推薦算法于在線教育系統中的應用研究

摘要：隨著在線教育的迅速普及，如何利用云計算技術提升在線教育系統的效率和用戶體驗成為研究熱點。針對傳統推薦算法在解決數據稀疏性和冷啟動問題中的局限性，以及任務調度算法在高并發場景下的資源利用不足，本文提出一種改進的協同過濾推薦算法和動態負載均衡任務調度算法。實驗結果表明，本文提出的方法顯著改善了在線教育系統的性能與用戶體驗，為基于云計算的大規模在線教育系統優化提供了有效路徑。

關鍵詞：云計算；在線教育；學習資源推薦；協同過濾；用戶行為加權

doi：10.3969/J.ISSN.1672-7274.2025.03.033

中圖分類號：G 43；TP 3 " " " " " "文獻標志碼：B " " " " " "文章編碼：1672-7274（2025）03-0-03

Research on the Application of Cloud Computing Technology in online Education System

LI Peichang

（Datong Teachers College， Datong 037000， China）

Abstract： With the rapid popularisation of online education， how to use cloud computing technology to improve the efficiency and user experience of online education systems has become a research hotspot. In view of the limitations of traditional recommendation algorithms in data sparseness and cold start problems， as well as the lack of resource utilisation of task scheduling algorithms in high concurrency scenarios， an improved collaborative filtering recommendation algorithm and dynamic load balancing task scheduling algorithm are proposed. The experimental results show that "the method proposed in the study significantly improves the performance and user experience of the online education system and provides an effective path for the optimisation of large-scale online education systems based on cloud computing.

Keywords： cloud computing; online education; learning resource recommendation; collaborative filtering; user behaviour weighting

在線教育作為教育信息化的重要形式，近年來發展迅速，其規模和影響力不斷擴大。然而，隨著用戶需求的多樣化和教育資源的快速增長，在線教育系統面臨著諸多技術挑戰[1]。一方面，學習資源的海量增長使得用戶難以快速找到符合需求的內容，傳統推薦算法在數據稀疏性、冷啟動以及個性化推薦精度方面存在明顯不足；另一方面，高并發訪問場景下系統資源分配不均導致響應速度和吞吐量下降，嚴重了影響用戶體驗[2]。目前，協同過濾算法因其較好的推薦性能被廣泛應用于在線教育系統。然而，傳統協同過濾算法在處理動態用戶行為數據和稀疏矩陣時表現出局限性[3]。此外，針對任務調度問題的研究主要集中于靜態負載均衡策略，難以適應云計算環境下資源動態變化的特點，未能充分挖掘節點資源的潛力[4]。為應對這些問題，本文采用隱語義分解技術改進推薦算法，以及基于動態權重和任務遷移機制的負載均衡優化方法。以期為更大規模的用戶提供高效的學習服務。

1 " 算法構建：基于云計算的在線教育優

化算法

1.1 基于協同過濾的學習資源推薦算法

協同過濾算法在在線教育系統中應用廣泛，用于分析用戶行為并生成個性化學習資源推薦。然而，傳統協同過濾算法在處理稀疏數據和冷啟動問題時存在性能瓶頸。為解決這些問題，筆者設計了一種改進的協同過濾推薦算法，結合矩陣分解和用戶行為加權策略，以提高推薦的準確性和適用性[5]。

首先，構建用戶-資源交互矩陣，采用隱語義模型對矩陣進行分解，見式（1）：

（1）

式中，和分別表示用戶和資源的隱語義特征矩陣，為特征維度。通過最小化目標函數優化矩陣分解，見式（2）：

（2）

式中，為正則化系數，用于防止過擬合；表示Frobenius范數。為進一步提高推薦的精度，采用用戶行為加權策略。用戶行為包括觀看時長、點擊頻率、評分等，其權重對資源的重要性具有差異。設用戶對資源的行為類型集合為，則綜合行為評分定義為式（3）：

（3）

式中，表示行為的權重；表示行為值。權重通過對歷史行為數據的回歸分析確定，使得對推薦效果的影響最優。在預測用戶評分時，考慮了用戶間相似度和資源特性權重。用戶相似度采用改進的皮爾遜相關系數計算，定義如下：

（4）

式中，和分別表示用戶和的平均評分。最終，結合用戶相似度和隱語義分解結果預測評分，得到推薦列表。預測評分公式為：

（5）

式中，為與相似的用戶集合，預測結果按值降序排列，選擇排名靠前的資源推薦給用戶。

1.2 動態負載均衡的任務調度算法

動態負載均衡在云計算環境中的目標是通過合理調度任務，優化系統資源利用率并降低任務處理延遲。傳統負載均衡方法在面對高動態性和任務特性多樣性時表現出局限性。因此，可設計一種基于動態權重和資源異構性的改進任務調度算法，以提升云計算平臺的性能。

設云計算環境中有個計算節點，每個節點的處理能力用表示。任務隊列中的每個任務的特性用表示，其中是任務計算需求，是任務所需的內存資源。目標是找到最優的任務分配策略，使得整體負載均衡性能指標最優。為反映節點的動態狀態，定義節點權重為節點剩余資源和任務特性匹配度的函數：

（6）

式中，表示節點的剩余計算資源；表示節點剩余內存；是所有節點的最大內存；和分別為權重系數，反映計算能力和內存需求的重要性。任務優先級結合任務計算需求和緊急程度。定義如下：

（7）

式中，是任務隊列中最大計算需求；表示任務的緊急程度；和是權重系數。任務調度采用最小負載優先分配策略。定義節點的總負載如下：

（8）

式中，表示分配到節點的任務集合；是計算需求和內存需求之間的平衡系數。任務的分配規則如下：

（9）

該規則確保每次調度優先分配至負載最輕的節點，動態調整任務分配以適應節點資源狀態的變化。

為應對運行過程中負載過度集中的情況，引入動態任務遷移機制。設節點的負載超過閾值，則觸發遷移策略，將低優先級任務遷移至低負載節點，遷移條件如下：

（10）

式中，為遷移任務的負載貢獻。

2 " 實驗分析

為評估學習資源推薦算法的性能，實驗采用準確率（Precision）、召回率（Recall）和F1值作為評價指標。實驗對比傳統協同過濾算法（CF）、矩陣分解優化算法（MF）以及該文章研究算法（Proposed CF），實驗結果如表1所示。從實驗結果可以看出，Proposed CF在不同用戶規模下均表現出更高的準確率、召回率和F1值。隨著用戶規模的增加，傳統協同過濾算法的性能下降較為顯著，主要原因是數據稀疏性問題的加劇。而Proposed CF通過引入用戶行為權重和隱語義分解有效緩解了稀疏性問題，表現出更好的魯棒性。尤其在5 000用戶規模的場景中，Proposed CF的F1值比傳統協同過濾算法提高約13.5%，表明其在大規模場景中的適用性更強。矩陣分解優化算法盡管性能有所提升，但未能充分利用用戶行為特征，表現略遜于Proposed CF。

用戶滿意度是評估學習資源推薦算法性能的重要指標，其直接反映推薦結果與用戶需求的匹配程度。在實驗中，通過問卷調查和用戶交互日志記錄兩種方式評估用戶滿意度。問卷調查記錄用戶對推薦資源的主觀滿意評分，范圍為1至5分（1表示非常不滿意，5表示非常滿意）。用戶交互日志統計用戶點擊率（Click Through Rate，CTR）作為客觀滿意度指標實驗對比三種推薦算法在不同用戶群體中的滿意度表現，結果如表2所示。從實驗數據可以看出，Proposed CF在所有用戶群體中均顯著提升了用戶滿意度。Proposed CF的平均滿意評分在初級用戶、中級用戶和高級用戶中分別提升了0.9、0.9和0.9分，與傳統協同過濾算法相比表現出明顯優勢。這表明通過行為加權和隱語義特征提取，推薦結果更貼合用戶需求。在點擊率中，Proposed CF在初級用戶中達到了58.9%，比傳統算法高出13.7個百分點。這表明推薦列表能夠更好地吸引用戶的注意力，尤其在使用經驗較少的用戶中，效果尤為顯著。在用戶留存率中，Proposed CF在高級用戶群體中的用戶留存率為70.1%，比傳統算法提升14.3個百分點。這表明該Proposed CF在吸引用戶繼續使用推薦系統方面表現出了較強的優勢。

總體而言，Proposed CF顯著提升了用戶滿意度，尤其對初級用戶和中級用戶的提升幅度最大。這一結果也可以驗證算法在用戶興趣建模和個性化推薦方面的優越性，同時為進一步優化推薦系統的設計提供實踐依據。

為分析系統在多種任務類型和并發負載下的性能表現，本實驗對系統的吞吐量進行測試，任務類型涵蓋數據處理、文件存儲、視頻轉碼、實時分析以及混合任務。實驗中通過調整并發任務數，觀察系統性能隨任務負載變化的響應情況，并構建可視化的熱力圖進行分析。

從圖1可以看出，數據處理任務和實時分析任務表現出較高的吞吐量增長速率，尤其在并發任務數從50增加到150時，增長明顯。然而，在高并發場景下，增長速率有所降低，表明系統資源接近飽和。文件存儲任務和視頻轉碼任務的增長相對平穩，表現出一定的資源限制效應。尤其是視頻轉碼任務，其吞吐量始終低于其他任務類型，可能受限于計算密集型特性?；旌先蝿盏耐掏铝吭诓煌l場景下介于其他任務之間，反映了不同任務類型在資源爭用中的綜合表現。不同任務類型在并發負載下的性能表現差異顯著，實時分析任務和數據處理任務在吞吐量方面表現最佳，而視頻轉碼任務的性能相對較低?；旌先蝿辗从沉硕嗳蝿請鼍爸械木C合特性。通過熱力圖對表格數據進行可視化展示，可以更直觀地觀察任務類型和并發負載對系統性能的影響，為任務調度策略的優化提供了重要參考。

3 " 結束語

本文基于云計算環境，提出一種改進的協同過濾學習資源推薦算法和動態負載均衡任務調度算法。實驗結果表明，改進的協同過濾推薦算法在準確率、召回率和F1值方面均顯著優于傳統方法。研究不足則是Proposed CF在應對動態興趣變化時需要進一步優化，以適配長周期用戶行為的變化模式；未來的研究可以進一步結合深度學習和邊緣計算技術，以實現更高效的資源利用和個性化服務。綜上所述，本研究驗證了改進算法在在線教育系統中的有效性，為大規模在線教育平臺的優化設計提供了技術支持和實踐依據。

參考文獻

[1] 劉嬋.基于云計算技術的高校教育在線管理系統[J].現代電子技術，

2020，43（11）：97-100.

[2] 馬春梅.基于云計算發展的圖書館信息資源安全管理措施——評

《圖書館信息資源安全：基于云計算環境下》[J].中國安全科學學報，

2022，32（4）：209-210.

[3] 范穎，劉夢.基于云平臺的在線教育課程資源共享設計與研究[J].現代電子技術，2020，43（1）：175-178.

[4] 姜楠，曾祥躍.終身一體在線學習系統建構的路徑與機制[J].中國成人教育，

2022（3）：3-7.

[5] 賈積有，樂惠驍，李卓潤，等.人工智能助力教育均衡發展——以個性化在線教學系統對隨遷子女的有效輔導為例[J].中國電化教育，2022（1）：42-49.