1.主要技术:
1.前端: Vue.js
2.后端: SpringBoot+Mybatis - plus数据库: MySQL neo4j
3.算法(机器学习、深度学习):协同过滤算法(基于用户、基于物品全部实现)、神经网络混合CF推荐算法、MLP深度学习算法、SVD深度学习算法、线性回归、预测KNN、CNN卷积神经、LSTM情感分析
4.爬虫: Python、Requests、 Chrome_ driver
5.大数据分析: Spark、Echarts Hadoop
2. 技术指标
1.系统功能处理时间响应控制在6秒内
2.在主流电脑配置环境下,运行后占用内存小于 15%
3.保证系统在主流浏览器下均能运行。
应收集的资料及主要参考文献:
[1]刘敏,江文.基于知识图谱的教育资源推荐系统设计[J].电子技术,2023,52(01):340-342.
[2]邱玥. 知识图谱增强的在线课程推荐方法研究[D].华中师范大学,2020.DOI:10.27159/d.cnki.ghzsu.2020.001243.
[3]张凡,刘国营.基于改进协同过滤算法的高校思政课程推荐系统研究[J].微型电脑应用,2020,36(09):1-4.
[4]赵泉.大数据背景下的智能课程推荐系统研究[J].信息与电脑(理论版),2019(09):101-103+106.
[5]钟亚妹.线上学习系统个性化课程推荐模型算法设计[J].电脑知识与技术,2021,17(25):130-131+143.DOI:10.14004/j.cnki.ckt.2021.2513.
[6]黄涛,高丽婷.基于Spark的实时数据采集与处理[J].河北建筑工程学院学报,2022,40(04):176-179+188.
[1]孟祥宇,邱亮.基于Spark的协同过滤并行化算法研究[J].现代信息科技,2022,6(19):61-63+66.DOI:10.19850/j.cnki.2096-4706.2022.19.015.
[7]殷明康. 基于Spark平台的推荐算法研究与应用[D].南京邮电大学,2021.DOI:10.27251/d.cnki.gnjdc.2021.000658.
[8]Tinku S,Shivam G,Satakshi, et al. Performance Analysis and Deployment of Partitioning Strategies in Apache Spark[J]. Procedia Computer Science,2023,218.
[9]李广林,刘朋.Hadoop核心技术的课程设计[J].电子技术,2023,52(02):316-318.
[10]王思霖.基于Hadoop的日志数据处理系统[J].信息与电脑(理论版),2022,34(07):26-28.
[11]S. P B,S. S P,A. G T, et al. Hadoop framework integrated hybrid optimization algorithm for privacy preserved clustering mechanism[J]. Intelligent Decision Technologies,2022,16(4).
[12]Ran H. Improved content recommendation algorithm integrating semantic information[J]. Journal of Big Data,2023,10(1).
[13]唐燕.个性化习题推荐算法研究[J].信息技术与信息化,2023(02):100-103.
[14]刘洪瑞,倪佳鑫,周序杰等.一种融合协同过滤与分类的习题推荐算法[J].电脑知识与技术,2022,18(28):23-25.DOI:10.14004/j.cnki.ckt.2022.1805.
[15]Le N D,Chatterjee M J,Kumar A, et al. Machine Learning for Healthcare:Handling and Managing Data[M].CRC Press:2020-11-30.