基于用戶行為特征的網(wǎng)絡(luò)教學(xué)云平臺(tái)資源個(gè)性化推薦方法

摘要：針對(duì)網(wǎng)絡(luò)教學(xué)云平臺(tái)的數(shù)據(jù)量大導(dǎo)致推薦的相關(guān)度低的問題，文章提出基于用戶行為特征的網(wǎng)絡(luò)教學(xué)云平臺(tái)資源個(gè)性化推薦方法。該方法通過采集歷史數(shù)據(jù)，篩選關(guān)鍵特征，結(jié)合K-中心聚類算法挖掘用戶行為特征，建立與資源特征關(guān)聯(lián)規(guī)則，結(jié)合偏好因子，為用戶生成資源個(gè)性化推薦列表。實(shí)驗(yàn)測試結(jié)果表明，該方法推薦相關(guān)度高，滿足平臺(tái)實(shí)際應(yīng)用需求。

關(guān)鍵詞：資源推薦；個(gè)性化推薦；網(wǎng)絡(luò)教學(xué)云平臺(tái)；用戶行為特征

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A

0 引言

在教育領(lǐng)域，網(wǎng)絡(luò)教學(xué)云平臺(tái)的應(yīng)用有效整合了教學(xué)資源，為學(xué)校提供在線教學(xué)資料。但教學(xué)云平臺(tái)擁有海量教學(xué)資源，如何獲取所需資源成為難題。聶偉等［1］基于用戶協(xié)同過濾的資源推薦，側(cè)重歷史數(shù)據(jù)，忽視興趣動(dòng)態(tài)性，導(dǎo)致推薦結(jié)果相關(guān)度低。劉麗娜［2］用數(shù)據(jù)挖掘分析用戶行為特征，構(gòu)建個(gè)性化推薦模型，但用戶瀏覽數(shù)據(jù)稀疏，影響推薦效果。因此，本研究基于用戶行為特征的網(wǎng)絡(luò)教學(xué)云平臺(tái)資源個(gè)性化推薦方法，實(shí)現(xiàn)個(gè)性化推薦［3］。

1 網(wǎng)絡(luò)教學(xué)云平臺(tái)資源個(gè)性化推薦方法設(shè)計(jì)

1.1 挖掘網(wǎng)絡(luò)教學(xué)云平臺(tái)用戶行為特征

考慮提取的相關(guān)用戶行為數(shù)據(jù)存在量綱差異，對(duì)提取的數(shù)據(jù)進(jìn)行歸一化處理，公式［4］為：

式中，x為用戶行為數(shù)據(jù)；x′為提取的原始用戶數(shù)據(jù)；xmax和xmin為原始數(shù)據(jù)集的最大值和最小值。

采用K-中心聚類算法對(duì)處理后的用戶行為數(shù)據(jù)進(jìn)行聚類分析。用戶行為數(shù)據(jù)的相似度公式為：

式中，xi和xj為2個(gè)隨機(jī)用戶行為數(shù)據(jù)；i和j為數(shù)據(jù)標(biāo)簽；S（xi，xj）為數(shù)據(jù)間的相似度；N為提取后的用戶行為數(shù)據(jù)總量；w為數(shù)據(jù)的核心元素；α為核心元素所占的權(quán)重。

根據(jù)上述公式，本文將滿足聚類閾值的數(shù)據(jù)進(jìn)行聚類處理。定義聚類中心的數(shù)量為K，數(shù)據(jù)聚類處理公式為：

式中，L為聚類的用戶行為數(shù)據(jù)簇；μ為設(shè)定的聚類邊界閾值。

基于聚類行為數(shù)據(jù)，挖掘各聚類簇的用戶行為特征。挖掘提取公式為：

式中，X為用戶行為特征；c為特征標(biāo)簽；T為數(shù)據(jù)聚類簇的時(shí)序特征。

1.2 定義行為特征與資源特征的關(guān)聯(lián)規(guī)則

基于挖掘用戶行為特征，本文采用關(guān)聯(lián)規(guī)則算法建立與教學(xué)資源特征的關(guān)聯(lián)關(guān)系。將挖掘用戶行為特征作為關(guān)聯(lián)規(guī)則算法的事務(wù)數(shù)據(jù)庫，項(xiàng)目集合公式為：

上述建立的項(xiàng)目集合有唯一標(biāo)識(shí)符，定義該項(xiàng)目集合與資源特征事務(wù)集的關(guān)聯(lián)規(guī)則，公式為：

定義關(guān)聯(lián)規(guī)則添加置信度。置信度的設(shè)定公式為：

式中，C為關(guān)聯(lián)規(guī)則的置信度；T為用戶行為特征項(xiàng)目集合的標(biāo)識(shí)符；D為事務(wù)百分比。

1.3 個(gè)性化推薦網(wǎng)絡(luò)教學(xué)云平臺(tái)資源

根據(jù)云平臺(tái)用戶所關(guān)聯(lián)的資源特征，分析個(gè)性偏好因子。以用戶賬號(hào)ID為基準(zhǔn)，將關(guān)聯(lián)的網(wǎng)絡(luò)教學(xué)云平臺(tái)資源特征轉(zhuǎn)換為鄰居節(jié)點(diǎn)，節(jié)點(diǎn)向量加和公式為：

E=∑（a，b，e）π（a，b，e）（8）

式中，E為鄰居節(jié)點(diǎn)向量加和；a為用戶ID數(shù)據(jù)；b為用戶行為特征數(shù)據(jù)實(shí)體；e為關(guān)聯(lián)資源特征數(shù)據(jù)實(shí)體。

根據(jù)計(jì)算的鄰居節(jié)點(diǎn)向量加和，定義用戶的個(gè)性偏好因子公式為：

式中，P（a）為用戶a的個(gè)性偏好因子；φ為權(quán)重系數(shù)。

2 資源推薦實(shí)踐

2.1 云平臺(tái)資源數(shù)據(jù)及用戶數(shù)據(jù)

依托的網(wǎng)絡(luò)教學(xué)云平臺(tái)已運(yùn)行3年，數(shù)據(jù)量充 足，支持本次資源個(gè)性化推薦測試。平臺(tái)共有10萬余條資源數(shù)據(jù)，涵蓋多學(xué)科和資源類型，具體如表1所示。

該網(wǎng)絡(luò)教學(xué)云平臺(tái)有3145名學(xué)生用戶記錄，數(shù)據(jù)按2∶1∶1比例分為訓(xùn)練集、測試集和實(shí)驗(yàn)集，用于模型訓(xùn)練、方法可行性和有效性測試。

2.2 結(jié)果分析與討論

隨機(jī)選用測試集中的網(wǎng)絡(luò)教學(xué)云平臺(tái)的用戶數(shù)據(jù)進(jìn)行分析，采用本文方法進(jìn)行資源的個(gè)性化推薦。

選用的10名云平臺(tái)用戶的行為記錄如表2所示。

根據(jù)上述數(shù)據(jù)及用戶瀏覽內(nèi)容，采用本文方法分析行為特征，推薦個(gè)性化資源，個(gè)性化推薦結(jié)果如表3所示。

如表3所示，本文方法為用戶推薦不同的教學(xué)資源，個(gè)性化程度較好。采用聶偉等［1］和劉麗娜［2］方法做對(duì)比進(jìn)行相同用戶推薦測試，結(jié)果如圖1所示。

由圖1可知，隨著用戶數(shù)增加，聶偉等［1］和劉麗娜［2］方法相關(guān)度下降，而本文方法保持高相關(guān)度，說明在大規(guī)模個(gè)性化推薦中，本文方法更有效。

3 結(jié)語

本文基于網(wǎng)絡(luò)教學(xué)云平臺(tái)實(shí)際應(yīng)用，提出用戶行為特征驅(qū)動(dòng)的資源個(gè)性化推薦方法。實(shí)踐測試顯示，該方法在資源推薦中有較高相關(guān)度，能匹配用戶需求與偏好。后續(xù)研究將加入用戶反饋機(jī)制，動(dòng)態(tài)調(diào)整推薦內(nèi)容，以提升資源推薦的準(zhǔn)確性和平臺(tái)性能。

參考文獻(xiàn)

［1］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(shí)與技術(shù)，2023（36）：22-24.

［2］劉麗娜.基于數(shù)據(jù)挖掘的公選課資源共享個(gè)性化推薦模型研究：以廣東省民辦院校為例［J］.安徽電子信息職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2023（4）：20-23，28.

［3］孫成霞.基于知識(shí)圖譜的工商管理線上教學(xué)資源個(gè)性化推薦方法［J］.信息與電腦（理論版），2023（22）：217-219.

［4］翟小樂，蔣麗銘，任云鵬.基于協(xié)同過濾的高校圖書館數(shù)字資源個(gè)性化推薦方法［J］.信息與電腦（理論版），2023（9）：96-98.

Personalized recommendation method of cloud platform resources for network teaching

based on user behavior characteristics

Abstract： The problem of low relevance of recommendations due to the large amount of data on online teaching cloud platforms. This article proposes a personalized recommendation method for online teaching cloud platform resources based on user behavior characteristics. By collecting historical data to filter key features， combining K-center clustering algorithm to mine user behavior characteristics， establishing association rules with resource features， and combining preference factors， a personalized resource recommendation list is generated for users. Experimental testing shows that this method has high recommendation relevance and meets the practical application needs of the platform.

Key words： resource recommendation; personalized recommendation; network teaching cloud platform; user behavior characteristics