郝騰飛，郭建龍，劉 曉，馮偉夏，熊 山

（廣東電網(wǎng)有限責(zé)任公司培訓(xùn)與評(píng)價(jià)中心，廣州 510520）

近年來(lái)，在線學(xué)習(xí)獲得了飛躍的發(fā)展，2020 年新冠肺炎疫情的爆發(fā)更是讓線上學(xué)習(xí)成為了一種不可或缺的學(xué)習(xí)方式。線上學(xué)習(xí)具有獲取知識(shí)便捷、節(jié)約學(xué)習(xí)時(shí)間和價(jià)格成本低等優(yōu)點(diǎn)，但在線學(xué)習(xí)還存在一些不足，如視頻內(nèi)容快速檢索困難、回放定位輔助操作不清楚、知識(shí)點(diǎn)與視頻幀無(wú)關(guān)聯(lián)等，從而不利于知識(shí)信息在視頻中的注入和檢索生成，導(dǎo)致學(xué)習(xí)者難以快速精準(zhǔn)獲取適合自身的個(gè)性化學(xué)習(xí)資源[1-4]。

針對(duì)MOOC（Massive Open Online Course，MOOC）教學(xué)視頻內(nèi)容檢索不便和知識(shí)點(diǎn)與視頻幀無(wú)法關(guān)聯(lián)的問(wèn)題，許鄧艷等[5]基于知識(shí)注釋的MOOC 視頻快速檢索系統(tǒng)探究了視頻快速分割方法，但在視頻檢索并未考慮用戶(hù)的個(gè)性化信息。針對(duì)在線學(xué)習(xí)個(gè)性化欠缺的問(wèn)題，朱曉云[6]認(rèn)為應(yīng)當(dāng)研究用戶(hù)群需求，進(jìn)而從數(shù)據(jù)龐大的資源中提取真正滿(mǎn)足用戶(hù)需求的資源；張莉萍[7]強(qiáng)調(diào)知識(shí)整合，認(rèn)為應(yīng)當(dāng)著眼用戶(hù)需要，積極為其提供完善的知識(shí)信息服務(wù)。劉愛(ài)琴等[8-10]提出在在線學(xué)習(xí)中利用自組織映射網(wǎng)絡(luò)（Self-Organizing Feature Map，SOM）神經(jīng)網(wǎng)絡(luò)算法對(duì)用戶(hù)個(gè)人特征信息、行為數(shù)據(jù)及文獻(xiàn)數(shù)據(jù)庫(kù)進(jìn)行聚類(lèi)分析，進(jìn)而提出一種自適應(yīng)學(xué)習(xí)框架，用來(lái)滿(mǎn)足用戶(hù)學(xué)習(xí)的個(gè)性化需要。上述文獻(xiàn)中提出的方法都在一定程度上提高了檢索速度或精度，但均未考慮不同歷史時(shí)間段瀏覽內(nèi)容與本次用戶(hù)檢索內(nèi)容的關(guān)聯(lián)性，對(duì)新的搜索特征缺乏敏感性，無(wú)法根據(jù)用戶(hù)搜索內(nèi)容及時(shí)調(diào)整對(duì)應(yīng)的資源快速推薦庫(kù)，導(dǎo)致資源檢索的快速性和精準(zhǔn)性較低。

針對(duì)上述問(wèn)題，本文提出了一種基于SOM 和時(shí)間權(quán)重的資源快速精準(zhǔn)檢索方法。該方法首先基于員工基本信息和歷史瀏覽記錄構(gòu)建用戶(hù)特征集并進(jìn)行SOM 聚類(lèi)，得到不同特征用戶(hù)組成的用戶(hù)集群，并將利用該用戶(hù)集群得到的關(guān)聯(lián)資源集生成的資源快速推薦庫(kù)供用戶(hù)檢索，檢索內(nèi)容被采納后則生成瀏覽歷史記錄；再檢索時(shí)，根據(jù)用戶(hù)瀏覽歷史記錄與本次搜索時(shí)間的遠(yuǎn)近賦予時(shí)間權(quán)重，根據(jù)所賦時(shí)間權(quán)重更新用戶(hù)特征集并再聚類(lèi)，獲得新的關(guān)聯(lián)資源集群，并進(jìn)而得到新的資源快速推薦庫(kù)，依此類(lèi)推。仿真結(jié)果顯示本文提出的方法提高了檢索精確度，縮短了檢索時(shí)間。

1 SOM 神經(jīng)網(wǎng)絡(luò)聚類(lèi)算法

所謂聚類(lèi)系指基于一定特征的相似程度分組，實(shí)現(xiàn)組內(nèi)相似度最大，組間相似度最小的過(guò)程[11-12]。鑒于自組織特征映射神經(jīng)網(wǎng)絡(luò)SOM 算法具有無(wú)導(dǎo)師自組織學(xué)習(xí)、無(wú)參數(shù)、精準(zhǔn)化和穩(wěn)定性強(qiáng)的特點(diǎn)，廣泛應(yīng)用于智慧神經(jīng)網(wǎng)絡(luò)構(gòu)建分析、大數(shù)據(jù)分析處理和用戶(hù)個(gè)性化服務(wù)，在聚類(lèi)時(shí)間和聚類(lèi)效果上比其它算法更好。因此，本文采用自組織特征映射神經(jīng)網(wǎng)絡(luò)SOM 算法實(shí)施用戶(hù)聚類(lèi)。

1.1 SOM 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

如圖1 所示，SOM 神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)通常由輸入層和輸出層構(gòu)成，神經(jīng)網(wǎng)絡(luò)沒(méi)有隱含層。由圖1 可見(jiàn)，一維輸入層與二維輸出層所有神經(jīng)元之間存在縱向全權(quán)連接關(guān)系，輸入層中各個(gè)神經(jīng)元之間彼此獨(dú)立，不存在權(quán)連接關(guān)系；輸出層各神經(jīng)元之間存在雙向權(quán)連接關(guān)系。本文所采用的SOM 神經(jīng)網(wǎng)絡(luò)框架，其輸入層由m 個(gè)神經(jīng)元組成，對(duì)應(yīng)輸入為m 維向量x1，x2，…，xi，…，xm記作x=[x1，x2，…，xi，…xm]T，i=1，2，…，m。輸出層由n 個(gè)神經(jīng)元組成，任一輸入向量xi與輸出向量縱向全權(quán)連接權(quán)值向量為wi1，wi2，…，wij，…，win記作wi=[wi1，wi2，…，wij，…，win]，j=1，2，…，n。

圖1 SOM 神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

對(duì)SOM 神經(jīng)網(wǎng)絡(luò)而言，一旦網(wǎng)絡(luò)結(jié)構(gòu)、輸入向量及輸出向量確定后，其關(guān)鍵是通過(guò)訓(xùn)練對(duì)神經(jīng)網(wǎng)絡(luò)的輸入與輸出、輸出向量之間的連接權(quán)值向量進(jìn)行調(diào)整，以提高SOM 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度和速度。

1.2 SOM 算法原理

自組織特征神經(jīng)網(wǎng)絡(luò)算法實(shí)質(zhì)是對(duì)各神經(jīng)元之間連接權(quán)值向量調(diào)整和優(yōu)化過(guò)程，該過(guò)程分為粗學(xué)習(xí)與粗調(diào)整和精學(xué)習(xí)與細(xì)調(diào)2 個(gè)階段。粗學(xué)習(xí)與粗調(diào)整階段，常用歐式距離法或余弦法計(jì)算輸入向量和輸出向量之間相似程度，大致確定輸入向量在輸出層所對(duì)應(yīng)的影射位置[13]。精學(xué)習(xí)與細(xì)調(diào)整階段，在粗調(diào)整階段所建立的輸入和輸出拓?fù)潢P(guān)系基礎(chǔ)上，在小范圍內(nèi)對(duì)連接權(quán)值進(jìn)行調(diào)整。

SOM 算法流程如圖2 所示，介紹如下。

圖2 SOM 算法流程圖

（1）權(quán)值向量的歸一化。對(duì)全連接權(quán)值向量wi=[wi1，wi2，…，wij，…，win]賦予初值，假設(shè)權(quán)值向量值wij線性無(wú)關(guān)，則可歸一化為

式中：j 為輸出向量個(gè)數(shù)，j=1，2，…，n。

（2）輸入向量的歸一化。對(duì)輸入向量x=[x（1t），x2（t），…，x（it），…x（mt）]T進(jìn)行歸一化，即

式中：xi（t）為第t 次學(xué)習(xí)優(yōu)化得到的輸入向量；t 為優(yōu)化次數(shù)，t＝0，1，2，…。

（3）計(jì)算任一輸入向量xi（t）與第j 個(gè)輸出向量之間權(quán)值向量的歐式距離，即

選擇歐式距離dj最小的對(duì)應(yīng)的輸出向量為獲勝神經(jīng)元j*。

（4）選擇優(yōu)勝鄰域。以獲勝神經(jīng)元j*作為中心，根據(jù)優(yōu)化次數(shù)t 來(lái)確定優(yōu)化鄰域半徑。初始鄰域范圍Sj*（0）最大，隨著優(yōu)化次數(shù)的增加，鄰域范圍Sj*（t）逐步收縮。本文采用指數(shù)衰減法來(lái)縮減鄰域范圍，即

式中：T 為衰減常數(shù)，直接影響學(xué)習(xí)優(yōu)化迭代次數(shù)。

（5）權(quán)值向量?jī)?yōu)化學(xué)習(xí)調(diào)整。對(duì)權(quán)值向量進(jìn)行優(yōu)化調(diào)整，調(diào)整函數(shù)為

式中：βt為第t 次優(yōu)化的學(xué)習(xí)率，粗學(xué)習(xí)階段βt=β0e-t/T，精學(xué)習(xí)階段βt=β0（1-t/T）；hij（t）為第t 次優(yōu)化學(xué)習(xí)時(shí)輸出層獲勝神經(jīng)元j*調(diào)整的鄰域程度；β0為初始學(xué)習(xí)率。

調(diào)整后的權(quán)值向量為

重復(fù)以上步驟，直至優(yōu)化學(xué)習(xí)率小于設(shè)定值或達(dá)到設(shè)定的優(yōu)化學(xué)習(xí)次數(shù)，模型優(yōu)化結(jié)束。

2 時(shí)間權(quán)重

目前，基于用戶(hù)特征的個(gè)性化資源推薦策略中，往往只考慮了用戶(hù)瀏覽歷史記錄特征出現(xiàn)的的頻率，而忽視了其時(shí)間相關(guān)性。實(shí)際上，用戶(hù)搜索的內(nèi)容具有時(shí)間有效性，用戶(hù)興趣會(huì)隨時(shí)間流逝而變化[14]，過(guò)去某個(gè)時(shí)間段出現(xiàn)頻率較高的關(guān)鍵詞，在當(dāng)前階段搜索中并不一定密切相關(guān)，而用戶(hù)近期內(nèi)頻繁搜索或者檢索內(nèi)容與當(dāng)前搜索內(nèi)容更具延續(xù)性和關(guān)聯(lián)性，對(duì)當(dāng)前搜索內(nèi)容更具影響?；谶@一考慮，本文依據(jù)用戶(hù)歷史瀏覽資源距當(dāng)前檢索時(shí)間的遠(yuǎn)近而賦予不同的權(quán)重，即考慮時(shí)間權(quán)重的方法，將其納入基于用戶(hù)特征的個(gè)性化資源推薦策略中。時(shí)間權(quán)重主要涉及有效歷史時(shí)間跨度t、周期劃分及權(quán)重函數(shù)，即

（1）有效歷史時(shí)間跨度t 的確定

有效歷史時(shí)間跨度系指所選取的有效瀏覽歷史記錄涵蓋的時(shí)間長(zhǎng)度，由用戶(hù)學(xué)習(xí)同一領(lǐng)域相關(guān)內(nèi)容的周期長(zhǎng)度決定。用戶(hù)學(xué)習(xí)同一領(lǐng)域相關(guān)內(nèi)容的周期越長(zhǎng)，則有效歷史時(shí)間跨度越大，反之亦然。如果學(xué)習(xí)同一領(lǐng)域相關(guān)內(nèi)容的周期長(zhǎng)，有效歷史時(shí)間跨度選取較小，則會(huì)導(dǎo)致用戶(hù)有效信息被遺漏。反之，如果學(xué)習(xí)同一領(lǐng)域相關(guān)內(nèi)容的周期短，有效歷史時(shí)間跨度設(shè)置過(guò)大，則會(huì)極大增加平臺(tái)的數(shù)據(jù)處理量。有效歷史時(shí)間跨度應(yīng)結(jié)合實(shí)際情況，根據(jù)用戶(hù)學(xué)習(xí)同一領(lǐng)域內(nèi)容的周期來(lái)確定。

（2）權(quán)重周期的劃分

將有效歷史時(shí)間跨度t 劃分為不同的權(quán)重周期T，同一權(quán)重周期內(nèi)的歷史瀏覽資源取相同時(shí)間權(quán)重值。有效時(shí)間跨度t 與權(quán)重周期的關(guān)系可表示為

式中：Ti為有效歷史時(shí)間跨度t 內(nèi)的第i 個(gè)權(quán)重周期，與本次檢索的時(shí)間排序由近及遠(yuǎn)為T(mén)1，T2，…，Ti，…，Tn。

權(quán)重周期的選取與用戶(hù)的學(xué)習(xí)頻率密切相關(guān)，學(xué)習(xí)頻率越高，則T 的長(zhǎng)度越短，反之亦然。權(quán)重周期長(zhǎng)度的劃分基于以下2 點(diǎn)原則：其一要保證能夠及時(shí)提取用戶(hù)的新特征，其二要確保系統(tǒng)能夠?yàn)V除偶然因素對(duì)用戶(hù)特征的干擾。這2 點(diǎn)原則具有矛盾性，因此，權(quán)重周期的劃分需要權(quán)衡并通過(guò)測(cè)試達(dá)到最優(yōu)。

（3）時(shí)間權(quán)重函數(shù)的確定

對(duì)不同周期的歷史瀏覽資源賦予時(shí)間權(quán)重，決定了歷史瀏覽資源的對(duì)當(dāng)前檢索內(nèi)容有效性。因此，選取合適的權(quán)重函數(shù)對(duì)檢索結(jié)果的準(zhǔn)確性至關(guān)重要。張馳等[15]根據(jù)記憶激活理論，研究了用戶(hù)歷史行為物品對(duì)當(dāng)前物品影響的時(shí)間權(quán)重。通過(guò)對(duì)指數(shù)型函數(shù)、線性函數(shù)及二次函數(shù)的分析，指數(shù)函數(shù)具有初始遞減速度快、近期資源權(quán)重占比大的特點(diǎn)，更加符合資源檢索的實(shí)際情況，故選定指數(shù)型函數(shù)作為時(shí)間權(quán)重函數(shù)，即

式中：k、b 為待定系數(shù)，通過(guò)測(cè)試確定。

3 基于SOM 神經(jīng)網(wǎng)絡(luò)聚類(lèi)算法電力資源快速精確檢索

基于SOM 神經(jīng)網(wǎng)絡(luò)聚類(lèi)算法電力資源快速精確檢索流程如圖3 所示。精確檢索流程圖介紹如下。

圖3 電力企業(yè)大學(xué)資源快速精確檢索流程

（1）用戶(hù)聚類(lèi)。根據(jù)用戶(hù)的基本信息和歷史瀏覽記錄提取用戶(hù)特征集，采用SOM 神經(jīng)網(wǎng)絡(luò)算法對(duì)用戶(hù)依據(jù)標(biāo)簽進(jìn)行聚類(lèi)，根據(jù)聚類(lèi)結(jié)果構(gòu)建構(gòu)建具有相似特征的用戶(hù)集群；對(duì)集群用戶(hù)的歷史瀏覽記錄進(jìn)行統(tǒng)計(jì)處理并形成關(guān)聯(lián)資源庫(kù)，為刷新快速推薦資源庫(kù)做好準(zhǔn)備。

（2）資源推薦。用戶(hù)登錄后，首先提取用戶(hù)所在的聚類(lèi)集群信息，然后從用戶(hù)輸入信息中提取特征并與用戶(hù)特征集進(jìn)行匹配。若匹配成功，則優(yōu)先從快速推薦資源庫(kù)進(jìn)行資源推薦；若匹配不成功或快速推薦資源庫(kù)沒(méi)有符合用戶(hù)要求的資源，則從平臺(tái)總資源庫(kù)進(jìn)行檢索并推薦。

（3）用戶(hù)特征集更新。當(dāng)用戶(hù)采納推薦資源后，自動(dòng)生成歷史瀏覽記錄。基于時(shí)間權(quán)重對(duì)用戶(hù)特征集進(jìn)行更新。用戶(hù)特征集每次更新后不一定重新參與聚類(lèi)，需要對(duì)用戶(hù)特征集變化與設(shè)定閾值進(jìn)行比較，若超過(guò)設(shè)定閾值則重新聚類(lèi)，當(dāng)用戶(hù)被重新劃分到不同的聚類(lèi)集群后，相應(yīng)的快速推薦資源庫(kù)也會(huì)相應(yīng)刷新。

3.1 基于SOM 算法的用戶(hù)聚類(lèi)

為對(duì)電力企業(yè)大學(xué)平臺(tái)用戶(hù)進(jìn)行聚類(lèi)，首先需根據(jù)平臺(tái)資源和用戶(hù)信息建立用戶(hù)特征集體系，用戶(hù)特征集體系主要包括是否新員工、資源類(lèi)型、作業(yè)對(duì)象、業(yè)務(wù)類(lèi)型和電壓等級(jí)等，見(jiàn)表1；然后根據(jù)用戶(hù)信息和歷史瀏覽記錄建立用戶(hù)特征集；最后，利用SOM 算法對(duì)用戶(hù)進(jìn)行聚類(lèi)。任一用戶(hù)特征集可用n 維特征向量表示為

表1 用戶(hù)特征集體系

式中：Nk為任一員工k 的特征集信息；xkn為任一號(hào)員工k 的第n 個(gè)特征，n 為正整數(shù)。

根據(jù)式（9）所示的用戶(hù)特征集，利用SOM 算法對(duì)用戶(hù)進(jìn)行聚類(lèi)，將具有相似特征的用戶(hù)歸類(lèi)，得到不同類(lèi)族用戶(hù)的集合。

3.2 考慮時(shí)間權(quán)重的特征集更新

通常用戶(hù)檢索內(nèi)容與歷史瀏覽記錄具有相關(guān)性和延續(xù)性，不同時(shí)期的歷史瀏覽記錄對(duì)用戶(hù)當(dāng)前檢索的影響不同，因此對(duì)不同周期的歷史瀏覽記錄賦予時(shí)間權(quán)重，可使得檢索結(jié)果更加符合用戶(hù)的期望。因此，當(dāng)用戶(hù)產(chǎn)生新的瀏覽記錄后，重新對(duì)歷史瀏覽記錄的權(quán)重周期進(jìn)行劃分，并對(duì)不同權(quán)重周期的歷史瀏覽記錄賦予時(shí)間權(quán)重，對(duì)用戶(hù)特征集進(jìn)行更新，為下次用戶(hù)檢索做好準(zhǔn)備。

根據(jù)權(quán)重周期數(shù)量均勻地從時(shí)間權(quán)重函數(shù)中取權(quán)重向量y=[y1，y2，…，yj，…，yn]，任一用戶(hù)k 第j 個(gè)權(quán)重周期權(quán)重值ykj的歸一化為

于是，任一用戶(hù)k 的第i 個(gè)特征值可表示為

式中：xki為用戶(hù)k 的第i 個(gè)特征值，i=1，2，…，m；wkj為用戶(hù)k 第j 個(gè)權(quán)重周期的歸一化權(quán)重，j=1，2，…，n；Nji為第j 個(gè)權(quán)重周期中用戶(hù)第i 個(gè)特征出現(xiàn)的次數(shù)。

用戶(hù)特征集是否更新的述判據(jù)可表示為

式中：xki（j）為用戶(hù)k 第i 個(gè)特征第j 個(gè)周期的特征值；xki（j+1）為用戶(hù)k 第i 個(gè)特征第j+1 個(gè)周期的特征值；Xit為第i 個(gè)特征的設(shè)定閾值。當(dāng)用戶(hù)的特征值發(fā)生改變且滿(mǎn)足式（12）時(shí)，則對(duì)用戶(hù)特征集重新聚類(lèi)更新；反之，維持原有聚類(lèi)結(jié)果，不對(duì)用戶(hù)特征集進(jìn)行更新。

4 應(yīng)用驗(yàn)證及結(jié)果分析

以某電網(wǎng)電力企業(yè)大學(xué)在線學(xué)習(xí)平臺(tái)為例，對(duì)本文所提出的資源檢索方法的快速性和精準(zhǔn)性進(jìn)行了驗(yàn)證。

4.1 基于SOM 算法的用戶(hù)聚類(lèi)結(jié)果及分析

建立電力企業(yè)大學(xué)在線學(xué)習(xí)平臺(tái)用戶(hù)特征集體系。從中隨機(jī)抽取600 條員工信息；將每個(gè)用戶(hù)按照“是否新員工”“瀏覽資源類(lèi)型（視頻、PPT、AR 和VR）”“作業(yè)對(duì)象（變壓器、線路設(shè)備、斷路器、隔離開(kāi)關(guān)和工程項(xiàng)目）”“業(yè)務(wù)類(lèi)型（運(yùn)行、維護(hù)、檢修、調(diào)度、巡視和財(cái)務(wù)結(jié)算）”“電壓等級(jí)（10、35、110、220 kV）”20 個(gè)特征作為輸入神經(jīng)元，以及輸出神經(jīng)元10×10 構(gòu)建SOM 神經(jīng)網(wǎng)絡(luò)；利用SOM 聚類(lèi)算法對(duì)用戶(hù)特征集進(jìn)行聚類(lèi)，聚類(lèi)結(jié)果如圖4 所示。圖中“·”代表具有相似特征的用戶(hù)類(lèi)，“+”代表用戶(hù)。

圖4 聚類(lèi)結(jié)果

由圖4 可見(jiàn)，共有95 個(gè)輸出神經(jīng)元被激活，表明600 名員工被劃分為95 個(gè)聚類(lèi)簇。其中大的聚類(lèi)簇有十幾個(gè)用戶(hù)，小的聚類(lèi)簇僅有幾個(gè)用戶(hù)。之所以出現(xiàn)這種情況，是因?yàn)榫垲?lèi)群體總量較小，隨著聚類(lèi)群體數(shù)量的增加，聚類(lèi)簇內(nèi)用戶(hù)的數(shù)量會(huì)隨之增加。

4.2 資源檢索結(jié)果及分析

在上述用戶(hù)聚類(lèi)的基礎(chǔ)上，假設(shè)新員工沒(méi)有聚類(lèi)群組和關(guān)聯(lián)資源集群，老員工有聚類(lèi)群組和關(guān)聯(lián)資源集群；隨機(jī)從平臺(tái)中提取多名新員工和老員工連續(xù)的歷史數(shù)據(jù)（包含檢索信息和與被采納的資源信息）各300 條；時(shí)間權(quán)重函數(shù)的待定系數(shù)由試驗(yàn)確定。通過(guò)統(tǒng)計(jì)分析，得到新老員工資源檢索的正確率變化趨勢(shì)分別如圖5、圖6、表2 及表3 所示。

表2 新員工平均正確率 %

表3 老員工平均正確率 %

圖5 新員工用戶(hù)資源檢索準(zhǔn)確率

圖6 老員工用戶(hù)資源檢索準(zhǔn)確率

由圖5 和表2 可見(jiàn)：①由于新員工沒(méi)有歷史瀏覽記錄，未能形成聚類(lèi)群組和關(guān)聯(lián)資源集群，其資源檢索正確率較低，隨著檢索次數(shù)的增加，歷史瀏覽記錄增加，資源檢索的正確率逐漸提高；②不考慮時(shí)間權(quán)重時(shí)，資源檢索正確率較低，且資源檢索次數(shù)與資源檢索正確率的關(guān)聯(lián)性弱；③采用指數(shù)時(shí)間權(quán)重函數(shù)時(shí)，能夠更快地提取歷史瀏覽記錄中新出現(xiàn)的特征，加速聚類(lèi)并更新快速推薦資源庫(kù)，因此，采用指數(shù)時(shí)間權(quán)重函數(shù)的資源檢索的正確率最高。

由圖6 和表3 可見(jiàn)：①由于老員工已有聚類(lèi)群組和關(guān)聯(lián)資源集群，其資源檢索正確率較高，受偶然性因素的影響，資源檢索正確率可能在小范圍內(nèi)波動(dòng)；②不考慮時(shí)間權(quán)重時(shí)，資源檢索正確率較低，且資源檢索次數(shù)與資源檢索正確率的關(guān)聯(lián)性弱；③相較線性時(shí)間權(quán)重函數(shù)及二次時(shí)間權(quán)重函數(shù)而言，采用指數(shù)時(shí)間權(quán)重函數(shù)的資源檢索的正確率最高。

5 結(jié)論

提高在線學(xué)習(xí)平臺(tái)用戶(hù)資源檢索的快速性和精準(zhǔn)性，本文提出了一種基于SOM 和時(shí)間權(quán)重的電力企業(yè)大學(xué)資源快速精準(zhǔn)檢索方法。主要結(jié)論：①基于用戶(hù)基本信息和歷史瀏覽記錄建立了用戶(hù)特征集，采用SOM神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)特征相似用戶(hù)的精確聚類(lèi)，生成關(guān)聯(lián)資源集群并建立了用戶(hù)資源快速推薦庫(kù)。②提出了時(shí)間權(quán)重的概念，利用時(shí)間權(quán)重函數(shù)對(duì)用戶(hù)特征集進(jìn)行更新，并對(duì)更新的用戶(hù)特征集再聚類(lèi)，有效地提高了檢索資源推薦的快速性和精準(zhǔn)性。③本文所提出的方法應(yīng)用于某供電公司電力企業(yè)大學(xué)在線學(xué)習(xí)平臺(tái)，驗(yàn)證結(jié)果表明，采用本文所提出的資源檢索方法，用戶(hù)可快速精準(zhǔn)地檢索所需要的資源。