基于协同过滤技术的在线学习资源个性化推荐系统研究

《基于协同过滤技术的在线学习资源个性化推荐系统研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于协同过滤技术的在线学习资源个性化推荐系统研究　　【摘要】　　在线学习资源建设已经成为了当今数字化学习研究的热点问题。本文以学习过程中学习者学习行为和在线学习资源的特点为基础，结合协同过滤算法，设计了基于协同过滤技术的在线学习资源个性化推荐系统模型。实践证明，该模型可以更好地为学习者创造数字化学习环境，提高学习者的自主学习效率。　　【关键词】协同过滤；个性化推荐；学习行为；自主学习　　【中图分类号】G40-057【文献标识码】A【文章编号】１００９―４５８ｘ（２０12）08―００78―０5　　一

2、、引言11　　E-learning作为一种基于计算机通信技术的学习方式，可以最大限度地利用网络教学资源，学习者在学习过程中不必受到时空环境的限制，随时随地根据自身需要进行自主学习。这种新型的学习形式目前已经广泛的应用于各种在线课堂教学和技能培训领域。虽然E-learning教学资源建设已经取得了阶段性成果，但是主要有以下几个问题：（1）资源数量爆炸性增长。如今在线学习资源数量繁多，资源的质量和水平参差不齐，学习者往往无法辨别资源的优劣，导致学习资源的利用水平并不理想。（2）资源种类多样化。在线学习

3、资源除了传统的文本类型以外，还有声音、图像、视频等多种媒体类型，媒体类型的不一致也给资源的搜索和归类带来了不便。（3）资源非线性呈现。与传统教学中的书本不同，在线学习资源一般以超文本链接联系各个知识点，学习者以非线性的方式进行学习，知识点的“跳跃性”也容易让学习者在学习时产生迷茫感。以上问题使得目前很多的E-learning系统无法根据不同学习群体的不同学习特征来提供个性化的学习支持服务。随着人们对在线学习资源认识的不断深入，具有智能分析技术的在线学习资源系统将是未来资源建设发展的趋势之一。由于学

4、习者群体的特殊性，每位学习者都有其潜在的学习兴趣，协同过滤技术可以帮助学习者快速地发现有价值的资源，自主选择学习内容，根据自身的兴趣度来完善知识体系。因此，本文将协同过滤技术手段和在线学习资源的特征相结合，从学习者自主学习的角度来构建满足学习者个性化需要的在线学习资源系统。　　二、文献综述　　个性化推荐是对用户的兴趣、爱好、行为进行分析和建模，根据分析得出的结果给用户提供“个性化”、“定制化”的服务，以解决目前互联网中信息过载这一问题。目前，个性化推荐技术可以分为内容过滤推荐、规则过滤推荐和协同过

5、滤推荐。　　1.内容过滤推荐技术　　基于内容的推荐是较早提出的一种推荐技术，该算法的原理是利用概率或者机器学习技术将用户的已有兴趣表示为模型，然后与资源进行比较，通过两者之间的相似程度来为用户进行推荐。　　2.规则过滤推荐技术11　　基于规则的推荐是将推荐规则事先进行保存，然后通过这些规则对用户进行推荐。规则过滤推荐系统中规则的质量和数量决定了推荐的效果，从本质上说规则就是“if-else”类型的语句，这些语句分别描述了不同情境下以何种方式进行推荐。　　3.协同过滤推荐技术　　协同过滤技术最早于1

6、992年出现在Tapestry系统中，当时主要用于解决电子邮件系统的筛选问题。随着协同过滤技术的发展，协同过滤技术在商业领域取得了较大成功。国外最具代表性的协同过滤系统有Amazon和Facebook的广告系统，Amazon是根据用户购买和查看图书的记录来为其推荐可能感兴趣的书籍，Facebook则是依托其庞大的用户群，根据朋友间的兴趣来进行广告营销。与国外相比，国内的协同过滤系统研究起步较晚，目前国内比较成熟的协同过滤系统主要有当当网和豆瓣猜。当当网和Amazon的功能类似，同样是用于图书商品的

7、推荐，豆瓣猜是通过分析用户读书记录来预测用户可能喜爱的书籍。协同过滤技术为网站增加了收入来源，增强了用户体验度，受到了用户的好评。　　以上三种个性化推荐技术的优缺点如表1所示。　　协同过滤技术从算法上分类可以分为基于用户的（User-based）协同过滤算法和基于项目的（Item-based）协同过滤算法。基于用户的协同过滤算法认为相似用户评价的项目之间存在相似性，可以以此来预测某个用户对该项目可能的评价；基于项目的协同过滤算法则采用计算项目之间相似度的方法来预测用户对其他项目的评价。11　　围绕

8、协同过滤技术算法，国内外研究人员从个性化推荐的角度进行了一系列的研究工作。关于User-based算法，2009年Xia提出了一个改进的User-based协同过滤算法[1]，在算法中引入用户加权值，来提高算法的准确度；2010年，Robert和Istvan将分布式技术与User-based协同过滤算法相结合，提出了一个完全的分布式推荐系统[2]；Zhao和Shang提出了一个云平台的用户协同过滤算法，提高了协同过滤算法的可扩展性能[3]；Mu和Chen在User-based协同过