基于協同過濾算法的智慧學習推薦研究

摘要：互聯網技術在我國的普及應用，改變了人們的生活生產方式，加快了全球化發展步伐，網絡教學課堂具有教學成本低、管理便捷等特點，受到疫情的影響網絡教學模式正式走入中國課堂，為了更好地落實終身學習理念，需要做好教學時間的分配和教學地點的選擇。遠程網絡教育模式的出現，能夠滿足移動化的教學需求，教師在教學設計的過程中，也能夠通過網絡技術進行教育資源的獲取，本文主要以協同過濾算法為基礎，探討了智慧學習推薦形式，通過智慧學習平臺的建立，提高現代化教學質量。

關鍵詞：協同過濾算法;智慧學習;推薦研究

中圖分類號：文獻標識碼：B

計算機網絡時代的來臨，高校教學模式迎來了新的發展機遇，突破傳統教學課堂的限制，通過計算機技術實現面對面教學，受到網絡技術的影響，現代化教學資源開始呈現出數字化的發展特點，但在面臨龐大學習資源的過程中，學生很容易受到信息量過大的困擾。想要為學生推薦智慧型學習的相關資源，需要改變傳統的教學模式，充分利用協同過濾算法構建移動教學情境，為網絡教學的普及提供技術支持，并建立智慧型學習模型，對學習資源的獲取與推薦過程進行分析，通過智慧學習平臺的建立開展推薦實驗。

1? 多元化智慧學習推薦技術的應用

1.1? 信息資源內容的過濾推薦。想要通過網絡技術的應用實現智慧學習，就需要選擇適合學生的過濾推薦技術，提高信息資源內容的整體質量，該技術的應用主要是以網絡龐大的信息資源作為基礎，結合用戶的搜索需求，推薦相應的資源信息。但整個信息過濾的過程沒有參考用戶的具體意見，主要是運用概率統計的方式，對龐大的數據內容進行過濾，經過分詞、分類信息處理技術，生成相應的數據文本，與用戶搜索內容進行對比，將具有最高相似度的信息資源推送給用戶。但由于網絡資源存放方式十分復雜，在進行信息讀取時需要繁瑣的解碼步驟，無法實現對非結構化資源的推薦，最終得到的推薦效果不理想，在進行智慧學習資源獲取時，只通過簡單的文字描述和關鍵詞，無法實現對學習內容的整體概括，因此，信息資源內容過濾推薦技術，只適用于文本資源的推薦，無法保證推薦內容的精準性。

1.2? 遵守關聯規則的過濾推薦。遵循關聯規則的信息過濾推薦技術，通過大數據處理，分析用戶的瀏覽歷史，了解用戶的查詢需求，過濾推薦的信息內容能夠由用戶規定，關聯規則信息推薦方式主要用于，確定學習主題后的相關教學資源推薦，但該技術在使用過程中需要耗費一定的時間，對用戶的瀏覽記錄進行分析，在進行重點學習內容推薦時，難以實現同義性劃分。

1.3? 普遍應用的協同過濾推薦。協同過濾技術能夠通過鄰居值的計算，判斷用戶之間所具有的相似性，是當前教學發展過程中，使用最為普遍的推薦技術，得到的過濾信息具有較強的精確性，能夠結合用戶對信息資源的評價，制定出組合式協同過濾模型。通過智慧學習資源推薦，創建移動情景教學模型，通過分值預測了解該資源獲取用戶的主要偏好，協同過濾不需要制定明確的推薦目標，能夠直接向用戶推薦非結構化的資源對象。

2? 基于協同過濾算法的智慧學習推薦

協同過濾算法能夠在信息資源過濾系統中，進行龐大數據信息的過濾處理，針對用戶的實際需求，提供個性化的推薦服務，當前網絡資源存在信息過載的問題，需要以協同過濾設計為基礎，制定出相應的信息推薦系統，根據用戶的興趣愛好選擇適合自己的郵件種類。協同過濾推薦算法的應用，需要用戶發出信息需求信號，系統根據信號內容進行對應資源的整理與推薦，經過過濾推薦出的相似文件，會直接發送到用戶信箱，當前所采用的推薦系統，在信息資源篩選過程中，具有開放性和隱秘性。

2.1? 用戶協同過濾推薦算法。以用戶為主要依據的協同過濾推薦算法，是當前應用最為廣泛的推薦技術，需要在龐大的數據中搜尋用戶鄰居集，通過云計算技術，根據目標用戶的實際需求，查找相似度較高的用戶群體，對用戶的資源目標進行實時預測。對得到的資源內容按照相似度進行評分，將相似度最高的幾項資源內容，作為最終的推薦結果，用戶協同過濾推薦算法的有效應用，能夠根據用戶的瀏覽歷史，對用戶的興趣信息進行收集，并以此為基礎制定鄰居集，為用戶推薦相似資源。

2.1.1? 用戶興趣信息的收集。用戶興趣信息的收集，需要建立在對某一項目數據的深入分析，通過網絡技術的應用，判斷用戶的具體注冊時間，查詢用戶在注冊階段填寫的個人基本信息，根據用戶的瀏覽記錄，判斷在智慧學習開展過程中，用戶使用的數據內容。了解用戶的學習時間段和學習時長，將搜索記錄和網絡頁面的停留時間等信息整合到一起，建立用戶項目評分矩陣模型，運用以上數據內容進行具體呈現。

2.1.2? 通過用戶群查找形成鄰居。形成鄰居需要以鄰居集為基礎，結合目標用戶的根本需求，查找與之相似度較高的用戶群體，分析多個用戶之間所具有的相似性，通過信息篩選和信息整合，建立多個用戶共同評分的資源合集，通過相似度計算方式，判斷用戶的相似性，當前計算機常用相似度計算方法有，相關計算法、余弦計算法、修正余弦計算法。

2.2? 項目協同過濾推薦算法。以項目內容為主要依據的協同過濾推薦算法，需要充分參考用戶的資源評分，根據用戶對不同項目集合的評分反饋，判斷項目之間的相似性，完成項目信息的過濾推薦。根據以往的用戶項目評分，進行目標項目集合的得分預測，類似的項目會得到相似的用戶評分，在進行項目協同過濾推薦算法開展的過程中，對項目向量進行標記，分析項目之間的相似性，完成過濾推薦。

2.3? 智慧學習資源推薦模型的建立。

2.3.1? 用戶興趣模型。想要進行智慧學習資源推薦模型的建立，首先需要對用戶的興趣信息進行收集，創建用戶興趣模型，并以此為前提建立智慧學習平臺，通過收集用戶的興趣信息反饋，成立用戶評分矩陣，信息反饋主要分為顯性和隱性兩種形式。顯示信息指的是用戶在注冊和登錄過程中，填寫的基本個人信息，這一信息內容十分準確，比如：職業、愛好、興趣、特長等等，隱性信息則是指根據用戶在智慧學習平臺中，常用的學習資源以及查詢過的瀏覽信息，進行隱性反饋信息收集。通過以上資源的合理運用，建立用戶興趣模型，保證推薦系統得到的信息結果準確性，顯性信息需要用戶的主動參與，隱性信息則是由系統計算生成，服務型社會的建立，以上信息收集技術得到了廣泛應用，能夠對用戶的興趣愛好有一個準確的認知。

2.3.2? 智慧學習平臺。智慧學習平臺的建立，能夠為隱性用戶信息收集提供前提，但在隱性反饋信息獲取的過程中，需要用戶先完成注冊任務，根據用戶在智慧學習平臺注冊過程中輸入的基本信息，建立用戶興趣隱性反饋初始模型，資源內容包含：姓名、職業、資源信息獲取需求等，合理運用隱性反饋機制，進行用戶瀏覽的資源類別的劃分，根據用戶學習行為記錄，將兩種反饋信息收集形式結合在一起，進行智慧學習資源推薦模型的建立。

3? 結語

綜上所述，常用的學習推薦技術有信息資源內容過濾推薦、遵守關聯規則的過濾推薦、普遍應用的協同過濾推薦，本文主要分析了用戶協同過濾推薦算法以及項目協同過濾推薦算法，并以此為依據創建用戶興趣動態分析模型。

參考文獻

[1] 方平. 基于微信平臺孕育知識推薦系統的設計與實現[D]. 遼寧：大連理工大學，2019.

[2] 陳曦，梅廣，張金金. 融合知識圖譜和協同過濾的學生成績預測方法[J]. 計算機應用，2020，40（2）：595-601.

[3] 張紫嫣，周馳. 結合類別偏好的協同過濾推薦算法[J]. 計算機應用與軟件，2021，38（1）：293-296.

作者簡介：沈曉燕（1982-），女，吉林農安人，講師，主要研究方向為橋梁工程教學

安徽交通職業技術學院 安徽 合肥 230051