基于協(xié)同過濾的農(nóng)業(yè)平臺學(xué)習(xí)資源個(gè)性化推薦方法探究

摘 要：由于傳統(tǒng)方法未對不同用戶之間的行為數(shù)據(jù)進(jìn)行考慮，導(dǎo)致資源推薦滿意度較低。為解決這一問題，提出基于協(xié)同過濾的農(nóng)業(yè)平臺學(xué)習(xí)資源個(gè)性化推薦方法研究。研究先引入影響值參數(shù)——Inf表示不同關(guān)聯(lián)用戶之間影響關(guān)系的大小，然后對時(shí)序評論和回復(fù)行為數(shù)據(jù)進(jìn)行融合，構(gòu)建農(nóng)業(yè)平臺用戶資源興趣矩陣，最后以此為基礎(chǔ)，采用協(xié)同過濾方式實(shí)現(xiàn)資源推薦。在測試后發(fā)現(xiàn)所提方法具有良好的推薦效果，可以有效保障用戶對推薦資源的滿意度。

關(guān)鍵詞：協(xié)同過濾 農(nóng)業(yè)平臺 學(xué)習(xí)資源 個(gè)性化推薦 用戶畫像 影響值參數(shù) 資源興趣矩陣 興趣資源交叉

中圖分類號：G434

Exploration of Personalized Recommendation Method of Agricultural Platform Learning Resources Based on Collaborative Filtering

XU Yuanhong

School of Information Engineering， Henan Institute of Science and Technology， Xinxiang， He’nan Province， 453000 China

Abstract： Due to the lack of consideration of behavioral data between different users in traditional methods， the satisfaction with resource recommendations is relatively low. To address this issue， a personalized recommendation method for learning resources on agricultural platforms based on Collaborative Filtering is proposed. This study first introduces Influence Value Parameter - Inf， to represent the size of the influence relationship between different associated users. Then， the sequential comment and reply behavio222e025c0166d2a7a268cc7caa0516f6r data are fused to construct an agricultural platform user resource interest matrix. Finally， based on this， Collaborative Filtering method is used to achieve resource recommendation. After testing， it is found that the proposed method has good recommendation performance and can effectively ensure user satisfaction with recommendation resources.

Key Words： Collaborative Filtering; Agricultural platform; Learning resources; Personalized recommendation; User portrait; Influence Value Parameter; Resource interest matrix; Interdisciplinary interest resources

現(xiàn)階段，農(nóng)業(yè)平臺學(xué)習(xí)資源涵蓋了從基礎(chǔ)知識到高級技術(shù)的廣泛內(nèi)容，包括種植技術(shù)、養(yǎng)殖方法、農(nóng)產(chǎn)品加工、市場營銷等多個(gè)方面[1]。這種多樣性滿足了不同學(xué)習(xí)者的需求。農(nóng)業(yè)平臺上的學(xué)習(xí)資源往往由農(nóng)業(yè)領(lǐng)域的專家或權(quán)威機(jī)構(gòu)提供，內(nèi)容具有高度的專業(yè)性和準(zhǔn)確性[2]。除此之外，許多農(nóng)業(yè)平臺提供了學(xué)習(xí)者之間的互動功能，如論壇、問答等[3]。這有助于學(xué)習(xí)者之間分享經(jīng)驗(yàn)、解決問題，從而增強(qiáng)學(xué)習(xí)效果。個(gè)性化資源推薦能夠根據(jù)學(xué)習(xí)者的特征和需求，為其提供量身定制的學(xué)習(xí)資源，從而滿足其的個(gè)性化需求[4]。這有助于其更加高效地學(xué)習(xí)和掌握農(nóng)業(yè)知識。從平臺角度分析，這種良好的學(xué)習(xí)體驗(yàn)有助于增強(qiáng)學(xué)習(xí)者的學(xué)習(xí)動力和忠誠度。并且通過個(gè)性化資源推薦，平臺可以更加合理地分配學(xué)習(xí)資源，確保優(yōu)質(zhì)資源得到充分利用。這也有助于提高平臺的資源使用效率，實(shí)現(xiàn)資源的最大化利用。為此，本文提出基于協(xié)同過濾的農(nóng)業(yè)平臺學(xué)習(xí)資源個(gè)性化推薦方法研究，并通過對比測試的方式，分析測試了設(shè)計(jì)推薦方法的應(yīng)用效果。

1農(nóng)業(yè)平臺學(xué)習(xí)資源個(gè)性化推薦方法設(shè)計(jì)

1.1用戶畫像構(gòu)建

在傳統(tǒng)的資源推薦方法中，大多是以用戶的歷史瀏覽資源信息以及相關(guān)操作行為為基礎(chǔ)直接開展的，而實(shí)際上，不同用戶就同一資源進(jìn)行的行為之間是存在交叉關(guān)系的，并且這種關(guān)系具有明顯的雙向不對稱屬性特征。用戶之間的興趣資源不能直接作為雙向推薦資源。結(jié)合上述問題，本文在為農(nóng)業(yè)平臺用戶構(gòu)建畫像的過程中，引入了影響值參數(shù)——Inf，借助其表示不同關(guān)聯(lián)用戶之間影響關(guān)系的大小。在具體的農(nóng)業(yè)平臺用戶畫像構(gòu)建過程中，本文主要以用戶在平臺中的時(shí)序評論和回復(fù)行為數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)。其中，具體的Inf 可以表示為

式（1）、式（2）中，為在評論方面，用戶i受到用戶j的影響值參數(shù)，為在回復(fù)方面，用戶i受到用戶j的影響值參數(shù)，為在用戶j評論之后，用戶i也對相同農(nóng)業(yè)平臺學(xué)習(xí)資源進(jìn)行評論的總次數(shù)，用戶i受到用戶j在評論方面的影響值，為在用戶j回復(fù)之后，用戶i也對相同農(nóng)業(yè)平臺學(xué)習(xí)資源的回復(fù)信息進(jìn)行回復(fù)的總次數(shù)[5]。在上述基礎(chǔ)上，本文在綜合分析用戶i受到用戶j的影響大小過程中，對和進(jìn)行有機(jī)整合，得到的結(jié)果可以表示為

式（3）中，為農(nóng)業(yè)平臺用戶i受到用戶j的綜合影響，為在評論方面，用戶i受到用戶j的影響值參數(shù)權(quán)重，為在回復(fù)方面，用戶i受到用戶j的影響值參數(shù)權(quán)重。

以此為基礎(chǔ)，對應(yīng)農(nóng)業(yè)平臺用戶i的畫像（資源興趣矩陣）可以表示為

式（4）中，表示考慮用戶之間影響關(guān)系的農(nóng)業(yè)平臺用戶i畫像（資源興趣矩陣），為農(nóng)業(yè)平臺用戶i的初始畫像（資源興趣矩陣），為整體農(nóng)業(yè)平臺的用戶影響關(guān)系矩陣。

按照上述所示的方式，實(shí)現(xiàn)對農(nóng)業(yè)平臺用戶畫像的構(gòu)建，為后續(xù)的資源推薦提供執(zhí)行基礎(chǔ)。

1.2基于協(xié)同過濾的資源推薦

結(jié)合1.1部分為農(nóng)業(yè)平臺用戶構(gòu)建的畫像，本文通過引入?yún)f(xié)同過濾機(jī)制，分析分析不同用戶之間資源興趣矩陣的交叉情況，實(shí)現(xiàn)對具體農(nóng)業(yè)平臺學(xué)習(xí)資源的推薦。其中，具體的實(shí)現(xiàn)流程如圖1所示。

按照圖1所示的方式，此流程主要分為5個(gè)步驟。

步驟1：根據(jù)用戶對資源的興趣矩陣劃分情況，進(jìn)行用戶聚類。

步驟2：對于目標(biāo)對象（即待推薦的用戶），在其所在的類簇中，對不存在交叉關(guān)系的資源進(jìn)行影響值分析，具體的計(jì)算方式如式（3）所示。通過這樣的方式，為目標(biāo)對象填補(bǔ)部分農(nóng)業(yè)平臺學(xué)習(xí)資源數(shù)據(jù)的空白，使得后續(xù)的近鄰用戶查找更加準(zhǔn)確。

步驟3：在類簇中找到目標(biāo)對象的近鄰用戶。由于近鄰用戶與目標(biāo)對象具有相似的資源行為習(xí)慣和興趣偏好，其資源興趣矩陣對于目標(biāo)對象的推薦結(jié)果具有重要影響。此處，本文采用皮爾遜相關(guān)系數(shù)計(jì)算目標(biāo)對象與類簇內(nèi)其他用戶之間的相似度[6]，具體的計(jì)算方式可以表示為：

式（5）中，為目標(biāo)對象與類簇內(nèi)其他用戶之間的相似度。根據(jù)計(jì)算結(jié)果，選取相似度最高的TOP-N用戶作為近鄰用戶。

步驟4：基于近鄰用戶的資源興趣矩陣，本文為目標(biāo)對象生成推薦結(jié)果。

按照上述所示的方式，以用戶為導(dǎo)向，借助協(xié)同過濾算法，為目標(biāo)用戶提供農(nóng)業(yè)平臺的個(gè)性化學(xué)習(xí)資源推薦服務(wù)，提升推薦的準(zhǔn)確性和效率。

2 測試與分析

2.1 測試準(zhǔn)備

為開展所提方法先進(jìn)性的驗(yàn)證，本次以綠農(nóng)網(wǎng)作為具體的測試平臺開展驗(yàn)證。對測試平臺的基本構(gòu)架進(jìn)行分析，其主要由前端用戶界面、后端數(shù)據(jù)處理中心以及農(nóng)業(yè)資源庫三大核心部分組成。在此基礎(chǔ)上，分析綠農(nóng)網(wǎng)的學(xué)習(xí)資源配置情況，具體的資源類型包括文字資料、圖片、視頻教程、互動課程等多種形式，以此滿足不同用戶的學(xué)習(xí)需求。在開展具體的資源推薦過程中，為了能夠更加客觀地對本文設(shè)計(jì)方法的性能進(jìn)行評價(jià)，分別設(shè)置楊柳青等人[5]提出的以極大熵為基礎(chǔ)的資源個(gè)性化推薦方法和程娟娟等人[6]提出的以Vanilla算法為基礎(chǔ)的資源推薦算法作為測試的對照組。對于具體的推薦測試，以平臺中隨機(jī)選擇的100位用戶為推薦對象，向每位用戶推薦TOP-3資源，具體的推薦效果評價(jià)指標(biāo)以滿意度調(diào)查反饋結(jié)果為基準(zhǔn)。以此為基礎(chǔ)，開展實(shí)驗(yàn)研究。

2.2測試結(jié)果與分析

在上述測試環(huán)境的基礎(chǔ)上，不同方法推薦資源用戶反饋結(jié)果對比數(shù)據(jù)如表2所示（在表2中，有效反饋的用戶人數(shù)共計(jì)96人，因此分別對其反饋結(jié)果963進(jìn)行統(tǒng)計(jì)）。

結(jié)合表1進(jìn)行分析，本文設(shè)計(jì)推薦方法對于推薦結(jié)果反饋為非常滿意和滿意的占比達(dá)到了82.99%，不滿意的占比為3.47%，其中非常不滿意的占比僅為1.04%。明顯優(yōu)于楊柳青等人[5]和程娟娟等人[6]提出的方法。由此可以得出結(jié)論，本文設(shè)計(jì)的基于協(xié)同過濾的農(nóng)業(yè)平臺學(xué)習(xí)資源個(gè)性化推薦方法具有良好的推薦效果，可以提高用戶對推薦資源的滿意度。

3 結(jié)語

開展個(gè)性化資源推薦對于提高農(nóng)業(yè)平臺學(xué)習(xí)資源的有效利用率具有重要價(jià)值。本文提出基于協(xié)同過濾的農(nóng)業(yè)平臺學(xué)習(xí)資源個(gè)性化推薦方法研究，通過收集和分析學(xué)習(xí)者的學(xué)習(xí)數(shù)據(jù)，建立精準(zhǔn)的用戶畫像，從而實(shí)現(xiàn)個(gè)性化資源推薦的精準(zhǔn)化和智能化。借助本文對于農(nóng)業(yè)平臺學(xué)習(xí)資源推薦方法的研究與設(shè)計(jì)，希望能夠?yàn)樘嵘r(nóng)業(yè)資源的利用率帶去積極的幫助。

參考文獻(xiàn)

[1]郭利敏，付雅明.融合ReAct模式的圖書館大語言模型知識服務(wù)系統(tǒng)構(gòu)建[J/OL].圖書館論壇，2024， 2（20）：1-10.

[2]王帥，馬景奕，周遠(yuǎn)洋，等.基于情境感知和序列模式挖掘的氣象學(xué)習(xí)資源推薦算法[J].氣象科技， 2024，52（1）：37-44.

[3]劉瑩，楊淑萍，張治國. Storm分布式計(jì)算框架下基于知識圖譜的快速學(xué)習(xí)資源推薦[J].南京郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，1（30）：1-7.

[4]聶偉，鄭冰樹.基于UBCF算法在圖書館個(gè)性化資源推薦中的應(yīng)用研究[J].電腦知識與技術(shù)，2023， 19（36）：22-24.

[5]楊柳青，王沖.基于極大熵的Web服務(wù)資源個(gè)性化推薦方法[J].計(jì)算機(jī)與現(xiàn)代化，2023（9）：32-37.

[6]程娟娟，宋彪，李微.基于Vanilla算法的數(shù)字化資源在線推薦算法[J].計(jì)算機(jī)仿真，2023，40（9）： 324-327，338.