个性化推荐系统设计毕业论文.docx

个性化推荐系统设计毕业论文研究目的智能在线学习系统[1]是个性化推荐的一种应用，本文介绍的是基于OJ数据的习题个性化推荐系统，本章简要介绍个性化推荐的概念、背景与国内外研究现状，并且针对目前流行的推荐方法予以介绍。1.1研究背景及意义近年来，随着互联网、移动设备等信息技术的迅猛发展，除了企业业务运营中不断积累的交易等业务数据之外，遍布全球的传感器无时无刻不在探测和收集物理世界的各种信息，移动互联网则在不断收集用户的地理位置信息，各种社会媒体中的数以亿计的用户也在随时随地地产生交互信息，这些数据不仅是数量巨大（以TB甚至PB为单位），而且形式繁多，除了企业业务运营信息系统中的结构化数据之外，各种文本、声音、图片、视频、地理位置等各种不同类型的数据决定了数据的多样性。同时，这些时刻变化的来自各种数据源的数据有充满了噪音，对这些数据的管理和分析已经超出了传统的数据管理技术的能力，因此，人们称其为大数据[2]。在教育领域，智能教学系统（Intellectual Tutoring System）利用人工智能和计算机技术来模拟现实教学过程，使得该系统具备了人力教学所不具备的高效率、高存储、个性化等特点。其广阔的发展前景使得越来越多的专家开始投入到对ITS的研究中，希望可以凭借计算机对知识的有效处理，由计算机代替老师来提高学生学习效率，并最终实现人类对其自身认知过程的终极解码。智能教学系统作为一种辅助教学手段，其中运用传统的个性化推荐方法有其局限性，对于基于用户的协同过滤,推荐的原则必须要求用户会喜欢那些和他有相同喜好的用户喜欢的东西；对于基于内容的协同过滤则有个前提，就是用户会喜欢和他以前喜欢的东西相似的东西，那么我们可以计算一个用户喜欢的物品的自相似度。一个用户喜欢物品的自相似度大，就说明他喜欢的东西都是比较相似的，只有在这种情况下，该方法才会具有较高的推荐效率。为了能够提高个性化推荐系统的准确率，本论文摒弃单一的协同过滤方法，提出新的推荐方法思路并将其理论应用智能在线学习系统中，更大的发挥在线学习系统个性化推荐的作用，为学生提供更优质的服务。1.2推荐系统现状目前对于个性化推荐系统的研究正处于高速发展期,相关的推荐算法也已在电子商务领域、个性化搜索等领域得到一定程度的发展和应用。传统的个性化推荐算法包括基于内容的推荐、基于行为的推荐、以及混合推荐算法，其中基于行为的个性化推荐算法凭借其出色的行为分析和兴趣建模，得到了业内专家学者的广泛研究。但具体到在线学习系统领域，系统本身包含的知识评测系统、以及知识表示系统决定了ITS中的个性化推荐模块对知识的依赖多余对用户学习行为的依赖。相比于利益驱动的电子商务领域个性化推荐算法的蓬勃发展，主要应用于教育领域的个性化推荐算法的研究则相对疲软。由于教育领域内知识本身具有很强的语义关系，软件对用户的辅导更多地是强调用户在认知学习中对知识语义间联系的掌握。而应用较为广泛基于行为的个性化推荐算法，其原理则是通过构建邻居矩阵来判断用户的兴趣来为用户进行资源推荐，对于智能教辅而言，单一的基于用户的协同过滤和基于内容的协同过滤算法推荐结果忽略了用户在进行知识学习时表现出的认知特点，其准确度势必降低。因此，本文将在前人的基础上，研究基于记忆的个性化推荐算法，在本系统中，包含两个纬度：其一，基于用户（学生）的协同过滤[4]，其二，基于内容（习题）的协同过滤，两者都是利用学生用户过去使用在线学习系统的历史提交记录，从而对学生进行习题个性化推荐。将算法研究重点放到对知识结构与习题资源本身的信息的利用和处理上，以解决在ITS系统中为学生从海量资源中进行个性化资源推荐的问题，并将通过实验证明该算法和系统的理论价值与应用价值。1.3论文内容与章节安排对于介绍基于OJ数据的习题个性化推荐系统论文以下内容安排如下：第二部分侧重介绍本系统数据处理过程中依据的理论知识背景及技术应用；第三部分讲述了习题推荐系统实现过程中遇到的难题及整个系统的设计思路；第四部分描述系统实现的详细步骤；第五部分总结了本系统设计与实现过程中的心得与体会。理论支持与相关技术的应用与背景习题个性化推荐系统所运用的理论来源于集体智慧，本系统中实现该理论的具体方法是基于记忆的协同过滤和基于规则的协同过滤。鉴于开源软件Weka的强大功能和对Java应用程序的支持，我们采用Java作为开发语言，调用Weka程序返回的数据。下面对这些方法的数学原理和工具或平台做具体介绍。2.1相应的推荐算法及数学原理2.1.1集体智慧与协同过滤集体智慧 (Collective Intelligence) [7]并不是Web2.0时代特有的，只是在Web2.0时代，大家在Web应用中利用集体智慧构建更加有趣的应用或者得到更好的用户体验。集体智慧是指在大量的人群的行为和数据中收集答案，帮助