基于協(xié)同過濾的學(xué)習(xí)資源推薦平臺的設(shè)計與實現(xiàn)

楊鑫 楊晨 李宇

摘要：在科技日新月異的時代人們需要了解技術(shù)發(fā)展趨勢并獲取精準(zhǔn)有效的學(xué)習(xí)內(nèi)容。學(xué)習(xí)資源推薦平臺基于協(xié)同過濾技術(shù)預(yù)估用戶偏好，提供個性化推薦。系統(tǒng)對于用戶沒有給予評分的資源采用隱式評分規(guī)則，降低評分矩陣的稀疏度，從而提高資源推薦的精度和效率。

關(guān)鍵詞：推薦系統(tǒng)；協(xié)同過濾；隱式評分

中圖分類號：TP393 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2018）12-0074-02

1概述

隨著互聯(lián)網(wǎng)的快速發(fā)展，在線學(xué)習(xí)模式也應(yīng)運而生。然而在信息爆炸的二十一世紀(jì)，“信息過載”的問題日趨顯著，如何快速從紛繁眾多、參差不齊的學(xué)習(xí)資源中快速發(fā)現(xiàn)適合自身的專業(yè)水平的高質(zhì)量學(xué)習(xí)內(nèi)容已成為一個普遍的難題。因此，學(xué)習(xí)資源推薦系統(tǒng)的出現(xiàn)是大勢所趨。

本系統(tǒng)在通用的最新、最熱、好評推薦之外，還試圖通過用戶基本信息和學(xué)習(xí)行為預(yù)測該用戶的偏好，并匹配用戶學(xué)習(xí)深度進(jìn)行個性化推薦。如何將推薦技術(shù)為用戶提供精確的、具有針對性的服務(wù)是本系統(tǒng)重要的研究內(nèi)容。

2協(xié)同過濾算法

協(xié)同過濾技術(shù)的核心思想包括兩部分：利用用戶的歷史評分記錄計算用戶之間的相似性；然后，基于相似性較高的鄰居用戶對項目的評分來預(yù)估目標(biāo)用戶對特定項目的評分。系統(tǒng)選取高評分的項目進(jìn)行推薦。

對于協(xié)同推薦中的“冷啟動”問題，本系統(tǒng)采用了新用戶基于內(nèi)容推薦策略，根據(jù)注冊信息中的興趣點來推薦對應(yīng)的學(xué)習(xí)資源。而對于用戶沒有直接給予評分的項目，系統(tǒng)采用隱式評分策略，以此來解決評分矩陣稀疏問題。

與基于項目的推薦相比，協(xié)同過濾方法的可以對視頻類的非結(jié)構(gòu)化對象進(jìn)行推薦，并且突破了相似推薦的局限，可以啟發(fā)用戶的新興趣點，進(jìn)行更有價值的推薦。

3推薦策略和用戶評分計算

3.1推薦策略

本學(xué)習(xí)資源平臺支持以下四種推薦：

1）最熱推薦：基于觀看次數(shù)的推薦。

2）最新推薦：基于資源上線時間的推薦。

3）好評推薦：基于資源評分的推薦。

4）個性推薦：基于用戶興趣和學(xué)習(xí)行為的推薦。

其中，個性推薦僅針對系統(tǒng)注冊用戶。對于新用戶，根據(jù)用戶注冊信息中的興趣點，基于內(nèi)容推薦。對于老用戶，基于協(xié)同過濾技術(shù)預(yù)測用戶評分，選取高評分的項目推薦。

此外，系統(tǒng)對所有類別下的學(xué)習(xí)資源進(jìn)行深度級別的標(biāo)記。在個性推薦時，若發(fā)現(xiàn)用戶已經(jīng)在進(jìn)行高級別的學(xué)習(xí)時，不再推薦同類別下相對低級別的資源。

3.2 用戶評分計算

在協(xié)同過濾推薦算法中，對相似用戶的界定，依據(jù)用戶對資源的已有評分情況。即兩個用戶對資源的評分越相近，則喜好越相似，即相似度越高。

對資源的評分，本系統(tǒng)分為顯示評分和隱式評分兩種。顯示評分，即用戶對資源的評分。然而某些用戶沒有評分習(xí)慣，則可以啟動隱式評分機制。即根據(jù)用戶的行為來給資源評分。系統(tǒng)對資源的評分采用10分制，最高10分。具體評分規(guī)則如表1，初始得分為0分。

當(dāng)用戶的打開視頻瀏覽，即可評4分，當(dāng)瀏覽時長超過3分鐘，即評6分，如果用戶將這個視頻觀看結(jié)束（可分多次），即評8分。若用戶收藏該學(xué)習(xí)資源，無論瀏覽時長多少，直接評10分。用戶取消收藏，評分不變。隱式評分僅用于用戶沒有顯示評分的情況。

系統(tǒng)將根據(jù)用戶對視頻的評分來計算用戶相似度，從而產(chǎn)生協(xié)同推薦。

5 系統(tǒng)實現(xiàn)

整個系統(tǒng)的實現(xiàn)主要包括三個部分：基本的在線學(xué)習(xí)功能模塊、收集用戶行為模塊和推薦生成模塊。

系統(tǒng)前臺提供在線學(xué)習(xí)服務(wù)，同時收集用戶行為。后臺啟動定時任務(wù)，計算推薦資源列表。對于瀏覽資源少于20個的新用戶，根據(jù)注冊信息進(jìn)行推薦。而對于老用戶，根據(jù)評分矩陣計算相似用戶集合，從而預(yù)估用戶喜好。之后，過濾掉在同一類別下，難度級別低于當(dāng)前學(xué)習(xí)級別的資源。從而生成最終的推薦列表

每次用戶登錄時，在首頁顯示個性化推薦學(xué)習(xí)資源。如圖2所示。

6 下一步工作

隨著系統(tǒng)的用戶和資源數(shù)目不斷增加，計算量越來越龐大，考慮遷移到hadoop平臺，借助高性能分布式計算，做到實時推薦。此當(dāng)多個客戶同時訪問、高并發(fā)請求時系統(tǒng)能否承受高負(fù)載，應(yīng)當(dāng)從優(yōu)化數(shù)據(jù)庫的結(jié)構(gòu)、查詢語句，使用高效率的編程語言、高性能的Web容器等方面著手考慮。

推薦算法也可以在已有基礎(chǔ)上進(jìn)行優(yōu)化，例如計算用戶相似度時可以使用反差忽略部分用戶。此外，本系統(tǒng)使用的推薦算法是基于用戶的，同時也可以添加基于物品的推薦換個角度為用戶推薦學(xué)習(xí)資源。

參考文獻(xiàn)：

[1] 孫光浩，劉青丹，李夢云.個性化推薦算法綜述[J].軟件，2017（7）.

[2] 胡國強. 基于協(xié)同過濾算法的MOOC個性化推薦系統(tǒng)[J].信息技術(shù)，2017（6）.

[3] 韓亞楠，曹菡，劉亮亮.基于評分矩陣填充與用戶興趣的協(xié)同過濾推薦算法[J].計算機工程，2016（1）.

[4] 于洪，李俊華.一種解決新項目冷啟動問題的推薦算法[J].軟件學(xué)報，2015（6）.

[5] 李寶，張文蘭.智慧教育環(huán)境下學(xué)習(xí)資源推送服務(wù)模型的構(gòu)建[J].遠(yuǎn)程教育雜志，2015（3）.

[6] 王寧.學(xué)習(xí)系統(tǒng)中基于用戶行為分析的推薦算法研究[J].Computer Era，2015（11）.

[7] 葉樹鑫，何聚厚.協(xié)作學(xué)習(xí)中基于協(xié)同過濾的學(xué)習(xí)資源推薦研究[J].計算機技術(shù)與發(fā)展，2014（10）.

[8] 劉建國，周濤，汪秉宏.個性化推薦系統(tǒng)的研究進(jìn)展[J].自然科學(xué)進(jìn)展，2009（1）.

[9] 吳顏，沈潔.協(xié)同過濾推薦系統(tǒng)中數(shù)據(jù)稀疏問題的解決[J].計算機應(yīng)用研究，2007（6）.