郝 杰

（江蘇旅游職業(yè)學院 江蘇·揚州 225131）

當今社會正處于一個信息爆炸的時代，隨著互聯(lián)網(wǎng)技術的進一步普及，人們能夠隨時隨地在信息的海洋中暢游。信息的數(shù)量已不再成為問題，如何能夠方便快捷地獲取有效信息，乃至得到個性化的信息服務，日益成為各行各業(yè)研究的重點，隨著計算機技術的不斷深入，各類推薦算法應運而生。

近年來，隨著國家大力發(fā)展高等教育，高校在智慧校園建設方面的投入越來越多，順應 “互聯(lián)網(wǎng)+”的時代要求，高校的學習資源平臺已經(jīng)成為促進在校生學習專業(yè)知識技能的重要工具。傳統(tǒng)的學習資源平臺一般對學習資源有兩種呈現(xiàn)方式：一是資源分類索引的方式，即采用類似門戶網(wǎng)站的資源庫界面，學習圖書館資源管理的模式，將學習資源按預設的分類標準進行分組，學習者需要按一定的層級目錄查詢內容。二是搜索引擎輔助的方式，即采用搜索引擎對學習者給出的關鍵字進行檢索，匹配出目標內容推薦給用戶。以上兩種方式都較為成熟，但也存在著一些問題，歸納起來主要有：

首先資源獲取效率不高。用戶獲取資源有賴于系統(tǒng)對標簽或關鍵字的認定，對資源內容的優(yōu)劣無法判定，學習者易獲得無效資源或低質資源；其次資源的檢索，受用戶關鍵字選取的準確性和自身知識的有限性影響，海量的信息資源無法進入學習者視野。再次個性化程度較低。資源的組織方式嚴重依賴于資源的管理者，系統(tǒng)無法根據(jù)用戶的個人學習狀況或學習偏好給出推薦。

綜上，推薦算法在高校學習資源平臺的應用必將成為趨勢。本文構建了采用協(xié)同過濾算法優(yōu)化學習資源平臺，使其能夠主動為廣大學習者提供個性化推薦服務。

一、協(xié)同過濾算法

協(xié)同過濾算法（collaborative filtering）是一種產(chǎn)生較早，應用相對較為廣泛的推薦算法。通過對用戶歷史行為的數(shù)據(jù)挖掘，進行用戶特征分析，歸納出相似性較高的用戶集合，從其偏好中計算得出推薦內容的集合。協(xié)同過濾算法主要分為兩類，分別是基于用戶的協(xié)同過濾算法 (user-based collaborative filtering)，和基于物品的協(xié)同過濾算法 (itembased collaborative filtering)。

（一）基于用戶協(xié)同過濾算法

基于用戶的協(xié)同過濾算法，是建立在“偏好接近的不同用戶對同一資源的評價接近”這一基本思路上的。是通過分析用戶的歷史操作，以相近偏好作為評價標準劃分出相似的鄰近用戶集合，進一步計算出集合中與目標用戶相似度最高的鄰近用戶，并將其偏好內容推薦給目標用戶。如圖1所示，對圖中用戶的歷史操作進行分析后，可以看出A 用戶與目標用戶相似度最高，為最鄰近用戶，故將學習資源“數(shù)據(jù)結構”推薦給目標用戶。

圖1：基于用戶的協(xié)同過濾算法示意圖

（二）基于物品的協(xié)同過濾算法

基于物品的協(xié)同過濾算法，其基本原理和基于用戶的協(xié)同過濾算法類似，區(qū)別在于基于物品的協(xié)同過濾算法是從資源的角度尋找推薦資源，是建立在“同一個用戶所選擇的不同資源之間具有相似特征”這一基本思路上的。如圖2所示，凡是選擇了“微課2”資源的用戶均同樣選擇了“微課4”，則認為這兩個資源具有較高相似度。此時，當目標用戶選擇了“微課2”資源后，可將“微課4”資源推薦給他。

圖2：基于物品的協(xié)同過濾算法示意圖

兩種協(xié)同過濾算法各有其優(yōu)缺點，但考慮到高校學習資源智能推薦平臺面對的用戶群體相對固定，結構單一，用戶數(shù)據(jù)維護較為簡單，且多以專業(yè)背景聚合，推薦平臺更需要解決的是多樣性不足的問題，以開拓用戶的學習視野，故而偏向以基于用戶的協(xié)同過濾算法作為平臺推薦算法的基礎。

二、推薦算法的應用

推薦算法的核心在于構建具有較強相似性的鄰近用戶集合。為此，首先要做的就是得出每個用戶對資源評價的矩陣。

（一）構建資源評價矩陣

用戶對資源的評分可以根據(jù)平臺系統(tǒng)的需要設計評分項目及其所占權重。由于用戶在使用資源過程中，對資源的評價存在惰性和隨意性，為進一步提高學習資源智能推薦平臺所推薦資源的有效性，在構建評價矩陣過程中，設計評分項目既需要有顯式評分項目，也需要設置足夠的隱式評分項目，以便更加準確的建立用戶偏好檔案。具體評分項目及權重構成如表1。

表1：用戶—資源評分項目表

我們假設平臺注冊用戶集合為U={u1,u2,……，um}，平臺擁有的資源集合為 R={r1，r2，……，rn}，則全部用戶對資源的歷史評分構成的 “用戶—資源”評分矩陣為P，其中Pmn 為用戶um 對資源rn 的評分，如圖3。

圖3：“用戶—資源”評分矩陣

（二）構建鄰近用戶集合

得到“用戶—資源”評分矩陣后，即可根據(jù)其中的分值構建鄰近用戶集合。我們以假定的5個用戶對2 個資源的評分為例找尋特征相似用戶,截取用戶歷史操作評分表如表2。

表2：“用戶—資源評分表”

將評分數(shù)據(jù)放入二維坐標內，得到散點圖。在圖4中可以明顯看出用戶A、C、D相似性較高。

圖4：“用戶—資源評分”散點圖

根據(jù)以上內容，為了能夠進一步量化復雜狀態(tài)下多個用戶對多個資源的評價的相似度，我們采用皮爾遜相似度計算方法，其計算公式如下：

其中Ui表示指定用戶的評分向量，即ui={pi1，pi2，……，pin}。Yi表示用戶Ui評分制非空的項目集合。i表示用戶Ui所有評分的平均值。計算得出的皮爾遜相關性系數(shù)，通常認為取值在0.0-0.2為極弱相關或無相關，取值在0.8-1.0為極強相關，取值越偏向1，則正相關性越強。

完成目標用戶與其他用戶之間的相似度計算之后，可以采用設置相似度系數(shù)閾值或者取Top-n最鄰近用戶等方式，最終形成目標用戶的最鄰近用戶集合。

（三）構建推薦項目列表

推薦算法的最終目的是向目標用戶推薦其可能喜好的資源，資源的來源為最鄰近用戶集合中已評分資源得分均值較高、且為目標用戶尚未評分的資源。我們根據(jù)以下公式求得最鄰近用戶對項目評分的均值。

三、學習資源智能推薦平臺架構

（一）平臺系統(tǒng)模型

本文提出的高校學習資源智能推薦平臺如圖5所示，主要由資源檔案管理模塊、用戶檔案管理模塊、網(wǎng)頁管理模塊、智能推薦模塊等方面構成。其中，用戶檔案管理模塊需在記錄用戶主動提供的注冊信息的基礎上，記錄和整理用戶的行為數(shù)據(jù)，形成完整的用戶檔案。智能推薦模塊匹配資源檔案和用戶檔案中的數(shù)據(jù)，建立預測評分，并使用協(xié)同過濾算法生成推薦列表后提交至網(wǎng)頁管理模塊。

圖5：高校學習資源智能推薦平臺架構

（二）平臺推薦策略的運用

協(xié)同過濾算法的使用，提高了資源推薦的有效性，能夠為平臺用戶提供動態(tài)更新的個性化推薦服務，但其不能作為整個平臺的唯一推薦策略。根據(jù)新老用戶的不同特性，根據(jù)平臺不同板塊的功能劃分，可以采用多種策略分工組合的方式。

平臺首頁：可以對于新上傳資源進行廣告式推薦；根據(jù)用戶專業(yè)、年級等基本信息，排序符合基本特征的資源進行直接推薦；根據(jù)平臺限時活動進行資源推薦等。

商品搜索頁：采用關鍵字匹配；相同關鍵字優(yōu)先級排序策略等。

猜你喜歡：用戶點擊量及時序綜合排序推薦；協(xié)同過濾算法推薦。

結 語

協(xié)同過濾算法的應用非常廣泛，但其本身也存在冷啟動問題、稀疏性問題、可拓展新問題等不足，可以通過調整預測評分計算的相應指標或改進算法加以優(yōu)化。