基于协同过滤推荐技术作业资源个性化推荐系统设计与研究.docVIP

基于协同过滤推荐技术作业资源个性化推荐系统设计与研究 　　【摘要】个性化推荐系统在电子商务领域已经获得成功应用。受其研究领域中相关研究启发，我们尝试在作业资源管理系统中引入协同过滤推荐算法，对协同过滤算法的工作原理、实现方法和存在问题等进行阐述和分析，并提出对存在问题的改进策略。将优化后的推荐技术融入到作业管理的整个流程中去，设计了基于协同过滤技术的作业资源推荐系统的理论模型，并结合作业流程详细说明推荐的实现过程。 　　【关键词】教育信息化；协同过滤技术；个性化推荐 　　教育信息化促使教育资源的不断开发，各个专业的教育资源混杂在一个数据库中，形成了海量的资源条目，丰富的教学资源在一定程度上为学习者拓展了知识结构，实现了资源的共享。然而，在这个不缺乏数字化资源的时代里，学习者常常有这样的困惑：不得不在检索和查询符合自己学习需要的资源上花费大量的时间和精力，却找不到符合自己兴趣的学习资源。在有丰富资源的基础下，却不能高效的学习成为不可争议的事实和亟待解决的问题。归结原因不难发现，有以下两个原因：（1）学习者信息素养的高低：学习者对于信息技术手段的熟练方式程度，往往决定了学习者在网络学习的速度，也就是传统的学习方式是学习者主动去“抓”资源，就能有效避免因信息素养不同而造成的学习障碍。（2）资源个性化程度不高：学习者期望看到一个以学习者为中心，随着学习行动信息而动态变化的丰富资源库。而个性化推荐技术依靠信息技术“推”资源给学习者，而不是让学习者在庞大的信息池中“抓”资源，在很大程度上能克服传统资源千篇一律，效率不高的缺陷，同时满足学习者的个人喜好。研究尝试将个性化推荐技术中应用最广泛的协同过滤推荐技术融入到作业管理的流程中去，以探索推荐技术在教育资源信息化建设的更深入研究。 　　1.协同过滤推荐技术的方式和实现过程 　　协同过滤推荐技术主要是分析目标用户的兴趣需求，在系统将用户的相似关键特征属性过滤后，利用过滤后的用户群，找到目标用户的相似兴趣用户集合，综合该集合中相似用户对某一资源的评价值也就是兴趣偏好程度，预测目标用户对此资源的兴趣趋向，进而推荐兴趣度高的资源给目标用户，以达到个性化推荐的效果。 　　1.1 协同过滤推荐技术的推荐方式 　　协同过滤推荐技术有以下两种推荐方式： 　　（1）基于用户的协同过滤推荐 　　基于用户的协同过滤就是根据用户对物品的偏好找到相邻邻居用户，然后将邻居用户喜欢的推荐给当前用户。实际上，就是将一个用户对所有物品的偏好作为一个向量来计算用户之间的相似度，找到K邻居后，根据邻居的相似度权重以及他们对物品的偏好，预测当前用户没有偏好的未涉及物品，计算得到一个排序的物品列表作为推荐。 　　（2）基于项目的协同过滤推荐 　　基于物品的协同过滤的原理和基于用户的协同过滤类似，只是在计算邻居时采用物品本身，而不是从用户的角度，即基于用户对物品的偏好找到相似的物品，然后根据用户的历史偏好，推荐相似的物品给他。 　　1.2 协同过滤推荐技术的实现过程 　　协同过滤技术的前提是假设学习者不知情的情况下，由推荐算法根据与学习者有相似学习行动或者喜好的邻居对资源的评分的高低来预测学习者对资源的评分，并主动实现从TOP-N的“推”资源的过程。 　　研究选用Apache Mahout作为推荐技术的实现框架。它是一个基于Java实现的可扩展的，高效的推荐引擎。要实现协同过滤，需要以下几个步骤： 　　（1）收集用户偏好 　　DataModel组件：具体实现支持从任意类型的数据源抽取用户喜好信息。 　　（2）找到相似的用户或者物品并确定邻居 　　UserSimilarity组件：用于定义两个用户间的相似度，它是基于协同过滤的推荐引擎的核心部分，可以用来计算用户的“邻居”，这里我们将与当前用户口味相似的用户称为他的邻居。 　　ItemSimilarity组件：用于计算两个项目的相似度，在用户-物品偏好的二维矩阵中，我们可以将一个用户对所有物品的偏好作为一个向量来计算用户之间的相似度，距离值越小，相似度就越高。Mahout框架常用的相似度计算有欧几里德距离（Euclidean Distance）和皮尔逊相关系数（Pearson Correlation Coefficient）两种算法来计算相似度。 　　UserNeighborhood组件：用于基于用户相似度的推荐方法中，推荐的内容是基于找到与当前用户喜好相似的“邻居用户”的方式产生的。在Mahout中，主要提供固定数量的邻居（K-neighborhoods）和基于相似度门槛的邻居（Threshold-based neighborhoods）两种相似邻居算法。 　　（3）计算推荐 　　Recommender：Recommender是推荐引擎的抽