基于社会化网络实时课程推荐.doc

基于社会化网络的实时课程推荐 软件学院：冯相宜 王治珍 指导教师：赵卫东 摘要：本文结合个性化服务，提出了基于社会化网络的实时课程推荐系统。 关键词：协同过滤 基因 课程推荐 社会化网络 Abstract: This paper proposes a kind of real-time course recommendation system based on social network combined with personalized services. Key words: collaborative filtering, gene, course recommendation, social network 1 前言 互联网规模的迅速增长使得大量信息爆炸性的出现，造成了信息超载的问题。过量信息同时呈现在用户面前，导致用户无法快速便捷的从中得到有用信息。因此信息的筛选便成为了关键问题。现有的很多网络应用，比如门户网站、搜索引擎和专业数据索引本质上都是帮助用户过滤信息的手段．然而这些工具只满足主流需求，没有个性化的考虑，仍然无法很好地解决信息超载的问题。推荐系统就是被用来解决上述提及的信息过载问题的有力手段，比如Google的新闻推荐、Email过滤、N电影推荐等服务中都有所应用。随着互联网时代的到来，集合群体智慧，充分发掘大量信息的推荐系统正在深刻地改变着人们的生活。而这基于两个前提——硬件技术的发展确保了大规模计算成为了可能，互联网的普及又事实上构建了庞大的数据库。 目前，关于课程推荐系统的研究非常少，但就推荐内容而言，课程推荐与其他推荐有其共性，亦有其特殊性。大学提供的课程资源日益丰富，开设的公选课课程数目也日益增多，仅以复旦大学2014年度春季学期而言，各院系开设的不同课程便有约9089门，除去其中不到二分之一的专业必修课程，余下的近5000门课程大都是选修课程，面对如此庞大的课程信息，在一定的时间内选择合适的课程对学生而言是较为困难的事情。另一方面，随和互联网的发展，教育的平民化、大众化在不断地推进，公开课方兴未艾，譬如网易公开课、Coursa、新浪公开课等为网民提供了成千上万的高校精品课程。在可预期的将来，通过互联网上课将成为人们继看电影、听音乐之后的不二选择。课程会类似于电影、音乐一般在网络上被点击，被推荐。 个性化的推荐系统近些年来得到了广泛的关注，有关学者纷纷就此展开了一系列讨论，部分已投入的推荐系统已实现了个性化服务。一般说来，个性化服务依据其服务深度主要有三个层次；根据用户的需求提供针对性信息的个性化定制服务；通过对用户基本特征的分析和历史记录的挖掘，运用PUSH技术主动推送信息的个性化推送服务；对查询请求进行智能分析，利用数据挖掘、知识发现、智能AGENT等技术，预测用户可能需要的信息并对信息内容进行深层次的加工与组织，推荐可用于决策支持、科学研究的个性化知识决策服务。本文结合个性化服务，提出了基于社会化网络的实时课程推荐系统。 2 个性化课程推荐的应用分析 与其他推荐内容相比，课程的特殊性主要表现在：一、对于每门课程而言，它的主旨是明确的，我们可以用仅仅几个关键词来精确描述它的外延和内涵，而它的名称也往往是对“它是什么”或者“它关于什么”的确切表述，譬如高等数学之于“高等数学”；二、对于每门课程而言，它的属性是多样性的，换言之，如果给它打上标签，那么标签是多样性的，如对于一门课程，它有教师、学校、领域、课时、名称、推荐书目，在现实中，还可以有时间、地点、专业、年级、考试方式、选课人数等等；三、对于每门课程而言，它的绝大多数基本信息甚至扩展信息在初始时便已存在，譬如每门课程会有相应的描述、参考书籍等， 推荐系统从某种意义上说是挖掘大量数据，模拟人的思维方式的行为决策系统。一般而言，推荐方式大致有如下几种： 分析选修课程历史记录，进行推荐。这是最简单，最直观的推荐方式。通过对历史记录的分析，获取用户最有可能感兴趣的领域（类型，教师等等），推荐相关的课程。这也是基于内容的推荐的基本思路。 分析所有用户数据，进行推荐。将所有用户进行聚类，每一类用户在某些方面具有较高的相似度，进而可以认为这些高相似度的用户，其行为也有着较高的相似度。从这个思路出发，利用协同过滤推荐方法实现个性化推荐。 绝大多数用户感兴趣（关注、推荐……）的内容，某一用户极有可能感兴趣（关注、推荐……），这里称之为“随大流”。基于这个考量，可以看到目前许多有推荐功能的平台会简单地推出TOP榜单。 用户之间直接进行推荐。 3 推荐系统的模型设计 3.1 系统特征 本系统是一个功能灵活多变，可根据用户的需求及资源的特征进行设计并为用户推荐知识单元、辅助决策的开放性系统，实现推荐决策功能与用户实际需求的紧密结合。系统的主要特征有