华大学学报，2004 (9):1272-1281.7 曾春，邢春晓，周立柱.个性化服务技术综述J.软件学报,2002 (10):1952-1960.8 陶剑文基于Web使用挖掘的个性化学习系统N.计算机应用，2007 (7).9 朱明.数据挖掘.合肥.中国科学技术大学出版社，2002(5):275-279.10 邓辉，徐林海.个性化网络学习环境建设状况调查与启示J.现代远程教育研究，2003 (1).11 夏火松.数据仓库与数据挖掘技术M.科学出版社，2004:207-208.12 纪良浩，王国胤基于用户的协作过滤信息推荐模型研究M.计算机工程与设计，2008,29

33、 (8):2047-2051.Design and Realization of Personalized Learning SystemBased on WEB MiningAbstract:This paper analyzed single online learners personal requirements.According to their requirements,a Personalized Recommendation System framework was proposed based on the technology of Web usage mining. D

34、esign a personalized e-learning system based Web mining,which give a Web content mining,Web usage mining and Web structure mining results,and combined with its providing learners with personalized service.And giving personalized recommen-dation algorithm.Key words:Web Mining; PersonalizedStudy;System Modle