宋明惠 陳俊華 朱晨笛 仝鎧溦

摘? 要：大類分流時專業(yè)的選擇決定了學生的就業(yè)方向，然而大多數(shù)學生并不能獨立地選擇合適的專業(yè)，所以“智能專業(yè)推薦”是十分必要的。該文通過闡述和分析協(xié)同過濾算法的特點和不足，提出了一種改進的協(xié)同過濾算法用于專業(yè)推薦中，解決了冷啟動的問題，，提高了系統(tǒng)的可靠性。

關鍵詞：專業(yè)推薦? 大類分流? 協(xié)同過濾算法

中圖分類號：TP301.6? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1672-3791（2019）03（b）-0216-02

近年來，“大類招生、分流培養(yǎng)”模式被越來越多的高校所采用，在這種新的培養(yǎng)模式下，專業(yè)分流是其中一個重要的環(huán)節(jié)，選擇一個適合自己的專業(yè)對高校學生來說是一件十分重要的事情，用戶在進行專業(yè)選擇前會收集各方面資料，其中已經(jīng)經(jīng)歷過分流的用戶的建議和體會是未分流的用戶最想了解的，并且會將與自己的成績興趣等相近的用戶的專業(yè)作為重要的參考。該文使用協(xié)同過濾算法將與當前用戶相似度最高的用戶選擇的專業(yè)作為推薦專業(yè)。

1? 推薦算法

目前推薦算法廣泛應用于電子商務、社會網(wǎng)絡、數(shù)字化圖書館、視頻/音樂點播等領域，比較成熟的推薦算法主要有關聯(lián)規(guī)則、基于內(nèi)容的推薦、協(xié)同過濾和混合推薦[1]。這4種算法各有優(yōu)缺點，其主要優(yōu)缺點如表1所示。

根據(jù)表1所示的各類推薦算法的優(yōu)缺點，該文選擇協(xié)同過濾算法作為專業(yè)推薦的推薦算法。

2? 用戶相似度

用戶相似度即描述用戶之間是相似程度的度量，傳統(tǒng)的相似度有皮爾遜相關系數(shù)法、向量余弦法、調(diào)整的向量余弦法、約束的皮爾遜相關系數(shù)法、斯皮爾曼相關系數(shù)法等，在不同的應用領域中，選取不同的相似度計算方法。在電子商務中，用戶的相似度可以通過幾個用戶對同一件商品的打分情況（這里的分值可能表示真實的購買，也可以是用戶對商品不同行為的量化指標。例如，瀏覽商品的次數(shù)，向朋友推薦商品、收藏、分享、或評論等。這些行為都可以表示用戶對商品的態(tài)度和偏好程度）來計算用戶之間的相似度。

3? 協(xié)同過濾算法

協(xié)同過濾的基本思想是：找到與當前用戶Ccur相似（比如興趣相似）的其他用戶Cjs，計算對象s對于用戶的效益值u（Cjs，s），利用效益值對所有s進行排序或者加權等操作，找到最適合Ccur的對象s*[2]。其基本思想非常易于理解，在日常生活中，我們往往會利用好朋友的推薦來進行一些選擇，在普遍的推薦系統(tǒng)中是基于其相似用戶對某一內(nèi)容的評價向目標用戶進行推薦，而在該系統(tǒng)中，只需找到最相似的用戶即可（見表2）。

根據(jù)上述內(nèi)容可知，協(xié)同過濾算法需要基礎用戶作為參考才能進行協(xié)同推薦，基礎用戶對該算法而言不可或缺。獲得基礎數(shù)據(jù)，解決冷啟動問題是進行推薦的基礎。

4? 智能專業(yè)推薦的實現(xiàn)

根據(jù)霍蘭德人職匹配理論，人格一共被分為6種不同的類型，每一種類型的人格都有著不一樣的特點[3]?；诼殬I(yè)興趣測試的理論，查閱相關資料提取出15個區(qū)分度明顯的關鍵詞，依據(jù)15個關鍵詞設計了40道具有專業(yè)區(qū)分度的題目，形成調(diào)查問卷。向大類分流后的學生進行問卷調(diào)查，收集得到203份問卷結(jié)果。

將問卷結(jié)果的關鍵詞進行分值的統(tǒng)計，把計算機創(chuàng)新實驗班、計算機科學與技術、物聯(lián)網(wǎng)、網(wǎng)絡工程、數(shù)字媒體技術5個專業(yè)作為5個基礎用戶C，計算每個關鍵詞分值所占百分比，做為用戶C的屬性對象Si，形成向量集合S。當前用戶Ccur答題結(jié)束后，系統(tǒng)統(tǒng)計每個關鍵詞分值所占百分比，作為當前用戶Ccur的屬性對象S`i，形成向量集合S`。

通過公式（1）計算當前用戶Ccur和5個基礎用戶C的余弦相似度similarity，將similarity最小的用戶C作為推薦專業(yè)，經(jīng)過測試得推薦結(jié)果精確度為67.3%。

通過公式（2）計算當前用戶Ccur和5個基礎用戶C的皮爾森相關系數(shù)r，將r最小的用戶C作為推薦專業(yè)，經(jīng)過測試得推薦結(jié)果精確度為70.2%。

因此將公式（2）作為該系統(tǒng)的推薦計算方法。

5? 結(jié)語

該文通過對協(xié)同過濾算法的研究，將協(xié)同過濾算法應用到筆者學校的大類分流系統(tǒng)的智能專業(yè)推薦功能中，在大類分流階段為用戶提供了專業(yè)借鑒，得到了用戶的一致好評。并且隨著基礎用戶數(shù)據(jù)的增加，推薦的精確度不斷提高。

參考文獻

[1] 冷亞軍，陸青，梁昌勇.協(xié)同過濾推薦技術綜述[J].模式識別與人工智能，2014，27（8）：720-734.

[2] 許海玲，吳瀟，李曉東，等.互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J].軟件學報，2009，20（2）：350-362.

[3] 雷長青.淺談大學生職業(yè)規(guī)劃設計中霍蘭德人職匹配測試法的運用[J].現(xiàn)代經(jīng)濟信息，2018（14）：445.

①基金項目：北京林業(yè)大學大學生創(chuàng)新創(chuàng)業(yè)項目—— 基于協(xié)同過濾的大類專業(yè)分流實時動態(tài)系統(tǒng)研建（項目編號：S201810022089）。