基于矩陣分解的推薦系統在教學資源平臺中的應用

任遠一

【摘要】矩陣分解是將矩陣拆解為數個不同矩陣的乘積，分解的方式多種多樣，然后可以利用推薦系統，向指定的用戶提供資源或者服務等使用建議.推薦系統在當下的應用越來越多，這一熱門技術被教育研究者應用到教學資源平臺之中，利用數據可以更好地教學，且能夠得以共享更多的教學資源，促進教育事業的蓬勃發展.

【關鍵詞】矩陣分解;推薦系統;教學資源;平臺應用

【基金項目】科研立項名稱：基于矩陣分解的推薦系統在教學資源平臺中的應用;項目編號：L（B）2019283.

推薦系統帶來的推薦服務，目前已經滲透到生活的方方面面.推薦信息系統可以很好地為教育資源服務，基于矩陣分解的信息過濾系統，可以很好地鏈接使用者和教育資源.越來越多的閱讀鏈接可以促進各類信息流的使用.推薦系統可以借助機器推薦和人工推薦，解決教育資源平臺的搜索和使用等各類問題.

一、基于矩陣分解的推薦系統算法研究介紹

（一）推薦系統算法概述

人們可以通過網絡瀏覽到大量的資訊，而實時信息和教育資源的信息量越來越大，用戶為了能夠快捷地在龐大的信息流里找到自己需要的信息，需要借助一定的算法來解決搜索過載的問題.推薦系統的普遍定義，是基于矩陣分解的推薦系統在平臺上對用戶歷史行為進行分析，這樣就可以給用戶提供信息的推薦建議，通過算法為用戶提供興趣的需求和比對.用戶的偏好信息是需要推薦結果反饋的，對于用戶使用的算法，最為常用的是基于內容的推薦評分，也就是以用戶對于內容的評分作為基礎，找出用戶歷史數據中感興趣的或者內容屬性類似的推薦結果.

比較常見的推薦策略公式是基于計算對象特征與用戶興趣偏好之間的關聯得來的：

U（c，s）=score（userprofile，content）.

（二）基于矩陣分解的組合推薦算法

推薦系統能夠解決搜索用戶的偏好需求，信息過載和長尾理論在互聯網發展迅速的今天，使用者如果想要從大量的教育信息中，在教育平臺上找到自己需要的資源，就需要大量的用戶鏈接.在利用推薦系統解決問題時，確實很多資源都不容易脫穎而出，在用戶的個性化需求不能被很好滿足的時候，就需要深度數據挖掘技術的輔助.在教育資源平臺的數據挖掘技術、信息檢索技術、計算統計學等逐漸發展的輔助作用下，教育資源平臺的發展得以循序發展，且能夠滿足不同層次、不同需求的教育資源使用者的需求.

二、基于矩陣分解的推薦策略在教育資源平臺中的應用

（一）教育平臺的數據表示

大部分的遠程教育平臺和系統，常常使用網頁呈現的方式，借助瀏覽器的服務架構，通過網站和門戶站點的頁面，完成數據的分享和轉換.一般來說，基于矩陣分解，推薦系統的幫助使得信息源可以更快地與使用者產生連接.信息的過載在這種情況下很可能出現，而未知的搜索體系就可以在信息資源的海量搜尋中發揮作用.教育平臺的數據表示，需要研究者討論教育平臺的數據模型以及教育平臺和教育搜索系統中的用戶數據、資源數據和平臺數據，通過記錄用戶的搜索需求，可以架構包括遠程教育和教育平臺需求的用戶賬戶，并建立資源列表、系統管理日志以及進行算法策略參數的測算.

（二）教育平臺的數據處理流程

教育平臺的數據組織方式是基于B/S架構的系統，數據層之上是邏輯業務層，數據在進行邏輯流轉和功能計算的時候，要進行教育平臺驗證和權限設置，教育平臺的資源管理模塊是很重要的測算依據.使用推薦策略在教育資源平臺上進行資源上傳，并進行資源權限的管理和更新，需要利用教育資源的訪問途徑，借助資源屬性維護功能，在對使用到的系統服務和相關業務功能集中處理的時候，教育者可以借助教育平臺，進行不同的個性化服務定制.經過教育實踐長效管理和實驗，人們發現，最常用的功能是：授課管理、作業管理、答疑管理和其他的個性化教育資源定制服務.對于遠程教育和教育平臺的使用，其處理流程需要能夠在接口管理的接入幫助下，處理外部鏈接和系統接口的訪問權限.

（三）基于矩陣分解的推薦策略需要的教育平臺功能測試

教育資源使用用戶在利用推薦系統高質量服務的時候，利用矩陣分解的不同算法，使用組合分解，將使用的數據比例按照不同的用途分解，常用的矩陣分解方法是：三角分解法、QR分解法、奇異值分解法，這三種分解法也可以按照不同的算法，進行組合的分解，從而找到用戶的使用偏好.推薦策略對接教育平臺的功能測試，主要的端口有：用戶登錄、資源下載、下載推薦、評分推薦、資源檢索、郵件推送等，目前，也在嘗試與微信或者QQ端口進行對接，既可以實現對于資源的推送，還可以將用戶在教育平臺上的登錄方式變得更加便捷.

三、結?論

文章介紹了對于教育平臺系統測試的硬件環境和軟件功能端口的對接，在詳細的測試案例總結之后，推薦功能的展示證實了基于矩陣分解的教育平臺應用是合理有效的，值得推廣使用.因此，為了能夠推進實際產生的數據和系統推薦資源的合理鏈接率，給教育資源的使用用戶提供更多的便利，就需要能夠在推薦性能評估和分析的過程中，更多地使用組合矩陣分解算法，達成快捷、簡便、精準的使用效果.

【參考文獻】

[1]陳建兵，申建芳，陳平華.融合評論文本和圖像語義特征的興趣點推薦[J/OL].計算機工程與應用：1-11[2019-12-17].http：//kns.cnki.net/kcms/detail/11.2127.TP.20191031.1409.009.html.

[2]劉春玲，張黎.改進非對稱相似度和關聯正則化的推薦算法[J/OL].計算機工程與應用：1-6[2019-12-17].http：//kns.cnki.net/kcms/detail/11.2127.TP.20190925.1357.018.html.

[3]張岐山，翁麗娟.社會化推薦系統綜述[J/OL].計算機工程與應用：1-12[2019-12-17].http：//kns.cnki.net/kcms/detail/11.2127.TP.20190923.1056.002.html.

[4]馮興杰，曾云澤.基于評分矩陣與評論文本的深度推薦模型[J/OL].計算機學報，2019：1-18[2019-12-17].http：//kns.cnki.net/kcms/detail/11.1826.TP.20190912.1807.004.html.