知識推薦的協同過濾算法

朱耀磷 蔡延光

摘要：信息時代中，新形態的教育方式應運而生。越來越多的網絡課程如同雨后春筍，以一種井噴式的態勢增長著。但也存在一個無法忽視的痛點，不同的網課平臺相互封鎖，伴隨之而來的矛盾是，用戶需要花費更多的時間和精力到各個平臺搜索心儀的網絡課程。更有甚者，有部分用戶由于自身水平限制，在入門一個領域時，常常由于缺乏對該領域的認識，在如何選擇合適的網絡課程時感到為難，這無疑是一塊巨大的絆腳石。信息過載已成為制約人們方便使用互聯網的絆腳石，網絡世界信息資源分布廣泛，使得人們產生信息迷失。推薦系統是信息過濾的衍生品，能更好地實現信息資源個性化推薦。從這個痛點出發，本文基于協同過濾算法，創新地提出一種網絡課程推薦系統。并且，可從本文得到啟發，并將此種方法應用于其他行業，諸如互娛、金融等。

關鍵詞：推薦；協同；過濾；網課；矩陣

中圖分類號：TP311.5 文獻標識碼：A DOI：10.3969/j.issn.l003-6970.2017.08.009

本文著錄格式：朱耀磷，蔡延光.知識推薦的協同過濾算法[J].軟件，2017，38（8）：50-53

引言

隨著計算機等智能設備的普及，數字化的教育方式、越來越多的網絡課程已然成為一個無可逆轉的趨勢與發展潮流。網絡的迅速普及、網絡資源不斷豐富、網絡信息量急劇增長，一方面人們可以獲取的信息資源越來越豐富，這給人們帶來很大好處；另一方面，面對海量的信息資源，人們被迫不得不以更多的時間精力去搜尋對其有用的信息，因而“信息超載”越來越突出，信息過量無法消化、難以辨識真假。

信息量暴漲與“怎樣準確快速獲取有價值的網絡信息、怎樣理解已有歷史數據并用于預判未來行為”兩者之間的矛盾日益嚴重。為給用戶提供更高效率更方便更舒適的體驗，本文基于網課用戶和網絡課程協同推薦過濾，提出推薦系統的設計方法，將更好地服務于用戶，解決用戶使用過程中耗時耗力的窘境，并且實現更加流暢透明的推薦功能，致力于網絡課程的發展，為更加先進的教育方式搖旗助威[2，3，4]。

1 值的定義

本節主要闡述系統在開發過程中所涉及的符號及變量的定義，在一定程度上，這將對理解本系統的設計有不錯的幫助。

1.1 定義網課

首先是對網絡課程的定義說明，這里統一采用10個量度指標定義任意一門網絡課程，記任意一門網絡課程為A，A為列向量。

這里的為百分數，分別代表該門課程的10個指標，不妨假設為：文學、理工、計算機、小說、數學、物理、外語、電子、材料、地理。

則代表該課程為文學類課程的比例，%代表該課程為理工類課程的比例，…以此類推。

設第一門課程為4，第二門課程為，

1.2 定義用戶

對用戶的定義同樣采用10個指標定義一位用戶，這10個指標代表著每一名用戶的個人特質。假設任一名用戶為B，B為行向量。

同為占比百分數，分別設

為：喜好文學、喜好理工、…喜好地理。因此，代表改名用戶喜歡文學的比例，62代表改名用戶喜歡理工的比例，…定義第一位用戶為第二位用戶為…

2 系統建立過程分析

當系統每引入一門課程時，由課程的提供者（即“老師”）對該課程進行標記，該門課程被標記為屬于哪種類型。一門課程可同時屬于多個領域。

當某一門課程被帶有某種屬于的用戶選擇之后，后臺系統捕捉這種行為，自動為該門課程刷新屬性。例如，當一門課程為的用戶點擊之后，后臺將課程修改為。

當新用戶登錄系統時，需要用戶對自己進行標記，修改設置行向量B，用戶可以擁有自己的朋友圈。當用戶瀏覽選擇感興趣的課程，后臺根據用戶的行為，動態修改用戶的B值，例如，當一個新用戶將自己標記為，那么當他選擇了課程，時，系統自動為該用戶修改。

3 協同推薦

新用戶登錄系統時，有兩種方法可為其推薦網課。一種是根據用戶對自己的標記，選擇其朋友圈內一個與改名用戶屬性最相近的人為目標，按照目標的歷史網課記錄，推薦其最近一段時間的課程給新用戶。

另一種方法是，利用新用戶對自己的標記，與系統內已有數據進行匹配，按照匹配度的高低來為新用戶推薦網課[6，7]。

無論采取何種方法，隨著用戶的活躍度提高，系統推薦的準確度也將進一步提高[8_13]。

4 數據過濾

完成上面的準備工作后，每位用戶都擁有一個獨立的屬性值B，每一門網課也同樣擁有獨立的屬性值A。利用這些作為標記的特征值，系統便可準確地向目標用戶推薦恰當的網課。這里主要闡述數據過濾的手法，本文前面將用戶的屬性值B定義為行向量，將網課的屬性值A定義為列向量。

這里再定義。

C便為所謂的匹配度，系統將按照C值的大小向用戶推薦對應的網課，C由大到小表示由最匹配到最不匹配。

當然也可以直接用進行判斷

5 結語

在本文中提到的此種框架下，任何商品（包括網課、娛樂信息等）都可便捷地構建推薦系統，協同推薦的方式很好地解決初入系統的信息被孤立的問題。故而賦予了系統很好的適應性，可移植至不同的領域。