基于協同過濾技術的線上課程推薦研究

柯秀文

文章編號： 2095-2163（2018）03-0185-03中圖分類號： 文獻標志碼： A

摘要： 關鍵詞： based on collaborative filtering technology

（Software College of Shangqiu Polytechnic ，Shangqiu 476001， Henan， China）

Abstract： Learning online based on "Internet +” technology is a new and effective way of learning， it is conducive to raise learners' knowledge and skills， but many learners finds it hard to choose the online course which they really need. Aiming at the existing problems， this paper designs an online course recommendation System based on collaborative filtering technology， and overcomes the shortcomings of collaborative filtering to provide well-directed course for learners ， so as to promote the talents cultivation that based on "Internet +" technology.

Key words：

作者簡介：

收稿日期： 引言

隨著信息技術的快速發展，數字課程資源建設日益豐富，基于“互聯網+”[1]技術的新型學習方式得到極大的普及和推廣，這種學習方式擺脫了傳統學習方式在空間和時間上的限制，具有課程內容碎片化、教學方式趣味化、學習時間（場所）自由化、學習內容自主化等特點。這些特點符合自由學習者對學習內容和形式的要求，使學習者具有極大的學習自由度，也吸引了越來越多的學習者參與到這種學習形式中來。

隨著基于“互聯網+”技術線上學習的深入發展，新的問題逐漸顯現，學習者難以對自己的學習需要做出有效評估，面對課程平臺海量的學習資源，也難以選擇有效的方式尋找真正符合自己需要的的課程。不少學習者對線上課程的選擇出現了盲目性、隨意性，即通過參考別人選擇的課程隨機選擇課程，或者通過搜索引擎在課程網站搜索課程資源，然而這些課程選擇方式都難以保證學習者所選擇的課程真正符合自己的學習需求。

為了解決學習者線上課程選擇的問題，本文提出一種基于協同過濾算法的推薦技術，從技術手段上，幫助學習者從網絡課程平臺上選擇符合自己需求的課程資源。

1個性化推薦技術

1.1個性化推薦技術介紹

個性化推薦技術是一種可以根據用戶已有的相關信息，為用戶提供有效的、實時的、符合個性需求服務的技術，該技術和傳統信息檢索方式相比具有顯著的優勢，在電子商務領域得到廣泛的應用和推廣。目前，常用的個性化推薦算法主要有如下幾種：基于規則的推薦系統、基于內容的推薦系統和基于協同過濾的推薦系統[2]。協同過濾算法在各類電子商務網站商品推薦中得到廣泛應用，并取得了良好的個性推薦效果，因此，針對不同的線上課程學習者，選擇協同過濾算法進行線上課程個性化推薦是可行的。

1.2協同過濾技術介紹

1992年，Goldberg等人提出協同過濾（ Collaborative Filtering，CF）技術，本文研究推薦的協同過濾算法主要基于學習者對一些課程的評分進行比較，如果學習者對一些課程的評分相似，那么學習者對其他課程的評分也相似。協同過濾算法分為獲取用戶信息、相似性比較、產生推薦3部分[3]。

1.3協同過濾技術的應用

1.3.1獲取線上課程用戶信息

在線課程網站中，可以通過學習者注冊的信息及其行為記錄為其建立個性化的推薦。注冊信息一般是用戶初始登錄課程網站時要填寫的相關個人信息，行為記錄方式總體上可以分為2種，一種是通過用戶對課程的評分直接獲得；另一種是通過用戶在課程頁面的停留時間、點擊次數轉化為評分間接獲得，2種方式各有優缺點。把獲得的數據轉化為評價矩陣，見表1，Sij表示用戶i對課程j的評分。

3.2相似性比較

計算學習者目標用戶的相關特征，并在學習者數據庫中找到與目標用戶特征相似的用戶群，通過Pearson相關系數進行用戶之間的相似度計算，計算公式如下：

sim（m，n）=

∑c∈Imn（Smc-Sm）（Snc-Sn）∑c∈Imn（Smc-Sm）2∑c∈Imn（Snc-Sn）2（1）

其中，sim（m，n）是2個用戶之間的相似度，Imn是2個用戶的共同評分。

1.3.3根據比較結果產生推薦

產生推薦即通過鄰居集對課程的評分來預測目標用戶對課程的評分，從而把預測值較高的課程推薦給目標用戶。其算法有平均加權法和評分頻度法[4]。在網絡課程個性化推薦中，可以根據不同的用戶，靈活地選擇合適的算法實現更加精準的推薦。

1.4實例分析

本文以中國大學MOOC網絡課程推薦的實例來說明該算法的計算過程。表2示出了一個簡易的學習者課程參與表，相關課程取自中國大學MOOC網（https：//www.icourse163.org/），其中，1表示用戶參與了該課程的學習，0表示用戶沒有參與該課程學習；A、B、C、D表示4名學習者用戶。

1.4.1獲取用戶信息

在本事例中可以把學習者用戶參與的課程轉化為標量表示，即A=（1，0，1，0，0）；B=（0，0，0，0，1）；C=（1，0，0，1，0）；D=（1，1，1，0，0）。

1.4.2相似性比較

通過相似性公式計算得到A、B、C、D這4位學習者用戶的相似性結果，見表3。

4.3產生推薦

通過比較得出與用戶A最為相似的學習者用戶是D，因此，可以將學習者D學習的《Enterprise Accounting》課程推薦給學習者用戶A。

1.5協同過濾算法缺陷改進思路

利用協同過濾技術可以方便地為學習者推薦個性化的線上課程資源[5]。協同過濾技術能夠實現精準推薦需要用戶有足夠多的評分基礎，用戶評分數據越多，其推薦結果越接近于用戶實際需要。該項技術在實際應用中往往存在2個問題：數據稀疏性問題和冷啟動問題[6]。

數據稀疏性問題即學習者用戶因為各種原因對線上課程沒有足夠多的評分，當評分數量較少時很難進行相關特征值的計算，導致推薦效果不理想。解決這一問題，可以采用預測填充的方法，以用戶已有課程評分為依據，預判一部分相似鄰居，根據鄰居對線上課程的評分來填充用戶自己未評分的項目，使學習者用戶的評分數據足夠多，產生推薦課程推薦給學習者用戶，并引導用戶對推薦課程進行評分，逐步豐富用戶評分數據庫，解決數據的稀疏性問題。

冷啟動問題一般是指新的學習者注冊用戶，由于初始使用線上課程，就沒有任何課程評分數據，這樣導致無法對其匹配鄰居用戶，無法進行線上課程的推薦。解決冷啟動問題，可以借助課程網站平臺，在學習者用戶初次注冊時，讓其認真填寫符合自己特征的相關信息，如：調查其注冊目的、學習興趣、學習目標等等，根據用戶注冊信息，就可以直接給學習者用戶推薦相應分類評分較高的課程。最后還要引導用戶對推薦課程進行評分，獲得越來越多的真實評分數據，為更好的應用協同過濾技術做準備。

2線上課程個性化推薦系統模型

基于協同過濾技術的個性化課程推薦可使學習者在線上課程選擇時具有較高使用價值，可以有效地為學習者提供針對性較高的、符合個性化需求的、高質量的線上課程。

圖1示出了基于協同過濾技術的線上課程個性化推薦系統設計圖。學習者用戶的相關數據信息和評分行為記錄存儲在數據庫中，需要推薦時，算法根據用戶在數據庫中的信息判斷該用戶是老用戶、新用戶、還是數據稀疏型用戶。老用戶采用普通協同過濾算法計算推薦課程；新用戶以其注冊數據信息為依據進行課程推薦；數據稀疏型用戶首先進行預測評分，然后再執行普通協同過濾算法進行課程推薦。最后要求學習者用戶對推薦課程進行評分，并錄入數據庫，以方便系統為其他用戶提供更加精準的推薦。

通過基于協同過濾技術線上課程個性化推薦系統，課程網站可以根據學習者個性特征高效率、準確地推薦符合其學習需要的網絡課程，解決了學習者線上課程個性化學習的問題，提升了其學習效率和學習體驗。此外，課程網站還可以利用個性化推薦系統為學習者組建學習小組或小型學習論壇。學習小組或小型學習論壇成員均為“相似鄰居“（基于用戶“相似鄰居”產生推薦），相互之間有著共同的學習興趣、學習愛好、學習課程等，這樣可以有效地促進相似用戶之間的交流討論，提高學習者學習的興趣，達到更好的學習效果。

3結束語

本文介紹了線上課程學習者在課程選擇上存在的一些問題，針對學習者難以實現課程個性化選擇的情況，改進了協同過濾算法的缺陷，設計了一種基于協同過濾技術的線上課程推薦系統，為學習者提供個性化的課程推薦。在線課程平臺在實際使用該系統過程中，要注重新用戶注冊數據和老用戶課程評分數據的存儲和利用，以有效解決數據稀疏和冷啟動問題，不斷提高課程推薦精準度。

參考文獻

[1] 中華人民共和國農業部. "十三五"全國新型職業農民培育發展規劃[DB/OL]. http：//jiuban.moa.gov.cn/zwllm/ghjh/201701/t20170122_5461506.htm， 2017-1-22.

[2] 黃洋. 基于聚類和項目類別偏好的協同過濾推薦算法研究[D]. 浙江理工大學，2014.

[3] You W， Shui-Sheng Y E. A Survey of Collaborative Filtering Algorithm Applied in E-commerce Recommender System[J]. Computer Technology & Development， 2006.

[4] 胡國強，張旭虎. 基于協同過濾算法的MOOC個性化推薦系統[J]. 信息技術，2017（6）：99-103.

[5] 丁永剛，張馨，桑秋俠，等. 融合學習者社交網絡的協同過濾學習資源推薦[J]. 現代教育技術，2016，26（2）：108-114.

[6] 申輝繁. 協同過濾算法中冷啟動問題的研究[D]. 重慶大學，2015.