劉鑫 李世杰 廖逸文

摘 要 文章研究了常用的推薦系統(tǒng)模型及協(xié)同過濾推薦算法，綜合討論分析了協(xié)同過濾算法應(yīng)用于資源推薦時存在的問題，提出了一種改進的協(xié)同過濾推薦算法，根據(jù)輸入的用戶屬性特征等信息，使用相似性計算公式獲得相似用戶群，建立最佳的鄰居集合，解決傳統(tǒng)算法中的冷啟動問題，同時利用k-means聚類降低用戶尋找最近鄰所消耗的時間，解決了資源過載而帶來的速度瓶頸問題。

關(guān)鍵詞 協(xié)同過濾算法；資源推薦；k-means聚類

中圖分類號 TP3 文獻標識碼 A 文章編號 1674-6708（2018）219-0155-02

近年來，Internet技術(shù)的飛速發(fā)展和個性化推薦系統(tǒng)開發(fā)技術(shù)的不斷成熟，學生可以在網(wǎng)絡(luò)上查閱的資源數(shù)量越來越多，范圍越來越廣泛，對于如此龐大的網(wǎng)絡(luò)資源，學生想要快速的找到自己真正需要的資源卻越發(fā)困難。利用個性化推薦算法，可以擺脫網(wǎng)絡(luò)資源過載問題，高效且精準把所需要的資源推送給學生，然而，針對學生提供的個性化學習資源推薦系統(tǒng)卻不常見。大多網(wǎng)絡(luò)資源個性化推薦系統(tǒng)僅僅是將大量的學習資源按照一定的排序方式簡單的羅列在一起，學生用戶需要時還需要自己進行關(guān)鍵字檢索，效率低且不利于在線學習模式的發(fā)展。

文章針對新用戶新項目在推薦系統(tǒng)初始時存在冷啟動問題，評分數(shù)據(jù)稀疏也導(dǎo)致了推薦精度下降的現(xiàn)象，提出了利用k-means聚類算法首先根據(jù)用戶屬性對用戶分類，再結(jié)合協(xié)同過濾的個性化推薦思想，設(shè)計了改進的協(xié)同過濾算法，并應(yīng)用在我校的學習交流系統(tǒng)中的資源推薦模塊中，提高了個性化學習資源推薦的效率和精度。

1 個性化推薦系統(tǒng)及推薦算法

1.1 個性化推薦系統(tǒng)模型

常見的推薦系統(tǒng)由用戶、推薦資源信息庫和推薦模塊構(gòu)成。其中“資源信息庫”模塊包含了系統(tǒng)中全部的用戶基本信息（如用戶年齡、性別、專業(yè)、愛好等）、用戶對資源的瀏覽下載等情況的記錄信息和對資源進行評分的數(shù)據(jù)。信息庫模塊作為推薦模塊的基礎(chǔ)為其提供輸入數(shù)據(jù)。“個性化推薦模塊”根據(jù)信息庫提供的數(shù)據(jù)信息，設(shè)計適合資源推薦的個性化推薦算法，首先基于信息庫提供的數(shù)據(jù)對用戶及資源進行分類，然后在同類用戶群生成資源推薦列表，并將其進行排序，取前 N 個信息對象推薦給新用戶。

1.2 協(xié)同過濾推薦算法

協(xié)同過濾推薦算法的主要思想是想要為某一用戶推薦學習資源，基于用戶喜歡具有相同興趣的用戶喜歡的東西，因此首先找到相似用戶群，然后通過用戶在系統(tǒng)內(nèi)的瀏覽記錄或下載記錄等獲得用戶對項目的評分，建立用戶和資源評價模型，如果有新用戶進入系統(tǒng)，則首先為新用戶找到相似用戶群，再根據(jù)相似群用戶的評分排序為新用戶推薦前N個學習資源。算法的推薦過程可以劃分為3個階段：用戶-學習資源建模、生成最近鄰、學習資源推薦。

1）用戶—學習資源建模。根據(jù)用戶對學習資源的評價建立用戶-學習資源的評分矩陣如表1所示，行表示用戶從User1到用戶Usern，共n個用戶，列表示資源從Source1到Sourcem 共m個資源，其中 Rui代表第u個用戶對第i類學習資源的興趣度評分。

3）學習資源推薦。根據(jù)生成的最近鄰居，能夠獲得鄰居用戶對學習資源i的評分信息，從而在不知道目標用戶對學習資源i評分的前提下，就可以通過最近鄰居預(yù)測出目標用戶對該資源的興趣程度，按興趣程度由高到低排序，將排在前面的N項學習資源推薦給目標用戶。

1.3 協(xié)同過濾推薦算法存在的問題

協(xié)同過濾推薦算法當有新用戶或新的學習資源出現(xiàn)時，因為沒有用戶的任何評分數(shù)據(jù)，導(dǎo)致推薦系統(tǒng)無法獲取用戶—學習資源評分矩陣，出現(xiàn)冷啟動問題。

隨著用戶訪問的網(wǎng)絡(luò)資源的數(shù)量的增加、類型更加多樣化、用戶與資源的關(guān)系更加復(fù)雜，使得運用協(xié)同過濾算法尋找目標用戶的鄰居時效率越來越低，因此會嚴重影響推薦效率，產(chǎn)生速度瓶頸問題。

2 改進的協(xié)同過濾算法

對算法存在的冷啟動問題，文章設(shè)計系統(tǒng)登錄用戶時，根據(jù)注冊用戶輸入的基本屬性信息，包括用戶的年齡、專業(yè)及愛好取向等建立用戶基本信息表，使用K-means聚類算法進而形成用戶的鄰居集合，即使沒有用戶對資源的評分信息，系統(tǒng)也可以通過計算用戶之間相似性，為新用戶推薦需要的學習資源。為解決速度瓶頸問題，在計算相似度前，使用K-means聚類算法將用戶聚類，再計算目標用戶所屬類別，進而在查找最近鄰居時，只需要和該類別內(nèi)部的用戶進行相似度計算，大大降低了運算量，提高了算法效率。算法的執(zhí)行過程如下：

1）輸入用戶屬性特征描述，系統(tǒng)收集到的用戶的屬性信息包括性別、年齡、愛好、學歷、專業(yè)，并為其設(shè)計二進制編碼。

2）預(yù)處理用戶屬性特征信息，得到用戶興趣愛好向量。

3）使用K-means聚類算法根據(jù)用戶提供的初始化信息進行聚類，首先隨機選取用戶的職業(yè)或受教育程度來設(shè)計K個聚類質(zhì)心，計算每個用戶與該職業(yè)或受教育程度聚類質(zhì)心的距離，將用戶劃分到最近的簇內(nèi)，循環(huán)直到所有用戶都聚類完成。

4）為新用戶歸類到所屬的簇，將簇內(nèi)的用戶作為目標用戶查找鄰居的用戶群，使用相似度計算公式，找到最近鄰。

5）最后根據(jù)最近鄰生成學習資源推薦的序列，將前N項學習資源推薦給目標用戶。

3 改進的協(xié)同過濾算法在在線學習交流系統(tǒng)中的應(yīng)用

采用改進后的協(xié)同過濾推薦算法，可以通過對學習者年齡、專業(yè)、性別以及興趣愛好的分析，根據(jù)用戶特征向量，結(jié)合K-means聚類算法生成相似用戶群，很容易解決傳統(tǒng)算法遇到的冷啟動問題。同時，引入K-means聚類算法將查找最近鄰的范圍縮小到聚類生成的簇中，從而大大的減少了計算最近鄰所消耗的時間，提高推薦效率。改進后的算法在在線學習交流系統(tǒng)中執(zhí)行個性化資源推薦的流程見圖1，用戶登錄在線交流系統(tǒng)界面，在校師生可以根據(jù)自己的賬號登錄系統(tǒng)，首次登錄的未注冊的師生可以進行系統(tǒng)內(nèi)資源瀏覽學習，如果想要其他操作需要完成注冊。系統(tǒng)內(nèi)部自動收集注冊師生的基本信息，包括年齡、專業(yè)、愛好等，為每個注冊的師生建立學習者信息庫，使用K-means 算法計算用戶間相似性，再通過改進的協(xié)同過濾算法預(yù)測新用戶可能喜好的學習資源集合，并對該集合內(nèi)部的學習資源按喜好程度排序，將前N個資源作為最終推薦集合推薦給用戶。

4 結(jié)論

文章在個性化推薦算法的基礎(chǔ)上，為了在我校設(shè)計開發(fā)的在線交流系統(tǒng)實現(xiàn)學習資源的個性化推薦功能，針對協(xié)同過濾算法存在的不足，利用K-means聚類算法首先對用戶和學習資源進行分類，然后在進行相似性計算，在數(shù)據(jù)量逐漸增大的形勢下，實現(xiàn)資源的個性化推薦。通過驗證，推薦效率與推薦質(zhì)量都有所提升。

參考文獻

[1]馮永，陳顯勇.基于評分信息量的協(xié)同過濾算法研究[J].計算機工程與應(yīng)用，2013，49（20）：198-201.

[2]韋素云，業(yè)寧，等.基于項目聚類的全局最近鄰的協(xié)同 過濾算法[J].計算機科學，2012，39（12）：149-152.

[3]王龍.教育資源推薦服務(wù)中若干關(guān)鍵技術(shù)的研究[D].長春：吉林大學，2013.

[4]孫歆，王永固，等.基于協(xié)同過濾技術(shù)的在線學習資源個性化推薦系統(tǒng)研究[J].中國遠程教育，2012，32（8）：78-82.

[5]趙寧，王學軍.推薦系統(tǒng)中協(xié)同過濾技術(shù)的研究[J].河北省科學院學報，2013，30（2）：62-65.