论文部分内容阅读
摘要：在科技日新月异的时代人们需要了解技术发展趋势并获取精准有效的学习内容。学习资源推荐平台基于协同过滤技术预估用户偏好，提供个性化推荐。系统对于用户没有给予评分的资源采用隐式评分规则，降低评分矩阵的稀疏度，从而提高资源推荐的精度和效率。
关键词：推荐系统；协同过滤；隐式评分
中图分类号：TP393 文獻标识码：A 文章编号：1009-3044（2018）12-0074-02
1概述
随着互联网的快速发展，在线学习模式也应运而生。然而在信息爆炸的二十一世纪，“信息过载”的问题日趋显著，如何快速从纷繁众多、参差不齐的学习资源中快速发现适合自身的专业水平的高质量学习内容已成为一个普遍的难题。因此，学习资源推荐系统的出现是大势所趋。
本系统在通用的最新、最热、好评推荐之外，还试图通过用户基本信息和学习行为预测该用户的偏好，并匹配用户学习深度进行个性化推荐。如何将推荐技术为用户提供精确的、具有针对性的服务是本系统重要的研究内容。
2协同过滤算法
协同过滤技术的核心思想包括两部分：利用用户的历史评分记录计算用户之间的相似性；然后，基于相似性较高的邻居用户对项目的评分来预估目标用户对特定项目的评分。系统选取高评分的项目进行推荐。
对于协同推荐中的“冷启动”问题，本系统采用了新用户基于内容推荐策略，根据注册信息中的兴趣点来推荐对应的学习资源。而对于用户没有直接给予评分的项目，系统采用隐式评分策略，以此来解决评分矩阵稀疏问题。
与基于项目的推荐相比，协同过滤方法的可以对视频类的非结构化对象进行推荐，并且突破了相似推荐的局限，可以启发用户的新兴趣点，进行更有价值的推荐。
3推荐策略和用户评分计算
3.1推荐策略
本学习资源平台支持以下四种推荐：
1）最热推荐：基于观看次数的推荐。
2）最新推荐：基于资源上线时间的推荐。
3）好评推荐：基于资源评分的推荐。
4）个性推荐：基于用户兴趣和学习行为的推荐。
其中，个性推荐仅针对系统注册用户。对于新用户，根据用户注册信息中的兴趣点，基于内容推荐。对于老用户，基于协同过滤技术预测用户评分，选取高评分的项目推荐。
此外，系统对所有类别下的学习资源进行深度级别的标记。在个性推荐时，若发现用户已经在进行高级别的学习时，不再推荐同类别下相对低级别的资源。
3.2 用户评分计算
在协同过滤推荐算法中，对相似用户的界定，依据用户对资源的已有评分情况。即两个用户对资源的评分越相近，则喜好越相似，即相似度越高。
对资源的评分，本系统分为显示评分和隐式评分两种。显示评分，即用户对资源的评分。然而某些用户没有评分习惯，则可以启动隐式评分机制。即根据用户的行为来给资源评分。系统对资源的评分采用10分制，最高10分。具体评分规则如表1，初始得分为0分。
当用户的打开视频浏览，即可评4分，当浏览时长超过3分钟，即评6分，如果用户将这个视频观看结束（可分多次），即评8分。若用户收藏该学习资源，无论浏览时长多少，直接评10分。用户取消收藏，评分不变。隐式评分仅用于用户没有显示评分的情况。
系统将根据用户对视频的评分来计算用户相似度，从而产生协同推荐。
5 系统实现
整个系统的实现主要包括三个部分：基本的在线学习功能模块、收集用户行为模块和推荐生成模块。
系统前台提供在线学习服务，同时收集用户行为。后台启动定时任务，计算推荐资源列表。对于浏览资源少于20个的新用户，根据注册信息进行推荐。而对于老用户，根据评分矩阵计算相似用户集合，从而预估用户喜好。之后，过滤掉在同一类别下，难度级别低于当前学习级别的资源。从而生成最终的推荐列表
每次用户登录时，在首页显示个性化推荐学习资源。如图2所示。
6 下一步工作
随着系统的用户和资源数目不断增加，计算量越来越庞大，考虑迁移到hadoop平台，借助高性能分布式计算，做到实时推荐。此当多个客户同时访问、高并发请求时系统能否承受高负载，应当从优化数据库的结构、查询语句，使用高效率的编程语言、高性能的Web容器等方面着手考虑。
推荐算法也可以在已有基础上进行优化，例如计算用户相似度时可以使用反差忽略部分用户。此外，本系统使用的推荐算法是基于用户的，同时也可以添加基于物品的推荐换个角度为用户推荐学习资源。
参考文献：
[1] 孙光浩，刘青丹，李梦云.个性化推荐算法综述[J].软件，2017（7）.
[2] 胡国强. 基于协同过滤算法的MOOC个性化推荐系统[J].信息技术，2017（6）.
[3] 韩亚楠，曹菡，刘亮亮.基于评分矩阵填充与用户兴趣的协同过滤推荐算法[J].计算机工程，2016（1）.
[4] 于洪，李俊华.一种解决新项目冷启动问题的推荐算法[J].软件学报，2015（6）.
[5] 李宝，张文兰.智慧教育环境下学习资源推送服务模型的构建[J].远程教育杂志，2015（3）.
[6] 王宁.学习系统中基于用户行为分析的推荐算法研究[J].Computer Era，2015（11）.
[7] 叶树鑫，何聚厚.协作学习中基于协同过滤的学习资源推荐研究[J].计算机技术与发展，2014（10）.
[8] 刘建国，周涛，汪秉宏.个性化推荐系统的研究进展[J].自然科学进展，2009（1）.
[9] 吴颜，沈洁.协同过滤推荐系统中数据稀疏问题的解决[J].计算机应用研究，2007（6）.
关键词：推荐系统；协同过滤；隐式评分
中图分类号：TP393 文獻标识码：A 文章编号：1009-3044（2018）12-0074-02
1概述
随着互联网的快速发展，在线学习模式也应运而生。然而在信息爆炸的二十一世纪，“信息过载”的问题日趋显著，如何快速从纷繁众多、参差不齐的学习资源中快速发现适合自身的专业水平的高质量学习内容已成为一个普遍的难题。因此，学习资源推荐系统的出现是大势所趋。
本系统在通用的最新、最热、好评推荐之外，还试图通过用户基本信息和学习行为预测该用户的偏好，并匹配用户学习深度进行个性化推荐。如何将推荐技术为用户提供精确的、具有针对性的服务是本系统重要的研究内容。
2协同过滤算法
协同过滤技术的核心思想包括两部分：利用用户的历史评分记录计算用户之间的相似性；然后，基于相似性较高的邻居用户对项目的评分来预估目标用户对特定项目的评分。系统选取高评分的项目进行推荐。
对于协同推荐中的“冷启动”问题，本系统采用了新用户基于内容推荐策略，根据注册信息中的兴趣点来推荐对应的学习资源。而对于用户没有直接给予评分的项目，系统采用隐式评分策略，以此来解决评分矩阵稀疏问题。
与基于项目的推荐相比，协同过滤方法的可以对视频类的非结构化对象进行推荐，并且突破了相似推荐的局限，可以启发用户的新兴趣点，进行更有价值的推荐。
3推荐策略和用户评分计算
3.1推荐策略
本学习资源平台支持以下四种推荐：
1）最热推荐：基于观看次数的推荐。
2）最新推荐：基于资源上线时间的推荐。
3）好评推荐：基于资源评分的推荐。
4）个性推荐：基于用户兴趣和学习行为的推荐。
其中，个性推荐仅针对系统注册用户。对于新用户，根据用户注册信息中的兴趣点，基于内容推荐。对于老用户，基于协同过滤技术预测用户评分，选取高评分的项目推荐。
此外，系统对所有类别下的学习资源进行深度级别的标记。在个性推荐时，若发现用户已经在进行高级别的学习时，不再推荐同类别下相对低级别的资源。
3.2 用户评分计算
在协同过滤推荐算法中，对相似用户的界定，依据用户对资源的已有评分情况。即两个用户对资源的评分越相近，则喜好越相似，即相似度越高。
对资源的评分，本系统分为显示评分和隐式评分两种。显示评分，即用户对资源的评分。然而某些用户没有评分习惯，则可以启动隐式评分机制。即根据用户的行为来给资源评分。系统对资源的评分采用10分制，最高10分。具体评分规则如表1，初始得分为0分。
当用户的打开视频浏览，即可评4分，当浏览时长超过3分钟，即评6分，如果用户将这个视频观看结束（可分多次），即评8分。若用户收藏该学习资源，无论浏览时长多少，直接评10分。用户取消收藏，评分不变。隐式评分仅用于用户没有显示评分的情况。
系统将根据用户对视频的评分来计算用户相似度，从而产生协同推荐。
5 系统实现
整个系统的实现主要包括三个部分：基本的在线学习功能模块、收集用户行为模块和推荐生成模块。
系统前台提供在线学习服务，同时收集用户行为。后台启动定时任务，计算推荐资源列表。对于浏览资源少于20个的新用户，根据注册信息进行推荐。而对于老用户，根据评分矩阵计算相似用户集合，从而预估用户喜好。之后，过滤掉在同一类别下，难度级别低于当前学习级别的资源。从而生成最终的推荐列表
每次用户登录时，在首页显示个性化推荐学习资源。如图2所示。
6 下一步工作
随着系统的用户和资源数目不断增加，计算量越来越庞大，考虑迁移到hadoop平台，借助高性能分布式计算，做到实时推荐。此当多个客户同时访问、高并发请求时系统能否承受高负载，应当从优化数据库的结构、查询语句，使用高效率的编程语言、高性能的Web容器等方面着手考虑。
推荐算法也可以在已有基础上进行优化，例如计算用户相似度时可以使用反差忽略部分用户。此外，本系统使用的推荐算法是基于用户的，同时也可以添加基于物品的推荐换个角度为用户推荐学习资源。
参考文献：
[1] 孙光浩，刘青丹，李梦云.个性化推荐算法综述[J].软件，2017（7）.
[2] 胡国强. 基于协同过滤算法的MOOC个性化推荐系统[J].信息技术，2017（6）.
[3] 韩亚楠，曹菡，刘亮亮.基于评分矩阵填充与用户兴趣的协同过滤推荐算法[J].计算机工程，2016（1）.
[4] 于洪，李俊华.一种解决新项目冷启动问题的推荐算法[J].软件学报，2015（6）.
[5] 李宝，张文兰.智慧教育环境下学习资源推送服务模型的构建[J].远程教育杂志，2015（3）.
[6] 王宁.学习系统中基于用户行为分析的推荐算法研究[J].Computer Era，2015（11）.
[7] 叶树鑫，何聚厚.协作学习中基于协同过滤的学习资源推荐研究[J].计算机技术与发展，2014（10）.
[8] 刘建国，周涛，汪秉宏.个性化推荐系统的研究进展[J].自然科学进展，2009（1）.
[9] 吴颜，沈洁.协同过滤推荐系统中数据稀疏问题的解决[J].计算机应用研究，2007（6）.