张宏亮（温州广播电视大学教育技术与资源建设中心，浙江 温州 325000）

基于协同过滤技术的学习资源个性化推荐研究

张宏亮
（温州广播电视大学教育技术与资源建设中心，浙江 温州 325000）

当前通过调研e-learning发现，e-learning当前的系统应用到学习资源的推荐的活动中只是有Top-N和

两种搜索方法，不能向学习者个性的推荐学习资源。借鉴当前电子商务研究领域的许多的研究的结果，我们可以把协同过滤推荐技术应用到学习资源的个性化推荐过程中。我们分析学习资源个性化推荐的经常用的三种推荐的技术，分析出协同过滤推荐技术的工作原理、方法和出现的问题。本文，通过介绍一个优化理论模型，更好的协同过滤技术的学习资源的个性化推荐，注重探讨模型的构成，相应的评分机制与算法的实现，而且分析个性化学习资源推荐模型里面的三种重要的技术。希望可以使e-learning相关的人员在搜索过程中对协同过滤技术进行有效利用，从而使学习资源个性化推荐的效率得到提升。

e-learning；协同过滤技术；个性化推荐；学习资源

DOI：10.16640/j.cnki.37-1222/t.2016.16.201

1　引言

经过对许多的企业的e-learning门户系统研究与分析得知，e-learning系统的推送学习资源主要有以下几类方法：（1）Top-N推荐的方法，指向用户推荐点击率最高的前N个资源［1］。点击率只是反映相应学习资源受欢迎的程度，而不能达到个性化推荐的目的。尤其对于一些涉及多种职业的行业的学习资源的管理，用户针对资源的类别和需求是不同的，点击率高的学习资源，只是单纯的反应学习者的要求；（2）关键词查询的方法。该种方法的优点是便捷快速。这种查询的方法只是单纯的达到搜索目的和关键词的默契，不能筛选目标资源的质量，不能达到资源的个性化推荐；（3）最新的资源的推荐。该种方法能会在第一时间向用户反馈资源库里面更新的情况，从而使最新的学习资源得到更多的学习，可是资源的质量不能得到有效保障，不能达到个性化推荐。

2　个性化推荐技术

个性化推荐是推荐系统依据用户的个性化因素，比如爱好、职业、专业等因素，给用户主动的推荐满足用户学习的资源和咨询的一种推荐的技术［2］。再者，通过个性化推荐技术还能很好的让用户之间分享学习经验，更可以给用户推荐相同的用户群喜欢的信息。

2.1关联规则的推荐方法

该技术的推荐技术的工作原理：开始的时候需要管理员制作一系列规则的条目，接着依据指定的规则来分析项目之间的联系，并且把关联紧密的项目给用户推荐。并且在推荐的时候，系统合理的分析用户目前的喜好和访问的记录，之后根据已制定的规则，推荐给用户想要的资源。比如，若用户正在学习网页设计技术，则在他学习视频ASP网页设计的资源过程中，系统就会将和HTML技术有关的学习资源推荐给他。主要原因是：HTML技术是网页制作的基础知识，学习的人还没掌握，或者还有想继续学的乐趣。

2.2内容过滤推荐

内容推荐作用机理：以机器学习与概率统计等技术为基础，来实现过滤，最初选用客户的兴趣向量来代表用户的信息需求；而后，筛选文本集内的文本，主要采用词频统计加权、标引、分词等方式，与此同时，得到一个文本向量；最终，对文本向量与用户向量进行计算，确定其相似度，并向这个用户模型的注册的用户推荐相似度高的资源。

2.3协同过滤推荐

不同与以上两类推荐技术，协同过滤推荐是基于对资源内容的分析、资源和用户的匹配度的计算，来产生用户推荐的，此外，资源推荐的凭据就是用户对资源的评分。其工作原理：开始的时候就是分析用户的特点，比如：职业、兴趣等；之后采用相似性算法对用户之间的相似性进行计算，并找出和目标性相似度高的K个用户；最终，以邻居用户对资源的评分为依据，来对目标用户评分进行预测，再向目标用户推荐预测评分最高的几个资源［3］。

3　协同过滤推荐技术

协同过滤推荐系统采用统计技术，对目标用户进行搜索，获取多个最近邻，而后，以最近邻对项目的评分为依据，来对目标用户的评分进行预测，并得到相对应的推荐的列表。实现协同过滤推荐的流程分为以下三步：

首先，获得用户信息，并将其表示出来。用户的数据可分为用户的注册的信息、学习的数据与行为记录三类。通常情况下，推荐系统采用评分的方式，来获取用户的行为数据。

然后，形成邻居。协同过滤技术的最主要的环节就是寻找和目标用户相同或相似兴趣的用户群。通过采用传统的余弦相似性计算方法，寻找相似度高的用户。

最后，产生推荐。协同过滤最后的步骤就是产生推荐。产生推荐的主要依据是邻居集对资源的评分，以此评分对目标用户学习资源的评分进行预测，最终向用户产生推荐。

4　协同过滤推荐技术存在的不足及措施

存在的不足：（1）数据稀疏。由于数据稀疏，系统无法产生有效的邻居用户集，且计算用户间的相似时，将消耗较长的时间，最终不能产生较好的推荐结果；（2）“冷启动”问题。一方面，若用户是新注册的，则系统没有相关的数据记录，系统不能很好的产生推荐，另一方面，新的资源，系统没有匹配的评分记录，无法别推荐，上述情况就造成协同过滤算法的“冷启动”问题。

关于数据稀疏，当前有两种对应措施。第一，缺省值法，即对于用户没有评分的项目，将其评分统一设置成一个固定的缺省值（一般，该固定的缺省值是用户对项目评分的平均值，比如：5分制中的2.5）；第二，项目评分的预知的方式。对根据数据相似性，由用户对相似的评分来对未评分项目的评分进行预测，使用户共同评分项目增加，有效解决该问题。

5　结论

借鉴当前电子商务研究领域的许多的研究的结果，我们可以把协同过滤推荐技术应用到学习资源的个性化推荐过程中。本文对协同过滤推荐技术进行研究，希望可以使e-learning相关的人员在搜索过程中更好的利用好协同过滤技术，提升学习资源个性化推荐的效率。

［1］杨焱，孙铁利，邱春艳.个性化推荐技术的研究［J］.信息工程大学学报，2005，6（02）.

［2］赵艳霞.基于关联规则的推荐系统再电子商务中的应用［J］.价值工程，2006，25（05）：88-91.

［3］杨焱.基于项目聚类的协同过滤推荐算法的研究［D］.东北师范大学，2005（05）.

张宏亮（1985-），男，河南信阳人，研究生，助教，研究方向：计算机应用技术、教育技术。