（一）简述

       个性化推荐技术简单来说就是根据用户的兴趣爱好,在尽量少的用户劳动需求下，推荐符合用户兴趣爱好的对象。其本质就是对信息的过滤。个性化推荐技术最终的目标是将信息进行细分，它帮助我们完成了从海量信息到个性化信息的转变,能够准确而有效地获取用户需要的有用信息。从教育角度来讲：个性化推荐技术的手段是将信息进行细分，其最终目标是满足学习者的个性化学习，促进有效学习的发生。从电子商务角度来讲： 利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。一个完整的推荐系统由3部分组成 ：收集用户信息的行为记录模块、分析用户喜好 的模型分析模块和推荐算法模块。其中，推荐算法模块是推荐系统中最为核心的部分 。

（二）研究现状

       1.现状

       个性化推荐系统是在 1995 年 3 月由斯坦福大学的 Marko Balabanovic 等人在美国人工智能协会上提出来的。近年来，我国的专家学者对个性化推荐系统方面的研究工作也越来越重视，如周涛等人提出了一个基于网络结构的个性化推荐方法。随着 Web2．0 技术的日益成熟和 Internet 的发展，出现了许多个性化推荐系统，如世界最大的网上购物市场 EBay，最大的网上书店 Amazon，电影推荐系统 Movielense 及百分点科技等。其中，百分点科技是目前国内最领先的个性化推荐技术服务商，通过分析和挖掘用户的兴趣偏好向用户推荐喜欢的商品。至今，与该公司签约的客户包括一号店、红孩子、珂兰钻石等知名电子商务企业。

       2.发展趋势

       (1) 数据多样化 以用户的显式评价信息，收集的用户兴趣资料不全面、自动化程度低，准确度低。对此，推荐系统应采用 Web 挖掘技术来收集用户的隐式浏览信息，使用户感受到完全个性化的体验。

       (2) 推荐系统的安全性 个性化推荐系统需分析用户的行为和兴趣偏好，这就涉及到用户隐私问题。目前，一些黑客或商家利用这个漏洞，开始采取一些非法手段来攻击推荐系统或非法营销。如何在有效保护用户信息的前提下，准确获得用户的信息，这是目前亟待解决的一个重大难题。

       (3) 优化推荐算法 在 Internet 普及，数据量增大的条件下，对推荐算法提出了更高的要求( 如运算性、实时性、可扩展性、准确性等)。同时要不断完善系统的性能评价指标，使用户对推荐系统更信赖。

      (4) 基于用户兴趣变化的推荐结果的即时反应研究在推荐系统中，还应考虑一个重要的维度，即时间。因为事务特征的变更，用户兴趣的变化，都可能随时间的推移而变化。因此需要系统对用户兴趣变化的即时反应的要求越来越高。

       (5) 采用图方法及复杂网络理论的推荐系统研究复杂网络理论和图方法可以提高推荐系统的网络智能挖掘的性能，在文献［4，12］中热量散播平衡态网络上的谱图分割问题是由网络视频推荐问题转化而来的，而引导用户发现潜在的感兴趣的网络视频是通过设计长尾发现的推荐策略产生的。

       (6) 避免社会分化和推荐逻辑空间的巴尔干化现象( balkanization)。

（三）技术路线

（四）技术实现

    1.基于云计算的个性化推荐平台

        消除数据孤岛，建立基于用户全网兴趣偏好轨迹的精准云计算分析模型，打通用户在多个网站的兴趣偏好，形成成用户行为偏好大数据中心。

       {云计算式是集成分布式计算、网格计算、并行计算和网络存储等技术发展起来的新型的计算模型，可以有效地整合多个成本相对较低的计算实体，从而构成一个具有强大计算能力的分布式系统.为了有效地利用云计算技术的特点与优势，本系统利用Google云计算技术，构建个性化推荐系统，该系统可以处理大规模数据，并且具有较高的通用性和扩展性，能根据业务规模不断扩展，该系统的架构如图1所示。——BY QIAOC}

     2.多种智能算法库

       基于多维度的数据挖掘、统计分析，进行算法模型的建立和调优。综合利用基于内容、基于用户行为和基于社交关系网络的多种算法，为用户推荐其喜欢的商品、服务或内容。       

       算法主要有：       

      （1）基于关联规则的推荐算法（Association Rule-based Recommendation）

        以关联规则为基础，把已购商品作为规则头，推荐对象作为规则体，其中关联规则的发现最关键且最耗时，是算法的瓶颈。

        案例：淘宝等购物网站。

      （2）基于内容的推荐算法 (Content-based Recommendation)

        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,。

        案例：新闻组过滤系统。

      （3）协同过滤推荐算法 （Collaborative Filtering Recommendation）

        ①基于内存的协同过滤, 先用相似统计的方法得到具有相似兴趣爱好的邻居用户, 所以该方法也称基于用户的协同过滤或基于邻居的协同过滤；

        ②基于模型的协同过滤，先用历史数据得到一个模型, 再用此模型进行预测。

缺点：基于用户的协同推荐算法随着用户数量的增多, 计算量成线性加大, 其性能越来越差, 并且不能对推荐结果提供很好的解释。

        ③基于项目的协同推荐算法，该算法通过先计算已评价项目和待预测项目的相似度, 以相似度作为权重, 加权各已评价项目的评价分, 得到预测项目的预测值。 

       （4）基于基类的推荐方法

       （5）基于用户 一产品二部图关系的推荐算法

       （6）混合推荐算法

        注：U 表示用户的集合；I 表示所有项目的集合；u 表示当前要预测的用户；i 表示当前要预测的项目。

（五）技术方案

       1.在电子商务方面

        整个电子商务推荐系统主要可分为输入功能( input functional ) 模块、推荐方法 ( recommendationmet hod) 模块和输出功能( out put f unctional) 模块。

          本小组注：电子商务方面简要概括，不做累述，感兴趣同学可在拓展资源下载相关资料。

        2.在教育方面

      （1）网络教学的个性化推荐

       在网络教学平台中，往往新开的课程是没有学生评价的，那么它不会被推荐给学生,为了解决这个问题，则应该先利用基于项目的协同洲滤推荐技术通过算法计算出与新的课程资源相似的其他课程资源，再预测学生对新的课程资源的评分，然后利用基于用户的协同过滤推荐算法在相似教学资源中计算学生的最近邻居，给出学生对教学资源最后的预测评分，那么新教学资源就参与到推荐中了。

     （2）学习资源个性化推荐系统

 

（六）技术原理：

       1.基于关联规则的推荐

        技术工作原理:首先由系统管理员定制一系列的规则条目，然后利用制定的规则度量项目间的相互关联性，最终将关联密切的项目推送给用户。在进行推荐时，系统分析用户当前的兴趣爱好或访问记录，然后按照事先制定的规则向用户推荐其可能感兴趣的资源项目

       2.内容过滤推荐

       内容过滤推荐技术是信息过滤中最基本的一种方法，也是较早被提出的一种推荐技术。

       技术工作原理:采用概率统计和机器学习等技术实现过滤，首先用一个用户兴趣向量表示用户的信息需求;然后对文本集内的文本进行分词、标引、词频统计加权等，生成一个文本向量;最后计算用户向量和文本向量之间的相似度，把相似度高的文档发送给该用户模型的注册用户。 

        3.协同过滤推荐

       依据的是用户对资源的评分。

       技术工作原理:首先分析用户特性，如兴趣、职业等信息;然后利用相似性算法计算用户间的相似性，找出与目标用户相似性最高的k个用户;最后参照邻居对资源的评分来预测目标用户对资源的评分，将预测评分最高的n个资源推荐给目标用户

       4.基于聚类的推荐

       基于聚类的推荐是个性化推荐技术出现早期，一种较为常用的个性化推荐技术。

       技术原理：聚类推荐技术将具有不同兴趣爱好的用户分配到不同的组(即聚类)中，而组内的成员之间在爱好特征等方面具有较高的相似度。当聚类形成之后，用户对资源的评分可以通过该用户所属聚类内部成员对目标资源的评分预测得到。基于聚类的推荐又可以分为基于用户的聚类和基于项目的聚类。

（七）应用案例

     1.在电子商务领域的应用

       Amazon、CDNOW、Netflix、当当网、淘宝网、音乐八宝盒、图书豆瓣等。

       以亚马逊为例，在此网站上购买过计算机类的著作后，下图为所推送的数目。

 现在在京东、易迅、亚马逊等看到的主流推荐算法，一般都是基于物品自身相似性（不依赖于用户数据，没有冷启动问题）、基于用户浏览、喜欢、购买等数据的协同过滤推荐（用户纬度和商品纬度）。  （知乎）

       2.在教育领域的应用

       在网络教学、信息化平台上应用较为广泛。

       比如：浙江省中小企业信息化平台的一个子系统就是学习资源个性化推荐系统， B2C远程教育网站，TED等。

       以TED为例，选择一个微视频《我们准备好了要“新近化”吗？》，系统将为我们推荐一系列于此相关的视频。

     

 

 

（一）简介

我们认为资源自适应呈现技术应包含以下的特性：

第一：根据移动终端的不同，如智能手机、PAD、平板电脑等，适应性的呈现资源；(根据高辉等人的《基于 ANFIS 的移动学习资源自适应呈现模型研究》总结)

第二：根据学习者的个性特征，如学习者的知识水平、学习目标、学习习惯、学习情境等，呈现适合学习者学习的资源，如：给熟练者以详尽深刻信息，给初学者浅显、附加解释的信息；（吴虹, 超媒体技术在 E-learning 中的应用研究[J]）

第三：根据学习区域网络状况，如网络是否可用，以及网速快慢，连网状态下，学习者发送资源请求信息并通过网络传送到服务器，服务器根据请求信息将相关资源发送到学者的终端设备之上；无网络状态下，学习者发送的资源请求信息则直接从不需要网络的本地数据库中提取。(高辉,移动学习环境下信息内容自适应呈现的设计与实现[D])

（二）研究现状

       目前有不少国内外学者在探讨关于自适应的问题，解决网络内容在小屏幕终端的显示问题主要有四种方法：针对特定设备设计内容(Device-specific Authoring)、针对多种设备设定内容(Multi-device Authoring)、智能布局(Automatic Re-authoring)、客户端导航(Client-side Navigation)。

       前两种方法能得到比较好的效果，但因耗费过大，需针对每种设备进行资源、界面等设计而没有得到广泛推广。智能布局和客户端导航使用方便，有着比较广泛的用途。所谓智能布局就是对页面进行调整和重新组织，例如通过缩小图片、字体以及删除空白等技术将网页调整为手持设备屏幕的宽度，这样可以有效避免使用水平滚动条。经过自动调整，整个Web页面的内容和功能都保留下来，只有布局发生了变化。Power Browser采用 了 移 除 空 白 和 图 片 的 智 能 布 局 方 式，WESTbrowser采用缩放的形式将页面分割为适应屏幕大小的模块进行展示。

       此外，部分研究者也对其它形式的自适应技术进行了探索。 Alexander Blekas、John Garofalakis等人提出了基于RSS内容的自适应策略。但其主要目的是强调尽可能把网站内容友好地呈现给学习者，不考虑复杂的操作功能，因此移除了表单、JavaScript脚本、图片、视频等多媒体信息。在显示内容方面，利用RSS的即时更新性，将最新信息呈现给学习者（需经过学习者同意）。 UIML (User Interface Markup Lan-guage)是一种基于XML标准的用户界面描述语言，它以设备无关的方式描述用户界面，实现了跨设备、跨平台的用户界面开发。 UIML最重要特点就是内容、架构和样式的分离，并通过继承其它UIML用户界面组件中的类库实现代码的重用。韩壮志、陈鹏等人提出了基于界面调整的自适应模型，其基本思想是通过显示程序获取终端设备的基本物理信息，根据获取到的分辨率参数进一步判断屏幕类型（横屏、竖屏）。然后通过屏幕分辨率确定缩放比例，调整控件大小，最后对文字、控件按照这个比例进行缩放以实现在终端设备的自适应显示。沈秋、李厚强等人提出了基于运动信息描述的视频编码格式自适应框架。中国科学技术大学的范欣博士把图像视觉注意力模型和视频转码技术结合起来，只对用户输出感兴趣的区域，在此基础之上提出了基于注意力模型的图像自适应显示。其思想是提取出一幅图的感兴趣区域、注意力关注值（吸引用户注意力的程度）和最小可视面积（保留被关注对象的全部信息时所允许的最小空间面积），通过一些阈值的设定把图像中吸引注意力的部分呈现给用户，同时又可以根据屏幕大小对裁剪后的图片在屏幕上缩放显示，视频的处理采用类似的方法。哈尔滨师范大学计算机科学与信息工程学院的李晶和王建华提出了将Agent技术引入学习系统中来实现系统的智能性和适应性。 Agent是指模拟人类行为与关系、具有一定智能并能够自主运行和提供相应服务的程序。此后，李晶提出了设备自适应模型与设备识别Agent结构。该模型主要原理是通过学生Agent获取到用户的基本信息和终端信息，然后将信息传送给设备识别Agent，设备识别Agent将收集到的信息与设备信息库进行匹配、分类，再将信息发送至资源选择Agent，资源选择Agent获取到分类信息后在XML/XSTL库中检索匹配的课程信息描述及XSLT样式单，获得课程资源转换的支持信息，并提供给资源处理Agent，最后由资源处理Agent根据XML描述信息和转换清单，转换为终端设备所支持的信息。一些商用网站采取了比较简单的自适应处理方案，即：针对不同的设备分别设计不同的方案S0、S1、S2、 …、Sn，每个方案使用不同的URI发布，当用户使用不同的设备时访问不同的网络地址。

（三）技术路线

技术路线分为服务器端路线和客户端路线。

服务器端采用J2EE 的技术路线，主要是针对移动设备开发资源适应性传送和呈现的功能，并为客户端系统提供相应的应用程序接口。具体技术包括 MySQL（底层数据库）、Hibernate（数据库封装层）、Struts（实现 MVC三层架构的分层）、Java（程序编写语言）、Tomcat（应用服务器）等。

Struts 为 Java Web 应用提供了现成的通用框架。

Hibernate 是提供对象／关系数据库映射(Object Relational Mapping, ORM)服务的中间件，将对象模型表示的对象映射到基于SQL 的关系模型结构中去。

客户端技术路线计划采用 Android 平台+java 的开发模式。

（四）技术实现

（1）基于分辨率的自适应呈现。用 C #语言进行设计。

（2）基于注意力的自适应呈现。多针对图片和视频。基于运动信息描述的 H1264/ AV C 标准的码率自适应算法: 通过预编码得到视频序列的运动特性描述, 并以某种数据结构加以存储; 当需要一定质量的码流时, 可以直接从运动信息描述中抽取出适当的模式和运动矢量进行编码.

（3）基于 Agent 的自适应呈现。采用基于J2EE的跨平台软件框架，使用XML元标记语言描述移动学习资源，JADE(Java Agent DEvelopmentFramework)作为 Agent 开发平台，SQLServer 2000作为后台数据库

  （4）基于 RSS 的自适应呈现。RSS 实现方法是内容提供商封装输出RSSFeed, 内容订阅者通过RSS 聚合器读取RSS 提要并显示资讯项目。RSS 提要封装方法与网页HTML 生成方法相似, 即通过网关程序(ASP、ASPX、JSP) 获取信息组装成标准格式, 通过XMLHTTP 对象获得此URL 源文件后用FSO 对象另存为相应目录的XML文件, 在网站内容发布系统中设置为在信息发布时自动触发生成和定期自动生成。当用户订阅了某项PSS服务时，服务器根据该PSS自适应的呈现资源。

（5）基于 UIML 的自适应呈现。UIML (User Interface Markup Language)是一种基于 XML 标准的用户界面描述语言，它以设备无关的方式描述用户界面，实现了跨设备、跨平台的用户界面开发。

（6）基于网络的自适应。在网络可用时将数据存储在本地数据库，此时此时用户所需数据可直接从网络获取；当网络可用时，用户搜索所需资源时会在本地数据可直接调取。

（7）基于ANFIS的自适应。ANFIS（自适应神经模糊推理系统）是将人工神经网络（ANN）的自学习优势和模糊推理系统（FIS）的类推理优势有机结合起来，通过一定量的数据来训练系统各项参数，进而优化系统中的模糊隶属度函数和模糊规则，帮助模糊推理系统解决了“模糊规则的自动处理”以及“模糊变量基本状态隶属度函数的自动生成”等问题，使用迭代算法收集核心控制数据，优化控制规则。

​（五）技术方案

（1）基于分辨率的自适应呈现。由于嵌入式系统液晶显示器的尺寸和分辨率种类很多, 操作系统也各不相同, 造成嵌入式软件运行于不同嵌入式系统时, 其显示程序必须重新编写。针对采用 Windows CE 不同衍生版本的嵌入式系统, 韩壮志，程鹏等人，提出在设计通用化显示界面的基础上, 采用基于分辨率检测的自适应显示方法解决上述问题, 并给出了界面设计原则、程序流程和自适应显示计算方程。该方法能够实现同一程序在不同嵌入式系统中的自适应运行, 大大减少软件设计工作量。其原理还可应用于其他嵌入式操作系统的显示程序设计。

（2）基于注意力的自适应呈现。对图片和视频的自适应呈现的研究相对较多，主要方面是考虑对图片的压缩以减少数据传输量，但是针对小屏幕上的视觉观感欠缺考虑。沈秋、李厚强等人提出了基于运动信息描述的视频编码格式自适应框架。其思想是提取出一幅图的感兴趣区域，注意力关注值（吸引用户注意力的程度）和最小可视面积（保留被关注对象的全部信息时所允许的最小空间面积），通过一些阈值的设定把图像中吸引注意力的部分呈现给用户，同时又可以根据屏幕大小对裁剪后的图片在屏幕上缩放显示。对视频的处理利用了与处理图片类似的方法。

（3）基于 Agent 的自适应呈现.在进行移动学习时，移动设备间的差异性很大，处理平台的异构性使不同的移动设备支持不同的课程资源显示格式。为了使移动设备可以像PC机一样获取网络课程资源，适应异构的移动计算环境，哈尔滨师范大学计算机科学与信息工程学院的李晶和王建华利用Agent技术构建了智能的自适应系统模型，它可以自动转换资源的格式，识别移动设备的性能。

（4）基于 RSS 的自适应呈现。主要目的是强调尽可能把网站内容友好的呈现给学习者，不考虑复杂的操作功能，因此移除了表单，JavaScript 脚本，图片，视频等多媒体信息。在显示内容方面，利用 RSS 的即时更新性，将最新信息呈现给学习者（需经过学习者同意）。

（5）基于 UIML 的自适应呈现。UIML 最重要特点就是内容、架构和样式的分离，并通过继承其它 UIML 用户界面组件中的类库实现代码的重用。但是 UIML 一个明显的缺点就是不够简洁，即使用来描述简单的短文，也会使用一个较为复杂的 UIML 来展现，另外，UIML在限制用户的输入方面缺乏有效的表述。

（6）基于网络的自适应。主要采用动态网页交互技术：ASP+ADO组件，数据库服务器采用sql server2000.

（7）基于ANFIS的自适应。ANFIS 是基于数据的建模方法，也是一种辨识模型，因此不需要建立实际系统辨识模式，可直接处理结构化的知识；收敛速度快，自适应泛化能力强，并行运算速度快，并具有感知能力，能自适应人类逻辑思维和语言知识的表达

 

（六）技术原理

（1）基于分辨率的自适应呈现。显示程序自适应地调整显示界面 ,以适应显示器物理分辨率的过程如下:首先由显示程序获取显示器分辨率参数 , 然后采用控件代码化的方法修改窗体参数和控件属性, 最终使界面适应显示器大小和分辨率, 达到简洁 、易用 、美观的目标。

（2）基于注意力的自适应呈现。采用基于 H1264/ AVC 标准的运动信息描述不仅可以应用于视频格式自适应、码率自适应,还可以应用于视频时间分辨率自适应、空间分辨率自适应等其他多种视频自适应技术

（3）基于 Agent 的自适应呈现。①多Agent技术自身所具备的社会性、自主性、协作性、反应性等特征，适合于移动学习系统的基本特征要求。②多 Agent 技术的问题求解方式和计算模式与现实生活中人们解决问题的方式自然吻合，采用这种方式构造的多Agent系统更易为软件开发设计人员理解和接受。因此，可以采用模拟人类社会的组织结构来构造多Agent 移动教学系统的组织结构。③多 Agent 系统提供了一种使分散的自治个体间有效的建立联系，并能通过协调与协作共同完成一些复杂任务的机制，并且多Agent系统对个体的加入、退出提供较为宽松的约束和相对灵活的机制。这样一种按需协作、松散耦合的分布式协作方式对处于动态变化之中的学习系统具有重要意义，非常适合于建立移动学习系统模型。④多 Agent 系统的任务分解机制为学习系统中复杂任务的分解提供了现实可行的依据 。基于以上考虑，将Agent技术引入到移动学习系统中，可以提高系统的智能性，自我学习性及适应性，从而创造良好的学习情境，达到吸引学生兴趣、进行个性化教育和改善教学效果的目的。

（4）基于 RSS 的自适应呈现。访问一个网站时首先检查有没有 RSS（Really Simple Syndication）文件，如果存在RSS 文件系统则推荐学习者浏览 RSS 所包含的内容，同时读取文件中的标题（title）、链接（link）、描述（description），接着把读取到的内容添加到菜单中，最后转换为适于 wap 呈现的 XHTML  MP 网页。如果网站中没有 RSS 文件或者学习者拒绝查看 RSS 文件，系统读取网站内容添加到菜单中。

（5）基于 UIML 的自适应呈现。UIML (User Interface Markup Language)是一种基于 XML  标准的用户界面描述语言，它以设备无关的方式描述用户界面，实现了跨设备、跨平台的用户界面开发。

（6）基于网络的自适应。连网状态下，学习者发送资源请求信息并通过网络传送到服务器，服务器根据请求信息将相关资源发送到学者者的终端设备之上；无网络状态下，学习者发送的资源请求信息则直接从不需要网络而直接从本地数据库中提取。

（7）基于ANFIS的自适应。通过 ANFIS 的自学习能力和模糊推理能力为移动学习者提供符合当前情景特征的资源呈现方式，以提高移动学习的学习效率，并保持移动学习者的学习兴趣。通过对学习者当前情景（学习位置、学习需求、网络速率和设备电量）的信息感知和分析进行自适应神经模糊推理，进而选择合适的资源呈现方式，为学习者高效地呈现学习内容。

（七）应用案例

1、根据学习终端的自适应呈现

     学习元平台（手机安卓版）

   学习元（PC端版本）

2,、根据网络状况自适应

        在观看视频时，我们可以根据自己网速选择视频画面的清晰度，也可以选择自动，此时服务器会根据用户当前网速自动调节分辨率，这是根据网络资源自适应呈现的一种形式。（视频界面右下角进行调节）

改版后的新浪

 

（一）个性化推荐技术：

1、评价：

     （1）绝大多数的推荐系统都利用准确度来评价推荐算法的好坏。

             已有的准确度指标有 ：预测准确度、分类准确度、排序准确度 、预测打分关联、距离标准化指标和半衰期效用指标 。

个性化推荐系统评价方法综述.pdf

   （2）最常见的评价方式：

           一是上线评价,上线评价是在线调查用户对推荐系统的评价。

 

           二是下线评价。下线评价用一个已知的数据集来评价推荐系统的性能, 目前一般采用美国数字设备公司( digital equipment corporation) 系统研究中心提供的一个专用实验数据库

2、十大挑战：

http://www.programmer.com.cn/13824/

3、相关论文下载：

个性化推荐的多样性研究.caa

个性化推荐在网络教学中的应用.caa

网络学习资源个性化推荐.caa

学习资源个性化推荐2.caa

电子商务个性化推荐技术分析及比较_马丽.caj

电子商务个性化推荐研究_余力.caj

（二）资源自适应呈现技术：

1、自适应滤波原理

2、自适应PID控制原理：

 

相关论文下载：

基于ANFIS的移动学习资源自适应呈现模型研究_李浩君.caj

CWFlow_支持资源自适应使用的云工作流框架_尚世锋.caj

超媒体技术在E_learning中的应用研究_吴虹.caj

泛在学习资源在移动终端上的自适应呈现模型设计_高辉.caj

基于HarmonyNetwork的个性化答案自适应呈现研究_吴郑红.caj

基于MAS的移动学习中设备自适应的研究_李晶.caj

嵌入式系统显示界面的自适应显示方法_韩壮志.pdf

一种基于运动信息描述的视频格式自适应方案_沈秋.pdf

移动学习环境下信息内容自适应呈现的设计与实现_高辉.caj

[1] 赵建龙. 基于协同过滤推荐技术的学习资源个性化推荐系统研究[D]. 浙江工业大学, 2011-5.

[2] 岳可诚. 个性化推荐技术的多样性研究[D]. 安徽大学, 2013-4.

[3] 郑婕. 个性化推荐技术在网络教学中的应用研究[D]. 南昌大学, 2011-6.

[4]个性化推荐系统[EB/OL]. [2014-4]. http://baike.baidu.com/link?url=WCDcqYX6QDNZ1K52ZQNd74Y-xuxd7z0dOKI8WLUBhSD3L0lr2omD-A6hNP-kTfPXiNb7NMC0dZLvyUYvvYQcna.

[5]刘建国、周涛. 个性化推荐系统评价方法综述[J]. 复杂系统与复杂性科学, 2009-6第6卷(第3期).

[6]高辉,程罡,余胜泉,杨现民. 泛在学习资源在移动终端上的自适应呈现模型设计[J]. 中国电化教育,2012,04:122-128.

[7]黄鹏宇,杨家玮. 基于移动Agent技术的网络管理框架结构[J]. 计算机仿真,2005,04:138-141.

[8]张松,阎保平. 基于移动Agent的网络管理框架及实现[J]. 计算机研究与发展,1999,08:112-116.

[9]刘晓明,黄传河,江贝. 一种基于移动Agent技术的网络管理模型[J]. 计算机应用研究,2000,12:52-53+69.

[10]黎孟雄,郭鹏飞. 基于模糊聚类的教学资源自适应推荐研究[J]. 中国远程教育,2012,07:89-92.

[11]李浩君,项静,华燕燕. 基于ANFIS的移动学习资源自适应呈现模型研究[J]. 现代教育技术,2013,07:100-105.

[12]宋雅婷,徐天伟. 基于用户兴趣的个性化推荐技术综述[J]. 云南大学学报(自然科学版),2012,S1:20-23.