智能推送技術(shù)在在線學(xué)習(xí)平臺(tái)中的應(yīng)用

金毛玉 張潔 劉凱

摘 ?要：通過(guò)實(shí)施協(xié)作過(guò)濾技術(shù)，對(duì)智能推送技術(shù)在在線學(xué)習(xí)平臺(tái)中的應(yīng)用進(jìn)行了研究，可以成功解決在線學(xué)習(xí)平臺(tái)上的智能推送問(wèn)題，并使用智能推送技術(shù)為用戶提供更好的在線學(xué)習(xí)方式。通過(guò)該研究，不僅可以調(diào)查用戶的需求，還可以指導(dǎo)用戶在線學(xué)習(xí)，為不同的用戶開(kāi)發(fā)個(gè)性化的在線學(xué)習(xí)推薦服務(wù)。該研究主要工作是根據(jù)現(xiàn)有的在線學(xué)習(xí)管理系統(tǒng)和學(xué)院的實(shí)際情況，設(shè)計(jì)并實(shí)現(xiàn)適合該學(xué)院的在線學(xué)習(xí)推薦子系統(tǒng)，并為學(xué)院的學(xué)生提供個(gè)性化的在線學(xué)習(xí)推薦服務(wù)。

關(guān)鍵詞：MySQL數(shù)據(jù)庫(kù);在線學(xué)習(xí)平臺(tái);智能推送

中圖分類號(hào)：TP311.52 ? ? 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2020）23-0141-03

Application of Intelligent Push Technology in Online Learning Platform

JIN Maoyu，ZHANG Jie，LIU Kai

（Tianjin Normal University，Tianjin ?300387，China）

Abstract：The application of intelligent push technology in online learning platforms has been studied by implementing collaborative filtering technology，which can successfully solve the problem of intelligent push on online learning platforms and use intelligent push technology to provide users with better ways of learning online. This research not only allows investigating usersneeds，but also can instructs users in learning online to develop personalized online learning recommendation services for different users. The main work of the research is to design and implement an online learning recommendation subsystem that is suitable for the college based on the existing online learning management system and the actual situation of the college，and to provide personalized online learning recommendation services for the colleges students.

Keywords：MySQL database;online learning platform;intelligent push

0 ?引 ?言

在知識(shí)更新迅速的信息社會(huì)，信息和知識(shí)老化速度的加快都是前所未有的，構(gòu)建終身學(xué)習(xí)體系，是國(guó)家在信息社會(huì)立于不敗之地的前提，也是當(dāng)前社會(huì)環(huán)境下個(gè)人發(fā)展的關(guān)鍵。學(xué)習(xí)型社會(huì)的形成，為信息技術(shù)的飛速發(fā)展、多媒體技術(shù)的進(jìn)步創(chuàng)造了良好環(huán)境。在線學(xué)習(xí)是個(gè)性化推薦系統(tǒng)的一個(gè)應(yīng)用方向，可以幫助用戶在大規(guī)模的視頻資源中快速找到滿足自己需求的視頻。在這種網(wǎng)絡(luò)信息良莠不齊的情況下，個(gè)性化推薦系統(tǒng)相比于搜索引擎，就能滿足用戶的要求，該系統(tǒng)不需要用戶被動(dòng)查找所需的視頻，而是向用戶主動(dòng)推送用戶可能感興趣和有需求的視頻。推薦系統(tǒng)通過(guò)對(duì)用戶的歷史訪問(wèn)記錄進(jìn)行分析，挖掘出用戶潛在的需求，并向其推薦與之相關(guān)的視頻，使得用戶尋找自己所需視頻的過(guò)程變得便捷。

1 ?協(xié)同過(guò)濾算法

1.1 ?相似度計(jì)算

在協(xié)同過(guò)濾建模中，我們首先要確定如何計(jì)算相似度。通常情況下，人們使用泊松相關(guān)系數(shù)和余弦相似度計(jì)量法作為相似度的計(jì)算方法。因?yàn)椴此上禂?shù)考慮了評(píng)分風(fēng)格差異對(duì)相似度的影響，所以使用泊松系數(shù)計(jì)算所得的相似度更符合實(shí)際情況。

在輸入法系統(tǒng)中，不存在用戶對(duì)詞匯進(jìn)行打分的步驟，所以我們將詞頻權(quán)重作為用戶對(duì)一個(gè)詞語(yǔ)打分的具體實(shí)現(xiàn)。詞頻權(quán)重指的是在一定范圍內(nèi)該詞匯使用頻數(shù)占所有詞匯使用頻數(shù)的百分比。詞頻權(quán)重的取值范圍為[0，1]。

如表1所示n×m的矩陣中，Word為輸入法系統(tǒng)中的詞匯，User為輸入法用戶。矩陣中的項(xiàng)代表用戶m的個(gè)人詞庫(kù)中詞匯n的詞頻權(quán)重。若項(xiàng)的值為0，代表對(duì)應(yīng)用戶詞庫(kù)中沒(méi)有相應(yīng)詞匯。

那么根據(jù)泊松系數(shù)，兩個(gè)用戶之間的相似度計(jì)算公式[5]為：

（1）

其中，Sim（u，v）為用戶u和用戶v的相似度。Iu和Iv分別為用戶u和用戶v個(gè)人詞庫(kù)中所有詞匯集合。rui和rvi分別為用戶u和用戶v的個(gè)人詞庫(kù)中詞匯i的詞頻權(quán)重。和為用戶u和用戶v都使用過(guò)的詞匯集合Iu∩Iv中各個(gè)詞匯的詞頻權(quán)重的平均值。根據(jù)該公式，用戶相似度的取值區(qū)間為[-1，1]，且Sim（u，v）的值越大表示用戶u和用戶v之間的相似度越高。

1.2 ?用戶聚類

為了使計(jì)算機(jī)能夠自動(dòng)感知出具有相同輸入偏好的用戶，并確定其域的范圍，我們需要對(duì)用戶進(jìn)行自底向上的層次聚類處理。

首先，將所有用戶分成若干個(gè)組，每個(gè)用戶就是一個(gè)組。

然后，對(duì)所有用戶組作循環(huán)處理。依次計(jì)算當(dāng)前用戶組與其他用戶組之間的相似度，找到本輪循環(huán)中相似度最大且超過(guò)預(yù)定閾值的兩個(gè)用戶組，將其合并。重復(fù)執(zhí)行本次操作，直到用戶組兩兩之間的相似度都低于預(yù)定閾值，循環(huán)結(jié)束，聚類操作完成。

偽代碼為：

threshold = x;

user = {u1，u2...um};

while（true）{

maxSim = maxGroupSim（ui，uj）;

if（ maxSim >= threshold ）{

temp = merge（ui ，uj）;

user = （user ∪ temp） - （ui ∪ uj）;

}else{

return user;

}

}

其中maxGroupSim的作用是求取與當(dāng)前用戶組偏好最相似的用戶組的相似度。由于用戶組中可能存在多個(gè)相似用戶，所以用戶組之間的相似度計(jì)算公式[5]為：

（2）

其中i和j為兩個(gè)用戶組，|i|和|j|分別為這兩個(gè)用戶組里用戶的個(gè)數(shù)，u和v分別表示兩個(gè)用戶組的任意一個(gè)用戶。GroupSim通過(guò)對(duì)兩個(gè)用戶組內(nèi)的所有用戶相似度取平均值來(lái)計(jì)算用戶組之間相似度。

2 ?在線學(xué)習(xí)推薦系統(tǒng)需求分析

在線學(xué)習(xí)系統(tǒng)經(jīng)過(guò)多年的自動(dòng)化建設(shè)，已積累了大量的視頻瀏覽信息，為實(shí)現(xiàn)視頻個(gè)性化推薦奠定了一定的物質(zhì)基礎(chǔ)。

經(jīng)過(guò)多年的發(fā)展，聯(lián)合過(guò)濾技術(shù)已經(jīng)建立了較為完整的技術(shù)體系，實(shí)現(xiàn)了令人滿意的進(jìn)步，尤其是在數(shù)據(jù)生產(chǎn)、數(shù)據(jù)挖掘、數(shù)據(jù)分析和互聯(lián)網(wǎng)處理技術(shù)方面。這為在線學(xué)習(xí)推薦系統(tǒng)奠定了技術(shù)基礎(chǔ)。通過(guò)使用數(shù)據(jù)挖掘技術(shù)從數(shù)據(jù)庫(kù)中收集歷史數(shù)據(jù)，可以確定各種視頻資源的相關(guān)性。我們通過(guò)數(shù)據(jù)挖掘技術(shù)分析讀者的喜好，并根據(jù)他們的觀看行為個(gè)性化地推薦視頻。同時(shí)，您可以采用有針對(duì)性的網(wǎng)站管理策略，以便為視頻學(xué)習(xí)網(wǎng)站提供更好的客戶資源。

3 ?詳細(xì)設(shè)計(jì)與實(shí)現(xiàn)

3.1 ?數(shù)據(jù)庫(kù)和Java Web的連接

JDBC（Java數(shù)據(jù)庫(kù)連接性）是用于實(shí)現(xiàn)SQL語(yǔ)音的Java API。它可以提供對(duì)由多個(gè)用Java編寫的類和接口組成的相關(guān)數(shù)據(jù)庫(kù)的統(tǒng)一訪問(wèn)，JDBC為工具/數(shù)據(jù)庫(kù)開(kāi)發(fā)人員提供了標(biāo)準(zhǔn)的API。基于此，可以創(chuàng)建高級(jí)工具和界面。數(shù)據(jù)庫(kù)開(kāi)發(fā)人員可以使用純Java API來(lái)構(gòu)建數(shù)據(jù)庫(kù)應(yīng)用程序。圖1顯示了JDBC驅(qū)動(dòng)程序連接圖。

將與JDBC數(shù)據(jù)庫(kù)相對(duì)應(yīng)的JAR文件復(fù)制到Web應(yīng)用程序的WEB-INF＼lib目錄中。MySQL驅(qū)動(dòng)程序包含文件MySql-connector-java.jar。該文件應(yīng)位于Web瀏覽器的WEB-INF＼lib目錄中。

連接為Connection con=DriverManager.getConnection（"jdbc： odbc：bbs"）。通過(guò)getConnection生成提示包括URL，登錄名，密碼。配置文件如圖2所示（其中，jdbc.username和jdbc.password的值應(yīng)與數(shù)據(jù)庫(kù)設(shè)置匹配）。

3.2 ?在線學(xué)習(xí)管理

管理員起到教學(xué)管理員的作用，使系統(tǒng)更接近實(shí)際的在線學(xué)習(xí)系統(tǒng)。管理員登錄系統(tǒng)后，輸入關(guān)鍵字可以查詢?cè)诰€學(xué)習(xí)信息，并進(jìn)行管理。此時(shí)，默認(rèn)情況下，該頁(yè)面上顯示所需的的在線學(xué)習(xí)視頻資源。如圖3所示。

單擊添加視頻按鈕，將視頻添加到視頻列表的頂部?？梢赞D(zhuǎn)到此頁(yè)面并添加視頻信息。此功能的詳細(xì)代碼在Video UpdateServlet.java中實(shí)現(xiàn)。

視頻信息錄入時(shí)需錄入包括書名、作者、出版社、ISBN、價(jià)格、關(guān)鍵字、圖片和備注在內(nèi)的所有信息。所有在線學(xué)習(xí)資源都顯示在視頻列表，如果管理員要編輯（編輯或刪除）視頻，則選擇該視頻點(diǎn)擊編輯按鈕進(jìn)入編輯界面。

3.4 ?協(xié)同過(guò)濾算法的視頻推薦

3.4.1 ? 用戶數(shù)據(jù)收集

推薦系統(tǒng)屬于協(xié)同過(guò)濾的電商系統(tǒng)之一，推薦系統(tǒng)是基于海量的數(shù)據(jù)挖掘之上的一套電子商務(wù)系統(tǒng)。因此在推薦系統(tǒng)構(gòu)建之前，需要對(duì)戶偏好特征數(shù)據(jù)進(jìn)行分析。

若想要構(gòu)建一套較為理想的推薦系統(tǒng)，使其能夠根據(jù)不同的數(shù)據(jù)給出不同的推薦結(jié)果。首先需要尋找一種數(shù)據(jù)結(jié)構(gòu)使系統(tǒng)能夠記錄用戶的觀看行為并是程序方便操作，在此使用了Python中的dict（字典）結(jié)構(gòu)，存放的用戶觀看記錄的數(shù)據(jù)形式為：User：{item1：N，item2：N，item3：N···}。

從記錄有用戶數(shù)據(jù)的user_by文件中逐條讀入用戶觀看記錄，對(duì)每一條用戶觀看記錄，將同一個(gè)用戶的記錄疊加到字典的以該人名為key值下的子級(jí)字典中。如此便形成了一個(gè)用戶觀看視頻記錄的數(shù)據(jù)集。其偏好數(shù)據(jù)為用戶對(duì)某種視頻的觀看次數(shù)記錄。用戶對(duì)某視頻觀看次數(shù)越多，代表著用戶越依賴（需要）該種視頻。在相似度計(jì)算中，同樣對(duì)該視頻有依賴程度的用戶在相似性上便高于其他用戶，由此該相似用戶過(guò)去觀看的視頻可能也更加適合于該用戶。

3.4.2 ?相似性計(jì)算

將收集到的用戶偏好數(shù)據(jù)輸入到系統(tǒng)中后，系統(tǒng)將數(shù)據(jù)轉(zhuǎn)化為機(jī)器能識(shí)別的代表用戶偏好的數(shù)據(jù)，即轉(zhuǎn)變?yōu)槌绦蛑惺褂玫淖值浣Y(jié)構(gòu)。系統(tǒng)用余弦相似度計(jì)量法與泊松相關(guān)系數(shù)法來(lái)處理這些偏好數(shù)據(jù)記錄，計(jì)算出相似度，再將每個(gè)人兩兩比對(duì)來(lái)判斷其相似程度，根據(jù)相似程度來(lái)決定是否推薦給當(dāng)前用戶。在前面章節(jié)中，我們介紹了推薦系統(tǒng)的相似性計(jì)算的幾種主要方法，在這里我們使用了余弦相似度計(jì)量法與泊松相關(guān)系數(shù)。

3.4.3 ?尋找匹配結(jié)果

通過(guò)上述的相似性算法的計(jì)算后，我們得到了兩個(gè)用戶之間的相似程度。接下來(lái)主要是提取出評(píng)分較高（相似程度較高）的幾個(gè)用戶，找出與用戶最為匹配的推薦結(jié)果。針對(duì)視頻推薦系統(tǒng)，可以通過(guò)泊松系數(shù)計(jì)算出與目標(biāo)用戶有相似偏好的使用者。這些視頻觀看者的視頻學(xué)習(xí)偏好與目標(biāo)用戶較為相似，則兩者可能具有較為相似的學(xué)習(xí)方向，就可以通過(guò)這些相似的對(duì)視頻的偏好來(lái)給目標(biāo)用戶推薦視頻。在給某用戶推薦視頻時(shí)候，首先推薦系統(tǒng)會(huì)計(jì)算出一張相似度表，該表中含有與目標(biāo)用戶較為相似的用戶，從這張表中我們可以挑選出最匹配的一些用戶，給目標(biāo)用戶推薦和他興趣相似的這些用戶喜歡的視頻資源。

3.4.4 ?做出推薦

在通過(guò)相似性計(jì)算得出與目標(biāo)用戶較為相似的幾個(gè)鄰居用戶后，我們可以參考這些相似程度較高的鄰居的偏好視頻數(shù)據(jù)。對(duì)目標(biāo)用戶進(jìn)行視頻推薦。推薦目標(biāo)用戶尚未學(xué)習(xí)的視頻。

將描述喜好的這幾個(gè)字詞與每個(gè)視頻中的關(guān)鍵字進(jìn)行比較，并使用余弦相似度計(jì)量法與泊松相關(guān)系數(shù)來(lái)計(jì)算每個(gè)視頻和用戶個(gè)人資料之間的相似度。系統(tǒng)推薦與當(dāng)前用戶非常相似度高的視頻。

4 ?結(jié) ?論

使用相關(guān)推薦算法對(duì)高校在線學(xué)習(xí)平臺(tái)數(shù)據(jù)庫(kù)中所保存的讀者行為信息數(shù)據(jù)進(jìn)行歸納和整理，分析讀者在利用在線學(xué)習(xí)平臺(tái)資源過(guò)程中所隱含的、有價(jià)值的信息和數(shù)據(jù)，從而達(dá)到學(xué)習(xí)資源的最大化。

參考文獻(xiàn)：

[1] LI W J，XU Y Y，DONG Q，et al. TaDb：A time-aware diffusion-based recommender algorithm [J].International Journal of Modern Physics C，2015，26（9）：1-12.

[2] CANDILLIER L，MEYER F，F(xiàn)ESSANT F. Designing Specific Weighted Similarity Measures to Improve Collaborative Filtering Systems [C]//ICDM 2008：Advances in Data Mining.Medical Applications，E-Commerce，Marketing，and Theoretical Aspects.Leipzig：Springer，2008：242-255.

[3] AHN H J. A new similarity measure for collaborative filtering to alleviate the new user cold-starting problem [J].Information Sciences，2008，178（1）：37-51.

[4] WEI S Y，YE N，ZHANG Q Q. Time-Aware Collaborative Filtering for Recommender Systems [C]//CCPR 2012：Pattern Recognition.Beijing：Springer，2008：242-255.

[5] 周偉，汪少華，楊云.基于數(shù)據(jù)挖掘和讀者行為分析的圖書館薦書系統(tǒng)的研究與設(shè)計(jì) [J].圖書情報(bào)研究，2014，7（4）：38-44.

[6] 楊丹丹.利用大數(shù)據(jù)分析法提高圖書館讀者決策采購(gòu)（PDA）效能探析 [J].圖書館工作與研究，2015（1）：60-62.

[7] 張志廣，張瀟.基于高校圖書館文獻(xiàn)采訪分布式數(shù)據(jù)庫(kù)挖掘的合作協(xié)同模式 [J].農(nóng)業(yè)圖書情報(bào)學(xué)刊，2015，27（6）：65-68.

作者簡(jiǎn)介：金毛玉（1998—），女，漢族，浙江江山人，本科在讀，研究方向：計(jì)算機(jī)科學(xué)與技術(shù)。