基于协同过滤技术的线上课程推荐研究
   来源:智能计算机与应用     2018年09月09日 14:30

基于协同过滤技术的个性化课程推荐系统研究.pdf

柯秀文

文章编号: 2095-2163(2018)03-0185-03中图分类号: 文献标志码: A

摘要: 关键词: based on collaborative filtering technology

(Software College of Shangqiu Polytechnic ,Shangqiu 476001, Henan, China)

Abstract: Learning online based on "Internet +” technology is a new and effective way of learning, it is conducive to raise learners' knowledge and skills, but many learners finds it hard to choose the online course which they really need. Aiming at the existing problems, this paper designs an online course recommendation System based on collaborative filtering technology, and overcomes the shortcomings of collaborative filtering to provide well-directed course for learners , so as to promote the talents cultivation that based on "Internet +" technology.

Key words:

作者简介:

收稿日期: 引言

随着信息技术的快速发展,数字课程资源建设日益丰富,基于“互联网+”[1]技术的新型学习方式得到极大的普及和推广,这种学习方式摆脱了传统学习方式在空间和时间上的限制,具有课程内容碎片化、教学方式趣味化、学习时间(场所)自由化、学习内容自主化等特点。这些特点符合自由学习者对学习内容和形式的要求,使学习者具有极大的学习自由度,也吸引了越来越多的学习者参与到这种学习形式中来。

随着基于“互联网+”技术线上学习的深入发展,新的问题逐渐显现,学习者难以对自己的学习需要做出有效评估,面对课程平台海量的学习资源,也难以选择有效的方式寻找真正符合自己需要的的课程。不少学习者对线上课程的选择出现了盲目性、随意性,即通过参考别人选择的课程随机选择课程,或者通过搜索引擎在课程网站搜索课程资源,然而这些课程选择方式都难以保证学习者所选择的课程真正符合自己的学习需求。

为了解决学习者线上课程选择的问题,本文提出一种基于协同过滤算法的推荐技术,从技术手段上,帮助学习者从网络课程平台上选择符合自己需求的课程资源。

1个性化推荐技术

1.1个性化推荐技术介绍

个性化推荐技术是一种可以根据用户已有的相关信息,为用户提供有效的、实时的、符合个性需求服务的技术,该技术和传统信息检索方式相比具有显著的优势,在电子商务领域得到广泛的应用和推广。目前,常用的个性化推荐算法主要有如下几种:基于规则的推荐系统、基于内容的推荐系统和基于协同过滤的推荐系统[2]。协同过滤算法在各类电子商务网站商品推荐中得到广泛应用,并取得了良好的个性推荐效果,因此,针对不同的线上课程学习者,选择协同过滤算法进行线上课程个性化推荐是可行的。

1.2协同过滤技术介绍

1992年,Goldberg等人提出协同过滤( Collaborative Filtering,CF)技术,本文研究推荐的协同过滤算法主要基于学习者对一些课程的评分进行比较,如果学习者对一些课程的评分相似,那么学习者对其他课程的评分也相似。协同过滤算法分为获取用户信息、相似性比较、产生推荐3部分[3]。

1.3协同过滤技术的应用

1.3.1获取线上课程用户信息

在线课程网站中,可以通过学习者注册的信息及其行为记录为其建立个性化的推荐。注册信息一般是用户初始登录课程网站时要填写的相关个人信息,行为记录方式总体上可以分为2种,一种是通过用户对课程的评分直接获得;另一种是通过用户在课程页面的停留时间、点击次数转化为评分间接获得,2种方式各有优缺点。把获得的数据转化为评价矩阵,见表1,Sij表示用户i对课程j的评分。

3.2相似性比较

计算学习者目标用户的相关特征,并在学习者数据库中找到与目标用户特征相似的用户群,通过Pearson相关系数进行用户之间的相似度计算,计算公式如下:

sim(m,n)=

∑c∈Imn(Smc-Sm)(Snc-Sn)∑c∈Imn(Smc-Sm)2∑c∈Imn(Snc-Sn)2(1)

其中,sim(m,n)是2個用户之间的相似度,Imn是2个用户的共同评分。

1.3.3根据比较结果产生推荐

产生推荐即通过邻居集对课程的评分来预测目标用户对课程的评分,从而把预测值较高的课程推荐给目标用户。其算法有平均加权法和评分频度法[4]。在网络课程个性化推荐中,可以根据不同的用户,灵活地选择合适的算法实现更加精准的推荐。

1.4实例分析

本文以中国大学MOOC网络课程推荐的实例来说明该算法的计算过程。表2示出了一个简易的学习者课程参与表,相关课程取自中国大学MOOC网(https://www.icourse163.org/),其中,1表示用户参与了该课程的学习,0表示用户没有参与该课程学习;A、B、C、D表示4名学习者用户。

1.4.1获取用户信息

在本事例中可以把学习者用户参与的课程转化为标量表示,即A=(1,0,1,0,0);B=(0,0,0,0,1);C=(1,0,0,1,0);D=(1,1,1,0,0)。

1.4.2相似性比较

通过相似性公式计算得到A、B、C、D这4位学习者用户的相似性结果,见表3。

4.3产生推荐

通过比较得出与用户A最为相似的学习者用户是D,因此,可以将学习者D学习的《Enterprise Accounting》课程推荐给学习者用户A。

1.5协同过滤算法缺陷改进思路

利用协同过滤技术可以方便地为学习者推荐个性化的线上课程资源[5]。协同过滤技术能够实现精准推荐需要用户有足够多的评分基础,用户评分数据越多,其推荐结果越接近于用户实际需要。该项技术在实际应用中往往存在2个问题:数据稀疏性问题和冷启动问题[6]。

数据稀疏性问题即学习者用户因为各种原因对线上课程没有足够多的评分,当评分数量较少时很难进行相关特征值的计算,导致推荐效果不理想。解决这一问题,可以采用预测填充的方法,以用户已有课程评分为依据,预判一部分相似邻居,根据邻居对线上课程的评分来填充用户自己未评分的项目,使学习者用户的评分数据足够多,产生推荐课程推荐给学习者用户,并引导用户对推荐课程进行评分,逐步丰富用户评分数据库,解决数据的稀疏性问题。

冷启动问题一般是指新的学习者注册用户,由于初始使用线上课程,就没有任何课程评分数据,这样导致无法对其匹配邻居用户,无法进行线上课程的推荐。解决冷启动问题,可以借助课程网站平台,在学习者用户初次注册时,让其认真填写符合自己特征的相关信息,如:调查其注册目的、学习兴趣、学习目标等等,根据用户注册信息,就可以直接给学习者用户推荐相应分类评分较高的课程。最后还要引导用户对推荐课程进行评分,获得越来越多的真实评分数据,为更好的应用协同过滤技术做准备。

2线上课程个性化推荐系统模型

基于协同过滤技术的个性化课程推荐可使学习者在线上课程选择时具有较高使用价值,可以有效地为学习者提供针对性较高的、符合个性化需求的、高质量的线上课程。

图1示出了基于协同过滤技术的线上课程个性化推荐系统设计图。学习者用户的相关数据信息和评分行为记录存储在数据库中,需要推荐时,算法根据用户在数据库中的信息判断该用户是老用户、新用户、还是数据稀疏型用户。老用户采用普通协同过滤算法计算推荐课程;新用户以其注册数据信息为依据进行课程推荐;数据稀疏型用户首先进行预测评分,然后再执行普通协同过滤算法进行课程推荐。最后要求学习者用户对推荐课程进行评分,并录入数据库,以方便系统为其他用户提供更加精准的推荐。

通过基于协同过滤技术线上课程个性化推荐系统,课程网站可以根据学习者个性特征高效率、准确地推荐符合其学习需要的网络课程,解决了学习者线上课程个性化学习的问题,提升了其学习效率和学习体验。此外,课程网站还可以利用个性化推荐系统为学习者组建学习小组或小型学习论坛。学习小组或小型学习论坛成员均为“相似邻居“(基于用户“相似邻居”产生推荐),相互之间有着共同的学习兴趣、学习爱好、学习课程等,这样可以有效地促进相似用户之间的交流讨论,提高学习者学习的兴趣,达到更好的学习效果。

3结束语

本文介绍了线上课程学习者在课程选择上存在的一些问题,针对学习者难以实现课程个性化选择的情况,改进了协同过滤算法的缺陷,设计了一种基于协同过滤技术的线上课程推荐系统,为学习者提供个性化的课程推荐。在线课程平台在实际使用该系统过程中,要注重新用户注册数据和老用户课程评分数据的存储和利用,以有效解决数据稀疏和冷启动问题,不断提高课程推荐精准度。

参考文献

[1] 中华人民共和国农业部. "十三五"全国新型职业农民培育发展规划[DB/OL]. http://jiuban.moa.gov.cn/zwllm/ghjh/201701/t20170122_5461506.htm, 2017-1-22.

[2] 黄洋. 基于聚类和项目类别偏好的协同过滤推荐算法研究[D]. 浙江理工大學,2014.

[3] You W, Shui-Sheng Y E. A Survey of Collaborative Filtering Algorithm Applied in E-commerce Recommender System[J]. Computer Technology & Development, 2006.

[4] 胡国强,张旭虎. 基于协同过滤算法的MOOC个性化推荐系统[J]. 信息技术,2017(6):99-103.

[5] 丁永刚,张馨,桑秋侠,等. 融合学习者社交网络的协同过滤学习资源推荐[J]. 现代教育技术,2016,26(2):108-114.

[6] 申辉繁. 协同过滤算法中冷启动问题的研究[D]. 重庆大学,2015.

课程 学习者 用户