推荐系统是一种在特定类型的数据库中进行知识发现的应用技术, 它从一系列可能的选择中更有效率的辨识出用户感兴趣的内容, 并能根据用户对推荐内容的反馈进一步改进推荐结果。
对于远程教育, 由于学习者具有不同专业背景、不同学习偏好及不同需要, 通常很难判断哪些课程及相关资源最适合他们的需要。因此, 迫切需要构建一个能进行个性化资源推荐的机制。由于网络教学活动的特殊性, 该推荐系统不仅需要根据用户的注册信息确定单个学习者的教学目标, 并推荐由既定的必修课程, 而且需要根据用户的兴趣点推荐更多有益的相关辅助资源。
1 远程教学资源推荐系统架构
在我们提出的远程教学资源推荐系统中, 除了教师及管理员提供的必修课程之外, 所有的学生都可以通过上传文件或指出文件在因特网中的链接来对课程资源库进行更新, 并且对现有的课程资源进行评分。推荐系统将来自用户的评价信息收集起来, 对学生的兴趣进行预测, 并推荐合适的必修课程及辅助课程。
2 基于用户兴趣实时更新的智能推荐系统
2.1 基于邻居的协同过滤推荐算法
传统的协同过滤推荐系统基于这样一种假设:例如, 如果A和B在过去和你感兴趣的内容都一样, 并且他们都给某课程资源打了高分, 那么你应该也对这一课程资源感兴趣。在这种推荐系统中, 可以将所有用户的评分信息收集起来, 然后使用统计技术搜索目标用户的若干最近邻居, 根据最近邻居对项目的评分预测目标用户对项目的评分, 产生对应的推荐列表。为了找到目标用户的最近邻居, 就必须度量用户之间的相似性, 然后选择相似性最高的若干用户作为目标用户的最近邻居。
协同过滤的相似度的计算是基于用户——项目偏好矩阵的, 矩阵中的每一项表示某一用户对某一特殊项的评分, 矩阵中的空缺单元是用户未作评分的项目, 这种算法的目标就是预测空缺单元的值。这种算法基于与当前用户的相似度选出一个用户子集, 然后将所有评分加权后聚合, 从而生成对当前学习者的预测。基于邻居的算法如下所示：
第一步:使用评分值之间的皮尔森相关性(公式如下), 以当前学习的相似度来为所有学习者加权。
其中, 是用户a对资源的评分;
是用户a给出的平均评分;
是资源总数。
第二步:选出n个与当前学习者相似度最高的用户构成邻居。
第三步:使用如下公式, 用从邻居获得的加权集合来计算一个估计值。
其中是当前学习者a对于资源的评分预测;
是当前学习者a和u的相似度;
qn是邻居中学习者的数目。
2.2 隐式评价推荐方式
从传统的协同过滤算法可以看出, 对目标用户的推荐仅仅依赖于最近邻居用户对项目的评分。基于这种模式的种种不足, 我们提出了一种隐式评价和传统评价并存的评价方式。这种隐式评价基于浏览页面包含的知识点、在页面停留的时间等实时更新评价数据库, 弥补了传统评分方式的不足。
在隐式评价中, 对于用户的兴趣我们采用兴趣向量表示法, 表示为：
其中, 为课程包含的知识点;为用户的行为, 即用户对某课程资源的访问次数和停留时间;为不同的行为具有不同的兴趣权值。对一个知识点 (浏览课程中的知识点)的兴趣度计算公式如下：
根据该公式可以计算出每个知识点的兴趣度, 根据兴趣度可以对学生进行内容推荐。
2.3 实时更新评价信息的智能推荐系统
当用户访问课程资源时, 系统将收集用户页面逗留时间、鼠标移动时间等行为信息形成隐式评价信息, 结合其评分情况更新评价数据库, 并产生推荐。
3 结语与展望
本文所提出的智能推荐系统将传统的显式评价方式与基于用户行为的隐式评价结合起来, 当用户的兴趣发生变化时, 能够及时的更新评价数据库, 对用户产生相对准确的推荐。
我们相信, 随着网络化、数字化的进一步推进, 推荐系统在网络教学中将得到越来越广泛的应用, 为网络学习者提供更为智能化、个性化的服务。
摘要：在现有的推荐系统中, 将所有用户的评分信息收集起来构造用户的偏好, 从而为每个用户推算或推荐最适合的资料。但是当用户兴趣发生变化时, 却不能很好的适应兴趣的动态变化。本文提出了可实时更新用户兴趣的推荐系统, 从而可以自动处理该用户个性化过程。
关键词：推荐系统,远程教学,协同过滤,推荐算法
参考文献
[1] Clay pool M, B rown D.Inferring U serInterest[J].IE E E Internet Computing, 2001, 11～12.
[2] Campos L M, H uete J F.B uildingB ay esion N etwork-B ased Informa-tion R etrieval Sy stems.In:Proc.of th e11 Intl.W orksh op on Database andE xpert Sy stems Applications (DE X A’00) .
[3] 甘未, 邢春晓, 周立柱.基于内容过涟的个性化搜算法[J].软件学报, 2003, 5.
[4] J oh n S B reese, David H eckerman, Carl K adie.E mpirical analy sis ofpredicitive algorithms for collabora-tive filtering[C].M adison:Proceeding sof th e F ourteenth Conference onU ncertainty in Artificial Intelligence, 1998.
[5] Perm M, R ay mond J, R amadass N.Content-boosted collabrotive filieringfor improved recommendations[R].De-partment of Computer Science[M].U niversity of T exas Austin.T X 78712.
[6] 徐小琳, 网喜戎, 等, 信息过滤技术和个性化信息服务[J].计算机工程与应用, 2003, 39 (9) .