摘要：由于傳統(tǒng)方法在提取用戶行為特征時(shí)，直接采用原始數(shù)據(jù)而未計(jì)算分詞的相似度，導(dǎo)致用戶意圖和偏好刻畫存在偏差，使得特征提取存在稀疏性，進(jìn)而導(dǎo)致推薦的準(zhǔn)確性較低。為此，文章提出基于模糊邏輯的計(jì)算機(jī)網(wǎng)絡(luò)課程資源個(gè)性化推薦方法。該方法通過融合多維度行為數(shù)據(jù)計(jì)算行為數(shù)據(jù)綜合指數(shù)，構(gòu)建加權(quán)行為數(shù)據(jù)矩陣并定義用戶興趣特征向量；再通過模糊隸屬度函數(shù)將特征向量賦予隸屬度值，從而構(gòu)建用戶興趣模糊模型；利用模型得出匹配資源需求，評估特征相關(guān)性并計(jì)算特征興趣度；根據(jù)特征重要性計(jì)算資源整體興趣度，引入調(diào)整因子和自適應(yīng)特征量調(diào)整權(quán)重并重新計(jì)算興趣度，最后根據(jù)篩選閾值篩選資源，經(jīng)多次排序?qū)崿F(xiàn)計(jì)算機(jī)網(wǎng)絡(luò)課程資源的個(gè)性化推薦。實(shí)驗(yàn)結(jié)果表明，該方法的歸一化折損累積增益值更平穩(wěn)且增長趨勢較佳、命中率更高。這些結(jié)果充分證明了該方法在處理復(fù)雜推薦任務(wù)時(shí)的穩(wěn)定性和準(zhǔn)確性。

關(guān)鍵詞：模糊邏輯；計(jì)算機(jī)網(wǎng)絡(luò)課程資源；用戶興趣模型；自適應(yīng)特征量；個(gè)性化推薦列表

中圖分類號：TP391 文獻(xiàn)標(biāo)志碼：A

0 引言

計(jì)算機(jī)網(wǎng)絡(luò)課程平臺(tái)是指通過互聯(lián)網(wǎng)提供各類計(jì)算機(jī)網(wǎng)絡(luò)在線課程和學(xué)習(xí)資源的數(shù)字化平臺(tái)。計(jì)算機(jī)網(wǎng)絡(luò)課程平臺(tái)資源越來越多，用戶難以快速找到適合自己的學(xué)習(xí)內(nèi)容，不能滿足用戶的個(gè)性化需求。因此研究計(jì)算機(jī)網(wǎng)絡(luò)課程資源個(gè)性化推薦具有重要意義。

趙莉蘋［1］提出基于用戶行為特征的網(wǎng)絡(luò)教學(xué)云平臺(tái)資源個(gè)性化推薦方法，但受用戶行為數(shù)據(jù)稀疏性和噪聲影響，特征提取不準(zhǔn)確，導(dǎo)致推薦結(jié)果與用戶需求有偏差，降低了準(zhǔn)確性。朱敏［2］研究基于大語言模型的個(gè)性化資源推薦，雖提升了智能化和交互體驗(yàn)，但未考慮分詞相似度，導(dǎo)致推薦準(zhǔn)確性較低。張峰濤［3］研究基于用戶畫像的智慧圖書館資源推薦，雖能提供個(gè)性化推薦，但在計(jì)算機(jī)網(wǎng)絡(luò)課程資源領(lǐng)域，用戶畫像構(gòu)建面臨數(shù)據(jù)稀疏和特征提取難題。因此，本文提出了基于模糊邏輯的計(jì)算機(jī)網(wǎng)絡(luò)課程資源個(gè)性化推薦方法。

1 構(gòu)建用戶興趣模糊模型

不同用戶的學(xué)習(xí)興趣和需求各異，為了更準(zhǔn)確地捕捉和表達(dá)用戶的興趣偏好，本文采用模糊模型，結(jié)合多維度行為數(shù)據(jù)綜合指數(shù)，為用戶精準(zhǔn)推薦個(gè)性化學(xué)習(xí)資源，通過收集并分析在線教育平臺(tái)上的用戶行為數(shù)據(jù)［4］，對這些行為記錄進(jìn)行細(xì)致分類與匯總，并采用隱式評分機(jī)制，將行為數(shù)據(jù)轉(zhuǎn)化為量化指標(biāo)，為用戶興趣模型的構(gòu)建提供豐富的數(shù)據(jù)源。加權(quán)行為數(shù)據(jù)矩陣如公式（1）所示。

為了明確每個(gè)主題興趣的具體邊界和程度，利用模糊隸屬度函數(shù)為每個(gè)興趣特征維度賦予一個(gè)介于0到1之間的隸屬度值，表示用戶對該特征維度的隸屬程度，從而更真實(shí)、準(zhǔn)確地反映用戶興趣的模糊狀態(tài)。通過對這些偏好值進(jìn)行排序和篩選，本文構(gòu)建了一個(gè)包含興趣標(biāo)簽、課程偏好以及學(xué)習(xí)范圍偏好的用戶興趣模糊模型：

2 利用模糊邏輯匹配資源需求實(shí)現(xiàn)資源個(gè)性化推薦

由于提取的特征還存在一些與用戶需求不直接相關(guān)的特征，這些特征不僅增加了計(jì)算復(fù)雜度，還會(huì)干擾推薦模型的準(zhǔn)確性。通過特征相關(guān)性評估，可以剔除這些不相關(guān)的、冗余特征，從而提高推薦的效率與準(zhǔn)確性。特征相關(guān)性是指數(shù)據(jù)集中多個(gè)特征之間的關(guān)系。通過比對計(jì)算機(jī)網(wǎng)絡(luò)課程資源中的每一項(xiàng)特征與用戶興趣模糊模型，評估它們之間的關(guān)聯(lián)性。這種方法的好處是能夠更準(zhǔn)確地了解用戶的興趣偏好，從而提高推薦的精準(zhǔn)度，為此通過特征相關(guān)性評估計(jì)算出特征興趣度f。

3 實(shí)驗(yàn)分析

為確保計(jì)算機(jī)網(wǎng)絡(luò)課程資源個(gè)性化推薦實(shí)驗(yàn)的順利進(jìn)行，本文選用Ubuntu 20.04 LTS作為操作系統(tǒng)。在編程語言方面，實(shí)驗(yàn)采用Python 3.8。在數(shù)據(jù)處理上，本文利用Pandas庫進(jìn)行數(shù)據(jù)清洗和預(yù)處理。為了構(gòu)建和訓(xùn)練推薦算法模型，本文選用TensorFlow 2.4.0作為機(jī)器學(xué)習(xí)框架。實(shí)驗(yàn)環(huán)境如圖1所示。

在計(jì)算機(jī)網(wǎng)絡(luò)課程資源個(gè)性化推薦方法的實(shí)驗(yàn)方案設(shè)計(jì)中，本文實(shí)驗(yàn)選用了3種不同的個(gè)性化推薦方法作為對比：對比方法1是基于用戶行為特征的網(wǎng)絡(luò)教學(xué)云平臺(tái)資源個(gè)性化推薦方法，對比方法2是基于大語言模型的個(gè)性化資源推薦方法，對比方法3是基于用戶畫像的智慧圖書館文獻(xiàn)資源個(gè)性化推薦方法。

按照上述實(shí)驗(yàn)設(shè)計(jì)內(nèi)容，對4種個(gè)性化推薦方法在歸一化折損累積增益方面的表現(xiàn)進(jìn)行評估，結(jié)果如圖2所示。

從圖2可以看出，隨著推薦列表長度的逐漸增長，本文推薦方法在歸一化折損累計(jì)增益值上展現(xiàn)出更為平穩(wěn)且優(yōu)異的增長趨勢。相較于其他對比方法， 本文方法的優(yōu)勢在于引入了模糊邏輯處理機(jī)制，能夠更深入地挖掘用戶的潛在需求，從而為用戶提供更加個(gè)性化的推薦服務(wù)。

為了進(jìn)一步驗(yàn)證本文方法的優(yōu)越性，實(shí)驗(yàn)還對不同推薦方法的命中率進(jìn)行了評估，結(jié)果如圖3所示。

從圖3可以看出，相較于其他對比方法，本文方法通過模糊邏輯處理機(jī)制，能夠更深入地挖掘用戶的潛在需求和偏好，從而為用戶提供更加精準(zhǔn)、個(gè)性化的推薦服務(wù)。因此，從命中率的評估結(jié)果來看，本文方法提高了推薦的準(zhǔn)確性，進(jìn)一步驗(yàn)證了其在實(shí)際應(yīng)用中的優(yōu)越性。

4 結(jié)語

本文提出了一種基于模糊邏輯的個(gè)性化推薦方法，專門應(yīng)用于計(jì)算機(jī)網(wǎng)絡(luò)課程資源。實(shí)驗(yàn)結(jié)果表明，所提方法可以更深入地挖掘用戶的潛在需求和偏好，為用戶提供更加個(gè)性化的推薦服務(wù)。未來將不斷優(yōu)化推薦策略，以期提供更加個(gè)性化和高質(zhì)量的學(xué)習(xí)資源推薦服務(wù)。

參考文獻(xiàn)

［1］趙莉蘋.基于用戶行為特征的網(wǎng)絡(luò)教學(xué)云平臺(tái)資源個(gè)性化推薦方法［J］.無線互聯(lián)科技，2024（18）：116-118.

［2］朱敏.基于大語言模型的個(gè)性化資源推薦方法研究［J］.蘭州文理學(xué)院學(xué)報(bào)（自然科學(xué)版），2024（5）：59-64.

［3］張峰濤.基于用戶畫像的智慧圖書館文獻(xiàn)資源個(gè)性化推薦方法研究［J］.數(shù)字通信世界，2024（7）：34-36.

［4］張曉帆，張傳秋.航空航天科技科普視頻資源個(gè)性化推薦方法［J］.兵工自動(dòng)化，2024（3）：21-25.

［5］錢晉.基于數(shù)據(jù)挖掘的測量學(xué)課程思政教學(xué)資源個(gè)性化推薦方法［J］.信息與電腦（理論版），2023（21）：248-250.

［6］左毅，陳強(qiáng)，杜維先.基于加權(quán)貝葉斯的數(shù)字圖書資源個(gè)性化推薦方法研究［J］.信息與電腦（理論版），2023（7）：47-49.

（編輯 王雪芬編輯）

Personalized recommendation method of computer network course resources based on fuzzy logic

WANG "Yao， CAI "Qiuru， YU "Zhimin， LUO "Ye

（Jiangsu University of Technology， Changzhou 213000， China）

Abstract： "Because the traditional method directly uses the original data without calculating the similarity of word segmentation when extracting user behavior features， it leads to the deviation of user’s intention and preference description， which makes the feature extraction sparse and leads to the low accuracy of recommendation. Therefore， the article proposes a personalized recommendation method of computer network course resources based on fuzzy logic. This method calculates the comprehensive index of behavior data by fusing multi-dimensional behavior data， constructs a weighted behavior data matrix and defines the user interest feature vector. Then， the feature vector is given the membership value through the fuzzy membership function， so as to construct the fuzzy model of user interest; Using the model， the matching resource requirements are obtained， the feature correlation is evaluated and the feature interest is calculated. According to the importance of features， the overall interest degree of resources is calculated， the adjustment factor and adaptive feature quantity are introduced to adjust the weight and recalculate the interest degree. Finally， the resources are screened according to the screening threshold， and the personalized recommendation of computer network course resources is realized through multiple sorting. The experimental results show that the normalized cumulative gain value of this method is more stable and the growth trend is better， and the hit rate is higher. These results fully prove the stability and accuracy of this method in dealing with complex recommendation tasks.

Key words： fuzzy logic; computer network course resources; user interest model; adaptive feature quantity; personalized recommendation list