覃忠臺(tái)，張明軍

(廣州大學(xué)華軟軟件學(xué)院，廣東 廣州 510990)

0 引 言

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展以及教育信息化的普及，在線(xiàn)學(xué)習(xí)平臺(tái)被廣泛應(yīng)用于教育培訓(xùn)行業(yè)中，用戶(hù)通過(guò)學(xué)習(xí)平臺(tái)推薦系統(tǒng)輕松獲取自己的學(xué)習(xí)資源[1]。隨著網(wǎng)上學(xué)習(xí)資源日趨豐富，加之不同的學(xué)習(xí)用戶(hù)其屬性特征如學(xué)習(xí)風(fēng)格、學(xué)習(xí)偏好和學(xué)習(xí)水平等會(huì)影響用戶(hù)在學(xué)習(xí)平臺(tái)中精準(zhǔn)獲取自己需要的學(xué)習(xí)資源[2]。傳統(tǒng)的推薦算法在新、舊用戶(hù)之間的相似度計(jì)算時(shí)，當(dāng)存在新用戶(hù)對(duì)學(xué)習(xí)資源未進(jìn)行評(píng)價(jià)或者沒(méi)有評(píng)價(jià)過(guò)任何學(xué)習(xí)資源，會(huì)產(chǎn)生數(shù)據(jù)稀疏、延展性差等問(wèn)題，導(dǎo)致學(xué)習(xí)資源推薦結(jié)果解釋性不強(qiáng)；此外，傳統(tǒng)的推薦算法由于忽略了用戶(hù)的行為特性而導(dǎo)致存在用戶(hù)冷啟動(dòng)問(wèn)題，使得推薦結(jié)果不能給用戶(hù)帶來(lái)驚喜[3-5]。針對(duì)上述問(wèn)題，許多學(xué)者從不同的技術(shù)角度對(duì)學(xué)習(xí)資源進(jìn)行個(gè)性化推薦算法研究，其中協(xié)同過(guò)濾推薦算法應(yīng)用最為廣泛[6]，在推薦算法中綜合考慮用戶(hù)的各種潛在行為信息為用戶(hù)推薦感興趣的資源[7-9]。文中提出了基于協(xié)同過(guò)濾算法的學(xué)習(xí)資源推薦模型。通過(guò)對(duì)學(xué)習(xí)用戶(hù)和學(xué)習(xí)資源進(jìn)行知識(shí)建模，利用協(xié)同過(guò)濾算法，將學(xué)習(xí)用戶(hù)模型和學(xué)習(xí)資源模型融入推薦過(guò)程。根據(jù)學(xué)習(xí)用戶(hù)的屬性特征進(jìn)行學(xué)習(xí)資源個(gè)性化推薦，有效緩解傳統(tǒng)推薦技術(shù)存在的數(shù)據(jù)稀疏和冷啟動(dòng)問(wèn)題。

1 模型構(gòu)建

學(xué)習(xí)資源推薦平臺(tái)包括學(xué)習(xí)用戶(hù)、學(xué)習(xí)資源、關(guān)系數(shù)據(jù)集和CF推薦模塊四部分。構(gòu)建的學(xué)習(xí)資源推薦模型如圖1所示。

圖1 學(xué)習(xí)資源推薦模型

學(xué)習(xí)用戶(hù)模型存儲(chǔ)學(xué)習(xí)用戶(hù)的學(xué)習(xí)水平、學(xué)習(xí)風(fēng)格、學(xué)習(xí)偏好等屬性特征信息。學(xué)習(xí)資源模型儲(chǔ)存多媒體和文本等格式的學(xué)習(xí)資源。關(guān)系數(shù)據(jù)集儲(chǔ)存學(xué)習(xí)用戶(hù)與學(xué)習(xí)資源本體領(lǐng)域知識(shí)的活動(dòng)行為的關(guān)系數(shù)據(jù)信息。CF推薦模塊通過(guò)學(xué)習(xí)用戶(hù)與學(xué)習(xí)資源本體領(lǐng)域知識(shí)的關(guān)系數(shù)據(jù)集合信息計(jì)算目標(biāo)用戶(hù)評(píng)分的相似度和預(yù)測(cè)評(píng)分，生成目標(biāo)用戶(hù)Top-N學(xué)習(xí)資源推薦列表。最后結(jié)合目標(biāo)用戶(hù)的屬性特征信息將學(xué)習(xí)資源個(gè)性化推薦給目標(biāo)用戶(hù)。

1.1 學(xué)習(xí)用戶(hù)模型

對(duì)學(xué)習(xí)用戶(hù)進(jìn)行學(xué)習(xí)資源個(gè)性化推薦是構(gòu)建一個(gè)完整的用戶(hù)特征信息庫(kù)。包括學(xué)習(xí)風(fēng)格、學(xué)習(xí)水平、學(xué)習(xí)偏好等學(xué)習(xí)特征以及用戶(hù)對(duì)學(xué)習(xí)資源的評(píng)論、下載、點(diǎn)贊和收藏等行為特征[10]。

定義1：學(xué)習(xí)用戶(hù)信息u形式化定義為一個(gè)五元組。其中n為用戶(hù)名，a為年齡，s為性別，e為學(xué)歷，t為聯(lián)系電話(huà)。用U表示所有學(xué)習(xí)用戶(hù)的集合。

定義2：用戶(hù)學(xué)習(xí)風(fēng)格s形式化定義為一個(gè)二元組。其中t為學(xué)習(xí)風(fēng)格類(lèi)型，有活躍/沉思型、感悟/直覺(jué)型、視覺(jué)/言語(yǔ)型、序列/綜合型等四種，關(guān)聯(lián)表示為t(活躍/沉思型，感悟/直覺(jué)型，視覺(jué)/言語(yǔ)型，序列/綜合型)=(0，1，2，3)；U為定義1中的所有用戶(hù)的集合。用S表示所有用戶(hù)的學(xué)習(xí)風(fēng)格集合。

定義3：用戶(hù)學(xué)習(xí)水平h形式化定義為一個(gè)三元組。其中g(shù)為學(xué)習(xí)水平檔次，有初級(jí)、中級(jí)、高級(jí)三種，關(guān)聯(lián)表示為g(初級(jí)，中級(jí)，高級(jí))=(0，1，2)；t為測(cè)試得分范圍，g的學(xué)習(xí)水平檔次取決于t的分值范圍，對(duì)于t∈[0,3]，則g=0，對(duì)于t∈[4,6]，則g=1，對(duì)于t∈[7,10]，則g=2；U為定義1中的所有用戶(hù)集合。用H表示所有用戶(hù)學(xué)習(xí)水平集合。

定義4：用戶(hù)偏好信息p形式化定義為一個(gè)二元組。其中d為用戶(hù)偏好信息的描述，如喜歡或者需要哪種學(xué)習(xí)資源信息，U為定義1中的所有用戶(hù)集合。用P表示所有用戶(hù)偏好信息的集合。

定義5：用戶(hù)行為日志v形式化定義為一個(gè)五元組。其中d為下載行為，c為評(píng)論行為，f為收藏行為，l為點(diǎn)贊行為，U為定義1中的所有學(xué)習(xí)用戶(hù)集合。用V表示所有用戶(hù)的行為日志記錄。

假設(shè)給定行為觸發(fā)因子λ的值，0為未觸發(fā)，1為觸發(fā)；R為行為評(píng)分，R=[1,5]，β為行為激勵(lì)因子，β=[0,1]，βd、βc、βf、βl分別表示四種行為的激勵(lì)因子，若存在學(xué)習(xí)資源對(duì)象i和用戶(hù)u，i∈I，u∈U，du,i、cu,i、fu,i、lu,i表示學(xué)習(xí)用戶(hù)u對(duì)學(xué)習(xí)資源i的四種行為評(píng)分，則λ*du,i*βd+λ*cu,i*βc+λ*fu,i*βf+λ*lu,i*βl反映用戶(hù)u對(duì)學(xué)習(xí)資源i的興趣。

根據(jù)上述定義，應(yīng)用本體描述語(yǔ)言O(shè)WL和Protégé工具進(jìn)行知識(shí)建模[11]。構(gòu)建的學(xué)習(xí)用戶(hù)模型如圖2所示。

圖2 學(xué)習(xí)用戶(hù)模型

將學(xué)習(xí)用戶(hù)的屬性特征信息存儲(chǔ)在模型中，模型中的數(shù)據(jù)隨用戶(hù)的屬性特征變化而更新，形成個(gè)性化學(xué)習(xí)用戶(hù)知識(shí)庫(kù)。

1.2 學(xué)習(xí)資源模型

在線(xiàn)學(xué)習(xí)平臺(tái)上的資源具有學(xué)科多樣性。通過(guò)挖掘?qū)W科知識(shí)點(diǎn)的關(guān)聯(lián)關(guān)系，從知識(shí)點(diǎn)中提取相關(guān)的實(shí)體列表并進(jìn)行分類(lèi)，包括音頻、視頻、動(dòng)畫(huà)、圖像、課件、教案、案例、作業(yè)、試題等，以學(xué)科為核心建立學(xué)習(xí)對(duì)象層和學(xué)習(xí)資源層。

定義6：學(xué)習(xí)對(duì)象層o形式化定義為一個(gè)二元組。其中n為學(xué)習(xí)對(duì)象課程名稱(chēng)，如《微信小程序開(kāi)發(fā)實(shí)戰(zhàn)》；m為學(xué)習(xí)模式，表示該課程有問(wèn)答、考試、檢索、網(wǎng)絡(luò)課程等模式，m(問(wèn)答、考試、檢索、網(wǎng)絡(luò)課程)=(0，1，2，3)。用O表示所有學(xué)習(xí)對(duì)象的集合。

定義7：學(xué)習(xí)資源層i形式化定義為一個(gè)六元組。其中n為資源名稱(chēng)；t為文本類(lèi)資源，有課件、教案、案例、作業(yè)、試題等類(lèi)型；m為媒體類(lèi)資源，有視頻、圖像、音頻和動(dòng)畫(huà)等類(lèi)型；d為學(xué)習(xí)難度，對(duì)應(yīng)定義3的學(xué)習(xí)用戶(hù)水平，有低、中、高三種，d(低，中，高)=(0，1，2)；a為資源屬性，對(duì)應(yīng)定義2的用戶(hù)學(xué)習(xí)風(fēng)格，有交互功能類(lèi)/博客、日志類(lèi)，常識(shí)、案例類(lèi)/抽象類(lèi)，可視化媒體類(lèi)/文本類(lèi)，導(dǎo)航類(lèi)/提綱、概述、知識(shí)樹(shù)類(lèi)；O為定義6中所有學(xué)習(xí)對(duì)象的集合。用I表示所有學(xué)習(xí)資源的集合。

根據(jù)上述定義，基于Protégé的本體知識(shí)建模構(gòu)建的學(xué)習(xí)資源模型如圖3所示。

圖3 學(xué)習(xí)資源模型

構(gòu)建的學(xué)習(xí)資源模型體現(xiàn)了學(xué)習(xí)用戶(hù)之間、學(xué)習(xí)用戶(hù)與學(xué)習(xí)資源之間以及學(xué)習(xí)資源知識(shí)點(diǎn)之間的關(guān)系，CF推薦模塊通過(guò)關(guān)系數(shù)據(jù)集中學(xué)習(xí)用戶(hù)和學(xué)習(xí)資源之間的語(yǔ)義關(guān)系對(duì)學(xué)習(xí)資源對(duì)象之間進(jìn)行相似性計(jì)算并對(duì)目標(biāo)用戶(hù)進(jìn)行預(yù)測(cè)評(píng)分。

1.3 CF推薦模塊算法

CF推薦模塊通過(guò)用戶(hù)-學(xué)習(xí)資源評(píng)分矩陣構(gòu)成的關(guān)系數(shù)據(jù)集來(lái)計(jì)算學(xué)習(xí)用戶(hù)對(duì)已評(píng)分的學(xué)習(xí)資源對(duì)象的相似度，獲得學(xué)習(xí)資源對(duì)象的鄰居集，預(yù)測(cè)目標(biāo)用戶(hù)對(duì)學(xué)習(xí)資源對(duì)象的評(píng)分，最后根據(jù)學(xué)習(xí)用戶(hù)模型的屬性特征信息生成個(gè)性化學(xué)習(xí)資源推薦列表并推薦給目標(biāo)用戶(hù)。

(1)構(gòu)建評(píng)分矩陣。

學(xué)習(xí)用戶(hù)對(duì)所有學(xué)習(xí)資源評(píng)分的數(shù)據(jù)集D形式化定義為一個(gè)三元組，其中U為所有學(xué)習(xí)用戶(hù)集合，U={u1,u2,…,um}，|U|=m為學(xué)習(xí)用戶(hù)數(shù)；I為所有學(xué)習(xí)資源集合，I={i1,i2,…,in}，|I|=n為學(xué)習(xí)資源數(shù)；R為學(xué)習(xí)用戶(hù)對(duì)學(xué)習(xí)資源的評(píng)分矩陣，R=|m*n|，如表1所示。R(i,j){i,j|i∈(1,m),j∈(1,n)}為評(píng)分矩陣R中的評(píng)分元素之一。R(i,j)為數(shù)值類(lèi)型，設(shè)置為1～5。假如U中第i個(gè)用戶(hù)對(duì)I中第j個(gè)學(xué)習(xí)資源的評(píng)分為5，則表示用戶(hù)對(duì)該資源非常感興趣；假如評(píng)分為1，則表示用戶(hù)對(duì)資源不感興趣。

表1 用戶(hù)-學(xué)習(xí)資源評(píng)分矩陣

(2)相似度計(jì)算。

相似度計(jì)算是CF推薦模塊的關(guān)鍵步驟。常用的相似度計(jì)算方法有皮爾遜(Pearson)相關(guān)相似度、余弦(Cosine)相似度和修正的余弦相似度[11-13]。對(duì)于學(xué)習(xí)資源平臺(tái)，用戶(hù)的興趣具有固定性和持久性，資源的更新頻度具有一定的時(shí)間周期性。在建立的學(xué)習(xí)用戶(hù)和學(xué)習(xí)資源模型的基礎(chǔ)上，結(jié)合學(xué)習(xí)用戶(hù)對(duì)學(xué)習(xí)資源的評(píng)分，文中采用基于修正的余弦相似度的改進(jìn)計(jì)算方法(標(biāo)記為MS)來(lái)計(jì)算相似度。將學(xué)習(xí)用戶(hù)的下載、評(píng)論、收藏和點(diǎn)贊等行為作為相似因子加入計(jì)算式中以提高相似度計(jì)算的置信度。假設(shè)Ru,i為用戶(hù)u對(duì)學(xué)習(xí)資源對(duì)象i的評(píng)分，Ru,j為用戶(hù)u對(duì)學(xué)習(xí)資源對(duì)象j的評(píng)分。根據(jù)定義5，則有：

Ru,i=λ×du,i×βd+λ×cu,i×βc+λ×fu,i×βf+

λ×lu,i×βl

(1)

Ru,j=λ×du,j×βd+λ×cu,j×βc+λ×fu,j×βf+

λ×lu,j×βl

(2)

學(xué)習(xí)資源對(duì)象i和j的相似度計(jì)算公式sim(i,j)如下：

sim(i,j)=MS=

(3)

(3)預(yù)測(cè)評(píng)分。

根據(jù)式(3)得到的最近鄰居集，預(yù)測(cè)目標(biāo)用戶(hù)對(duì)學(xué)習(xí)資源對(duì)象的評(píng)分。假設(shè)Pu,i為目標(biāo)用戶(hù)u對(duì)學(xué)習(xí)資源對(duì)象i的預(yù)測(cè)評(píng)分；N為與學(xué)習(xí)資源對(duì)象i的鄰居集，由式(3)計(jì)算得來(lái)，且k∈N，k為鄰居集N中的學(xué)習(xí)資源對(duì)象之一，sim(i,k)為學(xué)習(xí)資源對(duì)象i與鄰居集N中的學(xué)習(xí)資源對(duì)象k的相似度；Ru,k為目標(biāo)用戶(hù)u對(duì)學(xué)習(xí)資源對(duì)象k的評(píng)分。則目標(biāo)用戶(hù)u對(duì)學(xué)習(xí)資源對(duì)象i的預(yù)測(cè)評(píng)分為：

(4)

1.4 模型實(shí)例的執(zhí)行及CF算法流程

定義8：學(xué)習(xí)用戶(hù)模型實(shí)例w形式化定義為一個(gè)六元組。其中n為用戶(hù)實(shí)例名稱(chēng)，S為定義2中所有用戶(hù)學(xué)習(xí)風(fēng)格集合，H為定義3中所有用戶(hù)學(xué)習(xí)水平集合，P為定義4中所有用戶(hù)偏好信息集合，V為定義5中所有用戶(hù)訪問(wèn)日志集合，U為定義1中所有用戶(hù)集合。

定義9：學(xué)習(xí)資源模型實(shí)例k形式化定義為一個(gè)四元組。其中n為實(shí)例名稱(chēng)，I為定義7中的所有學(xué)習(xí)資源對(duì)象集合，I={i1,i2,…,im}，W為定義8中的所有用戶(hù)實(shí)例，為學(xué)習(xí)用戶(hù)和學(xué)習(xí)資源之間建立關(guān)聯(lián)，O為定義6中的學(xué)習(xí)對(duì)象集合。

根據(jù)定義8和定義9，用W表示所有學(xué)習(xí)用戶(hù)模型實(shí)例的集合，W={w1,w2,…,wn}。用K表示所有學(xué)習(xí)用戶(hù)與學(xué)習(xí)資源本體領(lǐng)域知識(shí)的關(guān)系數(shù)據(jù)集合，K={k1,k2,…,kv}，其中kj={wj,ij}。用R表示學(xué)習(xí)用戶(hù)對(duì)學(xué)習(xí)資源的評(píng)分集合，R={1，2，3，4，5}表示評(píng)分范圍。用戶(hù)進(jìn)入E-learning平臺(tái)參與在線(xiàn)學(xué)習(xí)活動(dòng)的過(guò)程：

(1)用戶(hù)從定義8的W中啟動(dòng)用戶(hù)實(shí)例w。如果用戶(hù)第一次進(jìn)入平臺(tái)，從定義1中進(jìn)行個(gè)人信息注冊(cè)。獲取該用戶(hù)實(shí)例名稱(chēng)n，建立一個(gè)新的用戶(hù)實(shí)例結(jié)構(gòu)u，其中Wu=nw。

(2)通過(guò)學(xué)習(xí)平臺(tái)推薦模型進(jìn)行語(yǔ)義搜索，分析學(xué)習(xí)用戶(hù)屬性特征并確定學(xué)習(xí)偏好、風(fēng)格及水平。當(dāng)?St=?，則St←0‖1‖2‖3；當(dāng)?Pd=?，則Pd←用戶(hù)填寫(xiě)偏好信息；當(dāng)?Hg=?，則Hg←隨機(jī)進(jìn)行學(xué)習(xí)水平測(cè)試。

(3)在CF推薦模塊中輸入I,K,R，分析用戶(hù)行為日志，顯式獲取學(xué)習(xí)用戶(hù)Vd、Vc、Vf、Vl等行為信息。算法流程如圖4所示。

圖4 CF推薦算法流程

(4)CF推薦模塊計(jì)算出目標(biāo)用戶(hù)w對(duì)未評(píng)分學(xué)習(xí)資源對(duì)象i的預(yù)測(cè)值，然后根據(jù)預(yù)測(cè)值由高到低確定n個(gè)排在最前的項(xiàng)作為top-N推薦集結(jié)果。在分析學(xué)習(xí)用戶(hù)屬性特征的基礎(chǔ)上，當(dāng)?St=0‖1‖2‖3，則nw←推薦適合學(xué)習(xí)用戶(hù)學(xué)習(xí)風(fēng)格的資源；?Pd≠?，則nw←推薦適合學(xué)習(xí)用戶(hù)偏好的資源；當(dāng)?Hg=0‖1‖2，則Hg←推薦適合學(xué)習(xí)用戶(hù)水平層次的資源。

(5)由上述推薦結(jié)果，用戶(hù)從定義9的I中啟動(dòng)推薦的學(xué)習(xí)資源實(shí)例i。獲取該學(xué)習(xí)資源實(shí)例名稱(chēng)n，建立一個(gè)新的學(xué)習(xí)資源實(shí)例結(jié)構(gòu)p，其中Ip=ni。

(6)當(dāng)?nw→ni，則系統(tǒng)記錄用戶(hù)日志行為：Vd←下載，Vc←評(píng)論，Vf←收藏，Vl←點(diǎn)贊。

將構(gòu)建的學(xué)習(xí)用戶(hù)和學(xué)習(xí)資源模型融入CF推薦模塊，提高學(xué)習(xí)資源檢索的效率與準(zhǔn)確度，當(dāng)新用戶(hù)進(jìn)入學(xué)習(xí)平臺(tái)推薦模型時(shí)，會(huì)根據(jù)學(xué)習(xí)用戶(hù)屬性特征信息進(jìn)行語(yǔ)義搜索、分析并確定其學(xué)習(xí)偏好，與學(xué)習(xí)用戶(hù)模型進(jìn)行匹配，從而為目標(biāo)用戶(hù)實(shí)現(xiàn)學(xué)習(xí)資源個(gè)性化推薦，緩解了用戶(hù)的冷啟動(dòng)問(wèn)題。

2 模型測(cè)試及實(shí)驗(yàn)分析

2.1 測(cè)試數(shù)據(jù)集

實(shí)驗(yàn)數(shù)據(jù)來(lái)源于本校精品資源網(wǎng)絡(luò)課程學(xué)習(xí)平臺(tái)，目前學(xué)習(xí)平臺(tái)注冊(cè)用戶(hù)有6 000多人，用戶(hù)評(píng)分過(guò)的學(xué)習(xí)資源超過(guò)1 000個(gè)。從系統(tǒng)中抽取300個(gè)用戶(hù)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)測(cè)試，數(shù)據(jù)集結(jié)構(gòu)如表2所示。

表2 數(shù)據(jù)集

分析數(shù)據(jù)集中的用戶(hù)行為日志，若有下載、收藏、評(píng)論、點(diǎn)贊等行為，將觸發(fā)因子設(shè)為1，反之設(shè)為0，為每種行為設(shè)定0～1之間的激勵(lì)因子。根據(jù)表1設(shè)計(jì)的評(píng)分矩陣，評(píng)分范圍為1～5，1為非常不感興趣，5為非常感興趣，0為未評(píng)分。將實(shí)驗(yàn)數(shù)據(jù)隨機(jī)分成5份，其中4份用作訓(xùn)練集數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練生成推薦結(jié)果，構(gòu)建推薦模型；另外1份用作測(cè)試集數(shù)據(jù)進(jìn)行驗(yàn)證推薦結(jié)果，實(shí)驗(yàn)時(shí)進(jìn)行多次交叉驗(yàn)證。

2.2 測(cè)試結(jié)果與分析

為驗(yàn)證文中提出算法的有效性，將MS相似度算法與余弦相似度(Cosine)和皮爾遜(Pearson)相關(guān)相似度進(jìn)行評(píng)價(jià)比較。評(píng)價(jià)標(biāo)準(zhǔn)采用推薦算法的MAE評(píng)價(jià)指標(biāo)[14]，通過(guò)MAE的平均絕對(duì)誤差準(zhǔn)確預(yù)測(cè)學(xué)習(xí)用戶(hù)的評(píng)分來(lái)評(píng)估算法的有效性。計(jì)算公式為：

(5)

其中，MAE為平均絕對(duì)誤差，yi為學(xué)習(xí)用戶(hù)對(duì)學(xué)習(xí)資源的預(yù)測(cè)評(píng)分，xi為學(xué)習(xí)用戶(hù)對(duì)學(xué)習(xí)資源的實(shí)際評(píng)分，n為預(yù)測(cè)評(píng)分的次數(shù)。在測(cè)試過(guò)程中，設(shè)置近鄰個(gè)數(shù)按照步長(zhǎng)為10，從10增加到100，計(jì)算使用MS、Cosine和Pearson三種不同相似性度量方法時(shí)的MAE值，三種算法的MAE實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 Cosine、Pearson和MS的MAE值

由圖5可看出，在相近鄰居不斷增加的情況下，MS算法的MAE值均比Cosine和Pearson的MAE值低，且逐步遞減，這說(shuō)明了數(shù)據(jù)的稀疏性在降低，MAE值越低，算法的準(zhǔn)確率越高。從走勢(shì)線(xiàn)圖可看出，MS在測(cè)試的后面是逐步勢(shì)于平穩(wěn)，顯示出MS算法在鄰居集數(shù)量進(jìn)一步增加情況下的推薦性能具有一定的平穩(wěn)性。實(shí)驗(yàn)證明，在融入學(xué)習(xí)用戶(hù)的屬性特征信息的MS算法提高了用戶(hù)鄰居集的識(shí)別精度，有效緩解了數(shù)據(jù)的稀疏性和用戶(hù)冷啟動(dòng)問(wèn)題，提高了學(xué)習(xí)資源的個(gè)性化推薦，具有較強(qiáng)的解釋性，推薦結(jié)果優(yōu)于傳統(tǒng)的推薦算法。

3 結(jié)束語(yǔ)

針對(duì)在線(xiàn)學(xué)習(xí)平臺(tái)在傳統(tǒng)的推薦算法中存在的數(shù)據(jù)稀疏性和冷啟動(dòng)問(wèn)題，研究了基于協(xié)同過(guò)濾算法的學(xué)習(xí)資源推薦模型。在給出學(xué)習(xí)資源推薦模型的基礎(chǔ)上構(gòu)建了學(xué)習(xí)用戶(hù)模型和學(xué)習(xí)資源模型，使用基于修正的余弦相似度的改進(jìn)計(jì)算方法進(jìn)行相似度計(jì)算和預(yù)測(cè)評(píng)分，獲得潛在的推薦學(xué)習(xí)資源對(duì)象，將學(xué)習(xí)用戶(hù)的學(xué)習(xí)風(fēng)格、學(xué)習(xí)水平、學(xué)習(xí)偏好等屬性特征融入推薦過(guò)程進(jìn)行學(xué)習(xí)資源個(gè)性化推薦。通過(guò)與傳統(tǒng)的推薦模型對(duì)比，該推薦模型在推薦精度和個(gè)性化方面具有一定的優(yōu)勢(shì)，有效緩解了傳統(tǒng)推薦算法的數(shù)據(jù)稀疏性和冷啟動(dòng)問(wèn)題。