楊鑫 楊晨 李宇

摘要：在科技日新月異的時代人們需要了解技術(shù)發(fā)展趨勢并獲取精準有效的學習內(nèi)容。學習資源推薦平臺基于協(xié)同過濾技術(shù)預估用戶偏好，提供個性化推薦。系統(tǒng)對于用戶沒有給予評分的資源采用隱式評分規(guī)則，降低評分矩陣的稀疏度，從而提高資源推薦的精度和效率。

關(guān)鍵詞：推薦系統(tǒng)；協(xié)同過濾；隱式評分

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2018）12-0074-02

1概述

隨著互聯(lián)網(wǎng)的快速發(fā)展，在線學習模式也應(yīng)運而生。然而在信息爆炸的二十一世紀，“信息過載”的問題日趨顯著，如何快速從紛繁眾多、參差不齊的學習資源中快速發(fā)現(xiàn)適合自身的專業(yè)水平的高質(zhì)量學習內(nèi)容已成為一個普遍的難題。因此，學習資源推薦系統(tǒng)的出現(xiàn)是大勢所趨。

本系統(tǒng)在通用的最新、最熱、好評推薦之外，還試圖通過用戶基本信息和學習行為預測該用戶的偏好，并匹配用戶學習深度進行個性化推薦。如何將推薦技術(shù)為用戶提供精確的、具有針對性的服務(wù)是本系統(tǒng)重要的研究內(nèi)容。

2協(xié)同過濾算法

協(xié)同過濾技術(shù)的核心思想包括兩部分：利用用戶的歷史評分記錄計算用戶之間的相似性；然后，基于相似性較高的鄰居用戶對項目的評分來預估目標用戶對特定項目的評分。系統(tǒng)選取高評分的項目進行推薦。

對于協(xié)同推薦中的“冷啟動”問題，本系統(tǒng)采用了新用戶基于內(nèi)容推薦策略，根據(jù)注冊信息中的興趣點來推薦對應(yīng)的學習資源。而對于用戶沒有直接給予評分的項目，系統(tǒng)采用隱式評分策略，以此來解決評分矩陣稀疏問題。

與基于項目的推薦相比，協(xié)同過濾方法的可以對視頻類的非結(jié)構(gòu)化對象進行推薦，并且突破了相似推薦的局限，可以啟發(fā)用戶的新興趣點，進行更有價值的推薦。

3推薦策略和用戶評分計算

3.1推薦策略

本學習資源平臺支持以下四種推薦：

1）最熱推薦：基于觀看次數(shù)的推薦。

2）最新推薦：基于資源上線時間的推薦。

3）好評推薦：基于資源評分的推薦。

4）個性推薦：基于用戶興趣和學習行為的推薦。

其中，個性推薦僅針對系統(tǒng)注冊用戶。對于新用戶，根據(jù)用戶注冊信息中的興趣點，基于內(nèi)容推薦。對于老用戶，基于協(xié)同過濾技術(shù)預測用戶評分，選取高評分的項目推薦。

此外，系統(tǒng)對所有類別下的學習資源進行深度級別的標記。在個性推薦時，若發(fā)現(xiàn)用戶已經(jīng)在進行高級別的學習時，不再推薦同類別下相對低級別的資源。

3.2 用戶評分計算

在協(xié)同過濾推薦算法中，對相似用戶的界定，依據(jù)用戶對資源的已有評分情況。即兩個用戶對資源的評分越相近，則喜好越相似，即相似度越高。

對資源的評分，本系統(tǒng)分為顯示評分和隱式評分兩種。顯示評分，即用戶對資源的評分。然而某些用戶沒有評分習慣，則可以啟動隱式評分機制。即根據(jù)用戶的行為來給資源評分。系統(tǒng)對資源的評分采用10分制，最高10分。具體評分規(guī)則如表1，初始得分為0分。

當用戶的打開視頻瀏覽，即可評4分，當瀏覽時長超過3分鐘，即評6分，如果用戶將這個視頻觀看結(jié)束（可分多次），即評8分。若用戶收藏該學習資源，無論瀏覽時長多少，直接評10分。用戶取消收藏，評分不變。隱式評分僅用于用戶沒有顯示評分的情況。

系統(tǒng)將根據(jù)用戶對視頻的評分來計算用戶相似度，從而產(chǎn)生協(xié)同推薦。

5 系統(tǒng)實現(xiàn)

整個系統(tǒng)的實現(xiàn)主要包括三個部分：基本的在線學習功能模塊、收集用戶行為模塊和推薦生成模塊。

系統(tǒng)前臺提供在線學習服務(wù)，同時收集用戶行為。后臺啟動定時任務(wù)，計算推薦資源列表。對于瀏覽資源少于20個的新用戶，根據(jù)注冊信息進行推薦。而對于老用戶，根據(jù)評分矩陣計算相似用戶集合，從而預估用戶喜好。之后，過濾掉在同一類別下，難度級別低于當前學習級別的資源。從而生成最終的推薦列表

每次用戶登錄時，在首頁顯示個性化推薦學習資源。如圖2所示。

6 下一步工作

隨著系統(tǒng)的用戶和資源數(shù)目不斷增加，計算量越來越龐大，考慮遷移到hadoop平臺，借助高性能分布式計算，做到實時推薦。此當多個客戶同時訪問、高并發(fā)請求時系統(tǒng)能否承受高負載，應(yīng)當從優(yōu)化數(shù)據(jù)庫的結(jié)構(gòu)、查詢語句，使用高效率的編程語言、高性能的Web容器等方面著手考慮。

推薦算法也可以在已有基礎(chǔ)上進行優(yōu)化，例如計算用戶相似度時可以使用反差忽略部分用戶。此外，本系統(tǒng)使用的推薦算法是基于用戶的，同時也可以添加基于物品的推薦換個角度為用戶推薦學習資源。

參考文獻：

[1] 孫光浩，劉青丹，李夢云.個性化推薦算法綜述[J].軟件，2017（7）.

[2] 胡國強. 基于協(xié)同過濾算法的MOOC個性化推薦系統(tǒng)[J].信息技術(shù)，2017（6）.

[3] 韓亞楠，曹菡，劉亮亮.基于評分矩陣填充與用戶興趣的協(xié)同過濾推薦算法[J].計算機工程，2016（1）.

[4] 于洪，李俊華.一種解決新項目冷啟動問題的推薦算法[J].軟件學報，2015（6）.

[5] 李寶，張文蘭.智慧教育環(huán)境下學習資源推送服務(wù)模型的構(gòu)建[J].遠程教育雜志，2015（3）.

[6] 王寧.學習系統(tǒng)中基于用戶行為分析的推薦算法研究[J].Computer Era，2015（11）.

[7] 葉樹鑫，何聚厚.協(xié)作學習中基于協(xié)同過濾的學習資源推薦研究[J].計算機技術(shù)與發(fā)展，2014（10）.

[8] 劉建國，周濤，汪秉宏.個性化推薦系統(tǒng)的研究進展[J].自然科學進展，2009（1）.

[9] 吳顏，沈潔.協(xié)同過濾推薦系統(tǒng)中數(shù)據(jù)稀疏問題的解決[J].計算機應(yīng)用研究，2007（6）.