任遠(yuǎn)一

【摘要】矩陣分解是將矩陣拆解為數(shù)個(gè)不同矩陣的乘積，分解的方式多種多樣，然后可以利用推薦系統(tǒng)，向指定的用戶提供資源或者服務(wù)等使用建議.推薦系統(tǒng)在當(dāng)下的應(yīng)用越來越多，這一熱門技術(shù)被教育研究者應(yīng)用到教學(xué)資源平臺(tái)之中，利用數(shù)據(jù)可以更好地教學(xué)，且能夠得以共享更多的教學(xué)資源，促進(jìn)教育事業(yè)的蓬勃發(fā)展.

【關(guān)鍵詞】矩陣分解;推薦系統(tǒng);教學(xué)資源;平臺(tái)應(yīng)用

【基金項(xiàng)目】科研立項(xiàng)名稱：基于矩陣分解的推薦系統(tǒng)在教學(xué)資源平臺(tái)中的應(yīng)用;項(xiàng)目編號(hào)：L（B）2019283.

推薦系統(tǒng)帶來的推薦服務(wù)，目前已經(jīng)滲透到生活的方方面面.推薦信息系統(tǒng)可以很好地為教育資源服務(wù)，基于矩陣分解的信息過濾系統(tǒng)，可以很好地鏈接使用者和教育資源.越來越多的閱讀鏈接可以促進(jìn)各類信息流的使用.推薦系統(tǒng)可以借助機(jī)器推薦和人工推薦，解決教育資源平臺(tái)的搜索和使用等各類問題.

一、基于矩陣分解的推薦系統(tǒng)算法研究介紹

（一）推薦系統(tǒng)算法概述

人們可以通過網(wǎng)絡(luò)瀏覽到大量的資訊，而實(shí)時(shí)信息和教育資源的信息量越來越大，用戶為了能夠快捷地在龐大的信息流里找到自己需要的信息，需要借助一定的算法來解決搜索過載的問題.推薦系統(tǒng)的普遍定義，是基于矩陣分解的推薦系統(tǒng)在平臺(tái)上對(duì)用戶歷史行為進(jìn)行分析，這樣就可以給用戶提供信息的推薦建議，通過算法為用戶提供興趣的需求和比對(duì).用戶的偏好信息是需要推薦結(jié)果反饋的，對(duì)于用戶使用的算法，最為常用的是基于內(nèi)容的推薦評(píng)分，也就是以用戶對(duì)于內(nèi)容的評(píng)分作為基礎(chǔ)，找出用戶歷史數(shù)據(jù)中感興趣的或者內(nèi)容屬性類似的推薦結(jié)果.

比較常見的推薦策略公式是基于計(jì)算對(duì)象特征與用戶興趣偏好之間的關(guān)聯(lián)得來的：

U（c，s）=score（userprofile，content）.

（二）基于矩陣分解的組合推薦算法

推薦系統(tǒng)能夠解決搜索用戶的偏好需求，信息過載和長尾理論在互聯(lián)網(wǎng)發(fā)展迅速的今天，使用者如果想要從大量的教育信息中，在教育平臺(tái)上找到自己需要的資源，就需要大量的用戶鏈接.在利用推薦系統(tǒng)解決問題時(shí)，確實(shí)很多資源都不容易脫穎而出，在用戶的個(gè)性化需求不能被很好滿足的時(shí)候，就需要深度數(shù)據(jù)挖掘技術(shù)的輔助.在教育資源平臺(tái)的數(shù)據(jù)挖掘技術(shù)、信息檢索技術(shù)、計(jì)算統(tǒng)計(jì)學(xué)等逐漸發(fā)展的輔助作用下，教育資源平臺(tái)的發(fā)展得以循序發(fā)展，且能夠滿足不同層次、不同需求的教育資源使用者的需求.

二、基于矩陣分解的推薦策略在教育資源平臺(tái)中的應(yīng)用

（一）教育平臺(tái)的數(shù)據(jù)表示

大部分的遠(yuǎn)程教育平臺(tái)和系統(tǒng)，常常使用網(wǎng)頁呈現(xiàn)的方式，借助瀏覽器的服務(wù)架構(gòu)，通過網(wǎng)站和門戶站點(diǎn)的頁面，完成數(shù)據(jù)的分享和轉(zhuǎn)換.一般來說，基于矩陣分解，推薦系統(tǒng)的幫助使得信息源可以更快地與使用者產(chǎn)生連接.信息的過載在這種情況下很可能出現(xiàn)，而未知的搜索體系就可以在信息資源的海量搜尋中發(fā)揮作用.教育平臺(tái)的數(shù)據(jù)表示，需要研究者討論教育平臺(tái)的數(shù)據(jù)模型以及教育平臺(tái)和教育搜索系統(tǒng)中的用戶數(shù)據(jù)、資源數(shù)據(jù)和平臺(tái)數(shù)據(jù)，通過記錄用戶的搜索需求，可以架構(gòu)包括遠(yuǎn)程教育和教育平臺(tái)需求的用戶賬戶，并建立資源列表、系統(tǒng)管理日志以及進(jìn)行算法策略參數(shù)的測算.

（二）教育平臺(tái)的數(shù)據(jù)處理流程

教育平臺(tái)的數(shù)據(jù)組織方式是基于B/S架構(gòu)的系統(tǒng)，數(shù)據(jù)層之上是邏輯業(yè)務(wù)層，數(shù)據(jù)在進(jìn)行邏輯流轉(zhuǎn)和功能計(jì)算的時(shí)候，要進(jìn)行教育平臺(tái)驗(yàn)證和權(quán)限設(shè)置，教育平臺(tái)的資源管理模塊是很重要的測算依據(jù).使用推薦策略在教育資源平臺(tái)上進(jìn)行資源上傳，并進(jìn)行資源權(quán)限的管理和更新，需要利用教育資源的訪問途徑，借助資源屬性維護(hù)功能，在對(duì)使用到的系統(tǒng)服務(wù)和相關(guān)業(yè)務(wù)功能集中處理的時(shí)候，教育者可以借助教育平臺(tái)，進(jìn)行不同的個(gè)性化服務(wù)定制.經(jīng)過教育實(shí)踐長效管理和實(shí)驗(yàn)，人們發(fā)現(xiàn)，最常用的功能是：授課管理、作業(yè)管理、答疑管理和其他的個(gè)性化教育資源定制服務(wù).對(duì)于遠(yuǎn)程教育和教育平臺(tái)的使用，其處理流程需要能夠在接口管理的接入幫助下，處理外部鏈接和系統(tǒng)接口的訪問權(quán)限.

（三）基于矩陣分解的推薦策略需要的教育平臺(tái)功能測試

教育資源使用用戶在利用推薦系統(tǒng)高質(zhì)量服務(wù)的時(shí)候，利用矩陣分解的不同算法，使用組合分解，將使用的數(shù)據(jù)比例按照不同的用途分解，常用的矩陣分解方法是：三角分解法、QR分解法、奇異值分解法，這三種分解法也可以按照不同的算法，進(jìn)行組合的分解，從而找到用戶的使用偏好.推薦策略對(duì)接教育平臺(tái)的功能測試，主要的端口有：用戶登錄、資源下載、下載推薦、評(píng)分推薦、資源檢索、郵件推送等，目前，也在嘗試與微信或者QQ端口進(jìn)行對(duì)接，既可以實(shí)現(xiàn)對(duì)于資源的推送，還可以將用戶在教育平臺(tái)上的登錄方式變得更加便捷.

三、結(jié)?論

文章介紹了對(duì)于教育平臺(tái)系統(tǒng)測試的硬件環(huán)境和軟件功能端口的對(duì)接，在詳細(xì)的測試案例總結(jié)之后，推薦功能的展示證實(shí)了基于矩陣分解的教育平臺(tái)應(yīng)用是合理有效的，值得推廣使用.因此，為了能夠推進(jìn)實(shí)際產(chǎn)生的數(shù)據(jù)和系統(tǒng)推薦資源的合理鏈接率，給教育資源的使用用戶提供更多的便利，就需要能夠在推薦性能評(píng)估和分析的過程中，更多地使用組合矩陣分解算法，達(dá)成快捷、簡便、精準(zhǔn)的使用效果.

【參考文獻(xiàn)】

[1]陳建兵，申建芳，陳平華.融合評(píng)論文本和圖像語義特征的興趣點(diǎn)推薦[J/OL].計(jì)算機(jī)工程與應(yīng)用：1-11[2019-12-17].http：//kns.cnki.net/kcms/detail/11.2127.TP.20191031.1409.009.html.

[2]劉春玲，張黎.改進(jìn)非對(duì)稱相似度和關(guān)聯(lián)正則化的推薦算法[J/OL].計(jì)算機(jī)工程與應(yīng)用：1-6[2019-12-17].http：//kns.cnki.net/kcms/detail/11.2127.TP.20190925.1357.018.html.

[3]張岐山，翁麗娟.社會(huì)化推薦系統(tǒng)綜述[J/OL].計(jì)算機(jī)工程與應(yīng)用：1-12[2019-12-17].http：//kns.cnki.net/kcms/detail/11.2127.TP.20190923.1056.002.html.

[4]馮興杰，曾云澤.基于評(píng)分矩陣與評(píng)論文本的深度推薦模型[J/OL].計(jì)算機(jī)學(xué)報(bào)，2019：1-18[2019-12-17].http：//kns.cnki.net/kcms/detail/11.1826.TP.20190912.1807.004.html.