学习系统中基于用户行为分析算法研究.docVIP

学习系统中基于用户行为分析算法研究 　　摘 要： 对推荐算法进行综述和分析，针对目前推荐方法的用户兴趣不明显，针对性较差等问题，提出一种基于访问时间、资源种类和心情留言的推荐算法。其中，心情留言用于衡量用户喜爱资源的程度，将该算法命名为TTM（Time-Types- Mood message）算法，并提出基于访问时间、资源种类和心情留言的三种数据权重函数。该算法在学习系统中用于对用户行为进行分析。实验证明，这种TTM算法能够做出合理的推荐，推荐质量得到了提高。 　　关键词： 用户行为分析； 推荐算法； 学习系统； 数据权重； 数据挖掘 　　中图分类号：TP393.0 文献标志码：A 文章编号：1006-8228（2015）11-04-04 　　Abstract： For the user interest is not obvious， targeted poor and other issues in the current recommendation methods， this article reviews and analyzes the recommendation algorithms，and a recommendation algorithm based on the access time， resource type and mood message is proposed. Among them， the mood message is used to measure the extent of the users favorite resources. The algorithm is named TTM （Time-Types-Mood message） algorithm， and three data weighting functions is proposed based on the access time， resource type and mood message. The algorithm is applied to the learning system to analyze user behavior， and make verification to itself. The experimental results show that TTM algorithm can make a reasonable recommendation； the recommendation quality has been improved. 　　Key words： user behavior analysis； recommendation algorithm； learning system； data weight； data mining 　　0 引言 　　近年来，互联网的普及和大量学习网站的出现使网络学习已渐渐成为重要的学习方式之一。但网络学习的迅速发展也带来了一个新的问题：如何对学生网络学习进行分析并提供个性化的服务。 　　本文研究了通过一定的算法对用户访问数据进行数据挖掘，从而对用户行为进行分析，了解学习者的学习兴趣和地域分布，以便进一步改善网站结构和为学习者提供个性化的服务并作出相应的推荐。 　　1 相关研究工作 　　推荐系统是解决信息负载的有效工具，通过挖掘用户与数据之间的二元关系，帮助用户从大量数据中发现其可能感兴趣的内容，并生成个性化推荐以满足个性化需求。研究人员在过去十年中研究了大量协同过滤技术，有研究将协同过滤技术分成两种类型：基于记忆的启发式方法和基于模型的方法[1]。随着用户数目和商品数量的不断增加，协同过滤算法的数据稀疏性问题及其带来的用户相似性度量不准确问题也越来越突出，这直接导致了系统的推荐质量迅速下降。Pazzani M引入用户的人口统计学信息，如年龄、性别、受教育程度等[2]，对用户评分稀疏的使用人口统计学信息来计算该用户与其他用户的相似度，避免使用评分数据来计算用户相似度，能够在一定程度上缓解评分数据稀疏的影响。为了避免评分数据稀疏对用户相似度计算的影响，胡勋等人将用户社会关系引入到推荐系统中，利用用户社会关系进行推荐[3]。针对数据稀疏性问题，为了提高系统推荐效率，研究者提出了各种改进算法[4]。比如：基于项目特征中提取用户偏好的协同过滤算法[5]，其中提出一种使用项目域的特征来构造用户偏好模型的方法，并将模型融入CF（Collaborative Filtering）域的框架，这种框架可以对和其他用户没有共同项目的用户做出推荐。然而，该算法只适用特定的领域，在其他领域并不能做出很好的推荐。还有研究者提出：合并信任的协同过滤