隨著互聯(lián)網技術的高速發(fā)展與進步,使得人類逐步進入了互聯(lián)網時代�；ヂ�(lián)網與人類生活不斷地融合,人類越來越依賴網絡化的生活方式。然而,與之相關的網絡安全問題層出不窮,對整個社會的沖擊也越來越大。因此,網絡安全人才的培養(yǎng)迫在眉睫。與此同時,“互聯(lián)網+”的倡議受到廣泛關注,互聯(lián)網與教育在不同程度、不同方面深度融合,使得越來越多的教育資源走向互聯(lián)網,逐漸出現(xiàn)了很多類似于MOOC的網絡學習平臺。網絡學習平臺的出現(xiàn)使得學習者可以隨時隨地進行學習,學習變得更加方便,學習資源也更加豐富。綜上所述,設計、開發(fā)一個面向網絡安全的在線學習平臺,通過網絡學習的方式來培養(yǎng)網絡安全人才是非常有意義的。然而,目前大多數(shù)網絡安全在線學習平臺僅僅局限于學習資料的共享與使用。學習資料越多,數(shù)據(jù)越龐大,對于毫無頭緒的初學者來說,找到一套適合于自己的學習路線以及相關學習資料,無疑是一個非常嚴峻的考驗。這種“盲人摸象”的學習方式很難取得好的學習效果,最終將導致學習者失去學習熱情和學習興趣。針對上述問題,本文在網絡安全在線學習平臺中引入個性化的推薦機制,通過獲取學習者的學習基礎和學習偏好,并設計推薦算法來為每位學習者推薦適合于其使用... 

【文章來源】：青島科技大學山東省

【文章頁數(shù)】：86 頁

【學位級別】：碩士

【部分圖文】：

圖2-1兩種確定目標用戶鄰域的方法

網絡安全自主學習平臺的設計與開發(fā)15圖2-2基于物品的協(xié)同過濾推薦原理Fig.2-2Theprincipleofcollaborativefilteringrecommendationbasedonitems從圖2-2中，我們可以發(fā)現(xiàn)用戶B和用戶C都喜歡目標物品（某件衣服），而且他們也同時喜歡跟目標物品非常相似的另外一件物品（另外一件衣服）。此外，用戶D不喜歡目標物品，同時D也不喜歡該目標物品的相似物品。也就是說，我們可以得出這樣的規(guī)律：當用戶喜歡某件物品時，他也會同時喜歡該物品的相似物品，而當用戶不喜歡某件物品時，那么他也就不會喜歡該物品的相似物品。根據(jù)上述規(guī)律，我們就可以推出：由于用戶A喜歡目標物品，因此，A很有可能也會喜歡該目標物品的相似物品�；谖锲返膮f(xié)同過濾推薦算法的主要步驟如下：（1）收集用戶信息，找到目標用戶喜愛、偏好的物品。（2）針對物品進行最近鄰搜索。先計算已評價物品和待預測物品的相似度，并以相似度作為權重，對各已評價物品的分數(shù)進行加權，從而得到待預測物品的預測值。（3）產生推薦結果。將根據(jù)物品的相似度和用戶的歷史行為所計算得到的預測值進行排序，從而為目標用戶生成推薦列表。基于物品的協(xié)同過濾推薦算法的優(yōu)點如下：（1）推薦結果更加個性化，注重用戶興趣。通常應用于長尾物品推薦、冷門商品推薦，以及用戶個性化需求強烈的領域。（2）算法實用且實時性強，易解釋。一旦用戶有新的行為，肯定會導致推薦結果的實時變化。另外，推薦結果可以給出良好的解釋。（3）在解決冷啟動方面也表現(xiàn)較好。通過新用戶的一次物品選擇，便可以進行推薦。

網絡安全自主學習平臺的設計與開發(fā)25近鄰居的集合；（3）利用最近鄰居的集合，對目標用戶進行評分預測。NUCF算法的總體流程如圖3-1所示。圖3-1算法流程圖Fig.3-1AlgorithmflowchartNUCF算法的偽代碼如下：算法NUCF輸入:用戶-項目評分矩陣、推薦項目個數(shù)N。輸出:推薦項目列表。(1)建立用戶-項目評分矩陣。初始化用戶-項目評分矩陣，將評分值填充為0。讀取訓練集中的數(shù)據(jù)，并填充用戶-項目評分矩陣；(2)確定相似用戶集合。使用式（3-5）計算用戶間的相似度大小，將相似度從大到小進行排序，形成用戶相似度矩陣；(3)確定相似項目集合。取相似用戶集中所有項目，重新建立用戶-項目評分矩陣，使用式（3-2）對項目評分進行計算，并取出所有用戶未評分的項目；(4)評分預測與推薦。對相似項目集合中項目相似度進行最大值歸一化處理，然后按照相似度從大到小進行排序，取前N個項目進行推薦。

【參考文獻】：
期刊論文
[1]Python的計算機軟件應用技術研究[J]. 胡正雨,劉文銳.  計算機產品與流通. 2020(07)
[2]基于用戶偏好的個性化推薦系統(tǒng)研究[J]. 楊倩,梁艷,王艷娥,司海峰,張拓.  電腦知識與技術. 2020(13)
[3]融合用戶偏好和物品相似度的概率矩陣分解推薦算法[J]. 王運,倪靜.  小型微型計算機系統(tǒng). 2020(04)
[4]個性化推薦算法中“信息繭房”與用戶權利的思考[J]. 袁媛,張宏莉.  新聞研究導刊. 2020(05)
[5]“互聯(lián)網+”背景下UI設計教學資源庫建設研究[J]. 王俏,張金榮,姜毅.  通訊世界. 2020(01)
[6]UI設計中的配色及應用[J]. 鄧朝暉.  電腦編程技巧與維護. 2020(01)
[7]大數(shù)據(jù)個性化推薦分析[J]. 任敏.  物聯(lián)網技術. 2019(11)
[8]通信運營商大數(shù)據(jù)平臺容量需求測算模型探討[J]. 倪飛.  江西通信科技. 2019(04)
[9]基于項目關聯(lián)的Slope One協(xié)同過濾算法研究[J]. 申晉祥,鮑美英.  計算機與數(shù)字工程. 2019(08)
[10]高安全需求的Web服務器群主動防御體系研究[J]. 王楊,蔣巍,蔣海巖,劉桂香,劉歡.  網絡空間安全. 2019(06)

碩士論文
[1]“互聯(lián)網+”時代信息技術課程價值的再認識[D]. 張鵬.喀什大學 2020
[2]基于相似度融合的協(xié)同過濾推薦算法研究[D]. 馮爽爽.江西農業(yè)大學 2019
[3]基于內容和協(xié)同過濾的混合算法在推薦系統(tǒng)中的應用研究[D]. 何佳知.東華大學 2016
[4]數(shù)字學習資源個性化推薦技術研究與應用[D]. 劉洋.浙江工商大學 2015
[5]基于內容的個性化推薦系統(tǒng)研究[D]. 單京晶.東北師范大學 2015
[6]基于學習分析的學習資源個性化推薦研究[D]. 裴艷.陜西師范大學 2015
[7]基于個性化資源推薦的學習平臺的研究與設計[D]. 李寧.西南科技大學 2015
[8]基于協(xié)同過濾的學習資源個性化推薦研究[D]. 牛文娟.北京理工大學 2015
[9]基于個性化推薦的電子商務推薦系統(tǒng)的設計與實現(xiàn)[D]. 單明.吉林大學 2014
[10]推薦系統(tǒng)用戶相似度計算方法研究[D]. 朱文奇.重慶大學 2014



本文編號：3323852