王帥 馬景奕 周遠(yuǎn)洋 王甫棣*

(1 國家氣象信息中心,北京 100081;2 中國氣象局氣象干部培訓(xùn)學(xué)院甘肅分院,蘭州 730000)

引言

氣象職工的在職教育是氣象部門人才隊(duì)伍建設(shè)的關(guān)鍵,針對不同個體如何設(shè)計出一套符合個人與單位情境需要的學(xué)習(xí)方案至關(guān)重要。所以引入信息智能技術(shù),從氣象職工學(xué)習(xí)需求的內(nèi)生動力為切入點(diǎn),通過教學(xué)數(shù)據(jù)自動分析獲取個體在組織情境影響下的學(xué)習(xí)需求數(shù)據(jù),有了這些數(shù)據(jù)就可以針對氣象部門內(nèi)不同的基層單位,開展具有單位特色的、個性化的學(xué)習(xí)型組織建設(shè)工作。為每個有學(xué)習(xí)需求的氣象職工推送時空差異化、知識個性化、課程碎片化[1]的學(xué)習(xí)資源,通過這種定時、定點(diǎn)、精準(zhǔn)的資源推送機(jī)制,將大幅度提高氣象職工學(xué)習(xí)的針對性和培訓(xùn)效益。

隨著學(xué)習(xí)資源呈指數(shù)級增長,氣象職工作為學(xué)習(xí)者在選擇相關(guān)的學(xué)習(xí)資源時會遇到信息過載的困難。推薦系統(tǒng)可以克服這一問題,即根據(jù)學(xué)習(xí)者的個性化偏好,過濾并推薦適合自身知識儲備和崗位特點(diǎn)的學(xué)習(xí)資源。學(xué)習(xí)資源推薦系統(tǒng)可以為學(xué)習(xí)者提供相關(guān)的、有用的在線學(xué)習(xí)資源建議[2]。推薦系統(tǒng)在虛擬經(jīng)濟(jì)、在線學(xué)習(xí)等領(lǐng)域中對用戶自動推薦相關(guān)條目起到了重要作用[3]。

現(xiàn)有的推薦技術(shù)如協(xié)同過濾CF(Collaborative Filtering)[4]和基于內(nèi)容CB(Content-Based)[5]的推薦算法分別依賴于用戶/物品評價和內(nèi)容特征來計算相似度、進(jìn)行預(yù)測和生成對用戶的物品推薦。然而,在線學(xué)習(xí)資源推薦系統(tǒng)中,學(xué)習(xí)者的偏好會隨著情境的變化而變化。現(xiàn)有的推薦技術(shù)如CF和CB只涉及兩類實(shí)體,即條目和用戶,在進(jìn)行推薦時不考慮學(xué)習(xí)者的情境[6]。因此,準(zhǔn)確推薦學(xué)習(xí)資源需要結(jié)合學(xué)習(xí)者的情境信息,以提高推薦的個性化和準(zhǔn)確性。在向目標(biāo)學(xué)習(xí)者提出建議時,需要考慮學(xué)習(xí)目標(biāo)、知識水平等情境信息。此外,由于不同的學(xué)習(xí)者對學(xué)習(xí)資源可能有不同的序列訪問模式,那么序列訪問模式也應(yīng)該被整合到計算學(xué)習(xí)者的建議之中。通過將情境感知CA(Context Awareness)[7]和學(xué)習(xí)者的序列訪問模式[8]引入到推薦系統(tǒng)中,可以使推薦結(jié)果更加符合學(xué)習(xí)者的偏好。當(dāng)前情境下,知識水平為初學(xué)者的學(xué)習(xí)者在未來情境中的知識水平變?yōu)橹屑墝W(xué)習(xí)者時,對學(xué)習(xí)資源的偏好可能會發(fā)生變化。在推薦學(xué)習(xí)的背景下,基于CA的推薦系統(tǒng)在建模學(xué)習(xí)者偏好和生成推薦時考慮到了學(xué)習(xí)者的背景[9]。Dec等[10]指出,整合用戶的其他附加信息(包括用戶情境、序列訪問等信息)對于提高推薦質(zhì)量十分重要。魏杰等[11]指出,序列模式挖掘SPM(Sequential Pattern Mining)關(guān)注于發(fā)現(xiàn)和挖掘一系列序列發(fā)生的事件,常被用于事務(wù)性的數(shù)據(jù)環(huán)境中。因此,基于SPM的CA推薦算法可以解決學(xué)習(xí)者情境特征差異引起的推薦問題。

本文將CF、CA和SPM算法中的GSP(Generalized Sequential Pattern)算法[12]結(jié)合到推薦系統(tǒng)中,提出了一種混合推薦算法來向?qū)W習(xí)者推薦學(xué)習(xí)資源?；旌贤扑]算法中,CA被用來整合學(xué)習(xí)者的情境信息,如知識水平和學(xué)習(xí)目標(biāo);SPM被用來對網(wǎng)絡(luò)日志進(jìn)行挖掘,發(fā)現(xiàn)學(xué)習(xí)者的序列訪問模式;CF被用來根據(jù)學(xué)習(xí)者的情境數(shù)據(jù)和序列訪問模式為目標(biāo)學(xué)習(xí)者計算預(yù)測并生成建議,避免了CB等推薦算法對于學(xué)習(xí)者復(fù)雜屬性處理的局限和不足[13]。通過實(shí)驗(yàn)證明,本文結(jié)合CF、CA和GSP算法的推薦算法比其他相關(guān)推薦算法提供了更準(zhǔn)確、更有針對的學(xué)習(xí)資源推薦。

1 推薦模型與混合算法

1.1 學(xué)習(xí)資源推薦模型

本文提出的混合推薦算法結(jié)合了CF、CA和GSP對學(xué)習(xí)資源的推薦。圖1中的混合推薦模型總結(jié)了混合推薦算法的具體功能。推薦模型的主要組成部分是學(xué)習(xí)者檔案、學(xué)習(xí)對象模型、情境化數(shù)據(jù)準(zhǔn)備、推薦引擎、GSP算法和CA推薦組件。

圖1 混合推薦算法模型

學(xué)習(xí)者檔案組件存儲關(guān)于學(xué)習(xí)者的信息和偏好。學(xué)習(xí)者檔案部分包含的信息是通過隱式和顯式兩種算法獲得的。學(xué)習(xí)者的數(shù)據(jù),如個人信息數(shù)據(jù)(姓名、性別、年齡、專業(yè)、學(xué)歷、崗位、職稱等)以及學(xué)習(xí)者的背景信息(知識水平和學(xué)習(xí)目標(biāo)等)都存儲在學(xué)習(xí)者檔案中。推薦系統(tǒng)利用學(xué)習(xí)者情境信息對學(xué)習(xí)者的特征和偏好進(jìn)行個性化設(shè)置。

類似地,學(xué)習(xí)對象模型組件包含有關(guān)學(xué)習(xí)資源的信息。該組件存儲有關(guān)學(xué)習(xí)資源的信息,包括學(xué)習(xí)資源的格式、大小、內(nèi)容分類、知識點(diǎn)等,可以是文本、圖像、音頻或視頻。學(xué)習(xí)資源將根據(jù)學(xué)習(xí)者對學(xué)習(xí)資源和情境信息的評價推薦給目標(biāo)學(xué)習(xí)者。

情境化數(shù)據(jù)準(zhǔn)備組件包含清除web日志、準(zhǔn)備學(xué)習(xí)者的情境信息和學(xué)習(xí)資源的數(shù)據(jù)以適合推薦系統(tǒng)的格式。

推薦引擎組件包含分析學(xué)習(xí)者偏好、情境信息和評價聚合而來的情境化數(shù)據(jù)。CF推薦引擎先收集學(xué)習(xí)者的情境預(yù)測目標(biāo)、學(xué)習(xí)者的評價數(shù)據(jù),然后使用情境化的數(shù)據(jù)計算相似度,并根據(jù)情境化的學(xué)習(xí)者偏好生成前N個學(xué)習(xí)資源推薦。

GSP算法對Web日志進(jìn)行挖掘,以發(fā)現(xiàn)學(xué)習(xí)者的序列訪問模式,并將發(fā)現(xiàn)的序列訪問模式應(yīng)用于前N個學(xué)習(xí)資源推薦結(jié)果中,再根據(jù)學(xué)習(xí)者的序列訪問模式過濾推薦結(jié)果,最后結(jié)合CA得到學(xué)習(xí)者的情境化建議。

1.2 混合推薦算法的實(shí)現(xiàn)

混合推薦算法包括3個主要步驟:①使用情境預(yù)過濾算法將情境信息整合到推薦過程中。②基于情境化數(shù)據(jù)計算學(xué)習(xí)者相似度并預(yù)測學(xué)習(xí)資源的評價。③為目標(biāo)學(xué)習(xí)者生成前N個推薦,并采用GSP算法應(yīng)用到結(jié)果中,根據(jù)學(xué)習(xí)者的序列訪問模式過濾最終的推薦。這些步驟在圖1所示的建議框架中總結(jié),并在本小節(jié)中詳細(xì)說明。

1.2.1 將情境信息納入推薦系統(tǒng)

將情境信息合并到推薦系統(tǒng)中所采用的范例是由Adomavicius和Tuzhilin提出的情境預(yù)過濾算法[14]。采用情境預(yù)過濾算法的好處是很容易與任何現(xiàn)有的推薦系統(tǒng)集成。在這項(xiàng)研究中,學(xué)習(xí)者的情境信息的一個維度,即知識水平。在混合推薦算法中,知識水平作為情境維度隨著學(xué)習(xí)者知識水平的提高而發(fā)生變化。例如,對某一崗位專業(yè)背景知識很少的學(xué)習(xí)者,作為初學(xué)者可能不具有該專業(yè)知識水平的背景,然而,隨著時間的推移,學(xué)習(xí)者獲得更多的知識,知識水平情境會發(fā)生變化。初始情境數(shù)據(jù)知識水平在新學(xué)員帳戶注冊期間捕獲。在注冊到系統(tǒng)中時,通過在線評估問題對新學(xué)習(xí)者進(jìn)行測試,根據(jù)測試分?jǐn)?shù)確定學(xué)習(xí)者的知識水平。這種學(xué)習(xí)者知識等級數(shù)據(jù)獲取算法也被應(yīng)用于基于本體的學(xué)習(xí)推薦系統(tǒng)的相關(guān)研究中。定期開展在線知識水平測試來跟蹤學(xué)習(xí)者的知識水平背景變化,更新推薦系統(tǒng)的學(xué)習(xí)者情境化數(shù)據(jù)。

情境化數(shù)據(jù)用于計算學(xué)習(xí)者相似度和目標(biāo)學(xué)習(xí)者對學(xué)習(xí)資源的評價。為便于數(shù)據(jù)集計算和推薦系統(tǒng)使用,本文將知識水平情境定義為3個值:

知識水平={初級、中級、高級}={1,2,3}

知識水平{1,2,3}元素的賦值用于學(xué)習(xí)者、學(xué)習(xí)資源和情境價值的情境化評價矩陣。

1.2.2 學(xué)習(xí)者相似度測量與學(xué)習(xí)資源預(yù)測計算

一旦情境信息被推薦系統(tǒng)捕獲,推薦引擎組件計算學(xué)習(xí)者的相似性,并預(yù)測學(xué)習(xí)資源的情境化評價(圖1)。在計算學(xué)習(xí)者的相似性時,考慮了情境信息。在推薦系統(tǒng)中使用皮爾遜相關(guān)系數(shù)來計算學(xué)習(xí)者的相似性[15]。目標(biāo)學(xué)習(xí)者l和學(xué)習(xí)者u之間的情境相似性S計算如下:

(1)

為了計算目標(biāo)學(xué)習(xí)者l對學(xué)習(xí)資源b的情境化評價預(yù)測,使用式(1)中獲得的對學(xué)習(xí)資源b進(jìn)行評價的最相似學(xué)習(xí)者的KNN(K鄰近)算法[16-17]。目標(biāo)是使用其他類似學(xué)習(xí)者給b的評價來預(yù)測新學(xué)習(xí)資源b的等級Pl,b。為了計算目標(biāo)學(xué)習(xí)者l對學(xué)習(xí)資源b的預(yù)測等級Pl,b,使用式(2)所示的預(yù)測公式。

(2)

其中,Pl,b是目標(biāo)學(xué)習(xí)者l對學(xué)習(xí)資源b的預(yù)測,n表示鄰域內(nèi)的學(xué)習(xí)者總數(shù),Ru,b是學(xué)習(xí)者u對學(xué)習(xí)資源b的評價,S是目標(biāo)學(xué)習(xí)者l和學(xué)習(xí)者u之間的情境相似性。

1.2.3 情境化推薦生成及GSP算法的應(yīng)用

為了生成情境化的推薦,將SPM算法中改進(jìn)的GSP算法應(yīng)用于前N個推薦,根據(jù)學(xué)習(xí)者的序列訪問模式過濾前N個推薦結(jié)果。因?yàn)榍榫吃趯W(xué)習(xí)資源方面的適應(yīng)性和有效性,這項(xiàng)工作采用了GSP算法。針對目標(biāo)學(xué)習(xí)者l的學(xué)習(xí)資源的前N個建議是基于情境化的學(xué)習(xí)者相似性和預(yù)測評價生成的。圖2展示了基于GSP算法生成最終情境化推薦的過程。圖中M是一組學(xué)習(xí)資源{a,b},學(xué)習(xí)資源a已被目標(biāo)學(xué)習(xí)者評價,學(xué)習(xí)資源b表示目標(biāo)學(xué)習(xí)者未評價的學(xué)習(xí)資源,目標(biāo)學(xué)習(xí)者正在尋求對其評價的預(yù)測。C是本研究中代表知識水平的情境。知識水平的元素是{1,2,3}表示的{初級,中級,高級}。Pl,a是目標(biāo)學(xué)習(xí)者l對學(xué)習(xí)資源a的評價,Pl,b是目標(biāo)學(xué)習(xí)者l對未分級學(xué)習(xí)資源b的預(yù)測評價。其他表示為u的學(xué)習(xí)者將學(xué)習(xí)資源評為b一旦得到前N個推薦,則對推薦結(jié)果應(yīng)用GSP算法,根據(jù)學(xué)習(xí)者的序列訪問模式過濾前N個推薦。

圖2 基于GSP算法生成情景化推薦流程

使用GSP算法發(fā)現(xiàn)序列訪問模式包括3個主要階段:①確定每個學(xué)習(xí)資源的支持度(第一階段);②潛在頻繁序列的生成(候選序列生成);③刪除支持?jǐn)?shù)小于最小支持度的候選序列(剪枝階段)。在學(xué)習(xí)資源推薦中,學(xué)習(xí)者的序列訪問模式是重要的,在推薦過程中應(yīng)加以考慮。因此,將GSP算法應(yīng)用于初始推薦結(jié)果的前N個,根據(jù)學(xué)習(xí)者的序列學(xué)習(xí)訪問模式過濾推薦結(jié)果。

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)設(shè)置與數(shù)據(jù)集

為了評估所提出的混合推薦算法(GSP-CA-CF)的性能,本文進(jìn)行了一系列的實(shí)驗(yàn)。數(shù)據(jù)集來自一所使用學(xué)習(xí)管理系統(tǒng)(LMS)[18]的大學(xué)。收集時間為6個月,從2015年9月到2016年3月。在實(shí)驗(yàn)期間,使用LMS支持其學(xué)習(xí)的學(xué)習(xí)者總數(shù)為1200人。LMS允許學(xué)習(xí)者對學(xué)習(xí)資源按1～5分(1分非常不相關(guān),2分相當(dāng)不相關(guān),3分不相關(guān),4分相關(guān),5分非常相關(guān))。推薦系統(tǒng)能夠通過匹配學(xué)習(xí)者的偏好和情境信息向?qū)W習(xí)者推薦學(xué)習(xí)資源。初始情境信息(知識水平)是在學(xué)習(xí)者注冊到LMS時收集的,隨后隨著學(xué)習(xí)者使用LMS訪問在線學(xué)習(xí)資源并定期更新。學(xué)習(xí)者的情境信息,即知識水平,隨著學(xué)習(xí)者對某一學(xué)科知識的提高而不斷變化。學(xué)習(xí)者的知識水平分為初級、中級或高級。在數(shù)據(jù)集收集期間,從推薦系統(tǒng)數(shù)據(jù)庫中提取學(xué)習(xí)者評價和學(xué)習(xí)者情境信息,并使用GSP算法挖掘Web日志,得到序列訪問模式。然后將數(shù)據(jù)集分成訓(xùn)練子集(80%)和測試子集(20%),以進(jìn)行實(shí)驗(yàn)評估。

為了評估所提出的混合推薦算法的有效性,在相同數(shù)據(jù)集上評估了其他三種算法,并對結(jié)果進(jìn)行了比較。評估的算法是:①提出結(jié)合GSP、CA和CF算法的混合推薦算法(GSP-CA-CF);②基于CA結(jié)合CF的算法(CF-CA);③GSP算法;④CF算法。

2.2 實(shí)驗(yàn)結(jié)果分析

2.2.1 精確度實(shí)驗(yàn)

在改變鄰域大小的同時進(jìn)行了一系列實(shí)驗(yàn),以確定最佳鄰域的大小,以便在后續(xù)實(shí)驗(yàn)中使用。推薦系統(tǒng)中最近鄰的大小對推薦的預(yù)測精確度和質(zhì)量都有影響[19]。同樣,在不同鄰域大小下,對四種推薦算法的預(yù)測精確度進(jìn)行了測試。使用平均絕對誤差MAE計算預(yù)測精確度。MAE值越低,預(yù)測精確度越高[20-21]。

(3)

其中,MAE表示平均絕對誤差,n表示測試集中的案例數(shù),pi表示項(xiàng)目的預(yù)測評價,ri表示真實(shí)評價。

圖3顯示了使用MAE測量的四種推薦算法對鄰域大小的敏感度和對最近鄰數(shù)的預(yù)測精確度。從圖3中可以看出,所提出的混合推薦算法(GSP-CA-CF)以及其他三種推薦算法(CF-CA,GSP和CF)隨著鄰域數(shù)從5個增加到25個,當(dāng)最近鄰數(shù)目為25個時,達(dá)到最佳預(yù)測精確度,GSP和CF)穩(wěn)定增加。超過25后,四種算法(GSP-CA-CF,CF-CA,GSP和CF)的曲線開始以較小的間隔上升,四種算法的預(yù)測精確度會降低。因此,25作為剩余實(shí)驗(yàn)的最佳鄰域大小。此外,從圖3可以觀察到,對于任意數(shù)量的最近鄰,與其他三種推薦算法相比,推薦算法(GSP-CA-CF)提供了更好的準(zhǔn)確性。

圖3 不同算法隨鄰域大小的平均絕對誤差MAE

2.2.2 不同稀疏度實(shí)驗(yàn)

通過不同稀疏度實(shí)驗(yàn)對混合推薦算法預(yù)測精確度的影響。實(shí)驗(yàn)采用之前鄰域?qū)嶒?yàn)中最佳鄰域值為25的鄰域進(jìn)行。原始數(shù)據(jù)稀疏度為93.7%。圖4顯示了稀疏度對預(yù)測精確度影響的結(jié)果。從圖4可以看出,混合推薦算法(GSP-CA-CF)在所有稀疏度級別上的MAE最低,優(yōu)于其他三種推薦算法。隨著稀疏度的增加,三種推薦算法(GSP-CA-CF,CF-CA,CF)的MAE也隨之增加。其中,因?yàn)樵陬A(yù)測學(xué)習(xí)資源時使用了學(xué)習(xí)者的序列訪問模式,而不是評價,所以GSP算法的MAE隨稀疏度的增加變化不大。

圖4 不同稀疏度不同推薦算法預(yù)測平均絕對誤差MAE

2.2.3 性能評估實(shí)驗(yàn)

為了衡量推薦算法(GSP-CA-CF)的性能,本文使用召回率、精確度和F1度量指標(biāo)[22]進(jìn)行評估。精確度(Precision)是指推薦的學(xué)習(xí)資源與所選學(xué)習(xí)資源數(shù)量的比率。召回率(Recall)是正確推薦的學(xué)習(xí)資源與相關(guān)學(xué)習(xí)資源的比率。

在使用精確度和召回率評估指標(biāo)時,學(xué)習(xí)資源的等級為1～5。評價為1～3的學(xué)習(xí)資源被視為“不相關(guān)”,而評價為4～5的學(xué)習(xí)資源被視為“相關(guān)”。

(4)

(5)

其中,精確度P的tp表示被檢索到的推薦學(xué)習(xí)資源數(shù)量,fp表示應(yīng)該未被檢索到的推薦學(xué)習(xí)資源數(shù)量;召回率R的tp同樣表示被檢索到的推薦學(xué)習(xí)資源數(shù)量,fn表示被檢索到的不推薦學(xué)習(xí)資源數(shù)量。

表1顯示了本文所提出的混合推薦算法(GSP-CA-CF)與其他三種推薦算法(CF-CA,GSP和CF)在不同推薦數(shù)量下的精確度P和召回率R方面的性能。從表1可以看出,對于任意數(shù)量資源的推薦,本文所提出的推薦算法(GSP-CA-CF)在精確度和召回率指標(biāo)方面都優(yōu)于其他三種推薦算法。在增加推薦數(shù)量時會導(dǎo)致四種算法的精確度全部下降,隨著推薦數(shù)量的增加,四種算法的召回率也隨之增加。

表1 推薦算法性能對比試驗(yàn)結(jié)果

F1度量指標(biāo)是將精確度和召回率合并為一個值,以便于比較幾種算法的綜合性能指標(biāo),并獲得性能的平衡視圖。F1指標(biāo)對精確度和召回率給予同等的重視。

(6)

其中,F1表示F1度量指標(biāo)。

圖5顯示了所提出的混合推薦算法(GSP-CA-CF)與其他三種推薦算法(CF-CA、GSP和CF)的F1度量的性能相比,混合推薦算法(GSP-CA-CF)在所有實(shí)驗(yàn)的推薦數(shù)量上都表現(xiàn)出良好的性能。

圖5 不同推薦算法F1指標(biāo)隨推薦數(shù)的變化

各項(xiàng)實(shí)驗(yàn)結(jié)果表明,將GSP、CA和CF相結(jié)合的混合推薦算法可以提高學(xué)習(xí)者個性化資源推薦的準(zhǔn)確性和精確度,該混合算法相比其他三種算法(CF-CA、GSP和CF)的性能優(yōu)勢可用于各類在線學(xué)習(xí)資源推薦。

3 應(yīng)用情況

中國氣象局干部培訓(xùn)學(xué)院甘肅分院基于GSP-CA-CF混合推薦算法設(shè)計開發(fā)了雲(yún)智培智能教學(xué)管理系統(tǒng),該系統(tǒng)主要針對西北區(qū)域氣象部門職工日常政務(wù)、黨務(wù)和業(yè)務(wù)知識學(xué)習(xí)和管理。目前,系統(tǒng)中氣象職工注冊用戶數(shù)達(dá)到3400余人,在線學(xué)習(xí)資源170000余份。

系統(tǒng)依靠氣象部門政務(wù)管理信息系統(tǒng)的氣象部門人力資源采集系統(tǒng)的人口統(tǒng)計數(shù)據(jù)、工作和學(xué)習(xí)背景等精準(zhǔn)的氣象職工數(shù)據(jù)信息開展學(xué)習(xí)者信息初始化;借助學(xué)習(xí)者登錄系統(tǒng)時的培訓(xùn)知識考試評估系統(tǒng),對資源進(jìn)行評價,更新用戶情境。

系統(tǒng)采用自適應(yīng)頁面方式展示,每頁默認(rèn)顯示8份學(xué)習(xí)資源,盡量最大化程度滿足用戶需求。經(jīng)過1年左右穩(wěn)定運(yùn)行,對部分用戶數(shù)據(jù)進(jìn)行抽測,系統(tǒng)混合推薦資源準(zhǔn)確率和召回率分別為48.7%和26.8%。準(zhǔn)確率的提升主要是由于地域、單位和職責(zé)細(xì)化,情境特性相對明顯,有利于推薦系統(tǒng)相似度計算并對學(xué)習(xí)資源的評價。該系統(tǒng)用戶滿意度調(diào)查達(dá)93.7%。

4 結(jié)論

本文提出了一種基于情境感知和序列模式挖掘的混合推薦算法,用于向在線學(xué)習(xí)環(huán)境中的學(xué)習(xí)者推薦學(xué)習(xí)資源。混合推薦算法使用GSP算法挖掘Web日志數(shù)據(jù)并發(fā)現(xiàn)學(xué)習(xí)者的序列訪問模式,通過情境感知合并學(xué)習(xí)者的情境信息(如知識水平),再由協(xié)作過濾生成基于情境化數(shù)據(jù)的推薦,并將GSP算法應(yīng)用于情境化推薦,根據(jù)學(xué)習(xí)者的序列訪問模式對推薦進(jìn)行過濾,生成最終的個性化推薦結(jié)果給學(xué)習(xí)者。該混合推薦算法結(jié)合多種推薦技術(shù),根據(jù)學(xué)習(xí)者的情境和序列訪問模式進(jìn)行個性化資源推薦,有助于緩解數(shù)據(jù)稀疏問題。實(shí)驗(yàn)結(jié)果表明,該推薦算法具有更好的性能和推薦質(zhì)量。應(yīng)用于氣象教學(xué)管理信息系統(tǒng)中資源的推薦也取得了較好的效果。

隨著國產(chǎn)化[23]和大數(shù)據(jù)分析模型[24]的不斷深化,混合推薦算法將以氣象決策管理協(xié)同支撐建設(shè)項(xiàng)目為抓手,應(yīng)用于電子公文和制度樹的搜索與推薦,為氣象職工推薦準(zhǔn)確的參考文件提供助力;同時,也可以與ElasticSearch[25]相結(jié)合,對異構(gòu)數(shù)據(jù)進(jìn)行重定位和價值挖掘,提升業(yè)務(wù)和管理歷史數(shù)據(jù)價值。