個性化學(xué)習(xí)資源推薦系統(tǒng)的研究與設(shè)計.pdf

1、隨著網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，網(wǎng)絡(luò)中的信息資源呈現(xiàn)出爆炸式的增長，人們能夠從互聯(lián)網(wǎng)中獲取豐富的信息資源，同時互聯(lián)網(wǎng)已經(jīng)成為人們獲取信息的主要途徑之一，然而隨著網(wǎng)絡(luò)信息的不斷增加，當(dāng)用戶面對大量的網(wǎng)絡(luò)信息時，容易淹沒在信息的“海洋”里，造成信息過載的問題。人們通常使用信息檢索技術(shù)來查找所需要的信息資源，但是這種方式越來越不能滿足人們?nèi)找嬖鲩L的個性化需要，使用信息檢索技術(shù)需要人們對信息進(jìn)行準(zhǔn)確的描述，但是在很多情況下，用戶其實對自己的需求并不是很

2、明確或者很難用簡單的關(guān)鍵字來進(jìn)行描述，同時傳統(tǒng)的信息檢索技術(shù)是基于關(guān)鍵進(jìn)行檢索，因此它不能夠挖掘用戶的潛在興趣點，只能發(fā)現(xiàn)用戶已經(jīng)感興趣的信息，因此為了滿足人們對個性化服務(wù)日益增長的需求，于是便產(chǎn)生個性化推薦技術(shù)。
　　目前在國內(nèi)個性化推薦技術(shù)在教育領(lǐng)域中的應(yīng)用還比較少，相關(guān)的理論和應(yīng)用的研究也比較匱乏，發(fā)表相關(guān)的論文比較少。從總體上來看國內(nèi)的個性化推薦的研究還處于起步階段，與國外相比，還存在一定的差距，例如國內(nèi)個性化推薦的方法過

3、于單一，并沒有施行多樣化推薦，單一的推薦往往推出的結(jié)果較為單調(diào)，無法滿足用戶的多樣化需要，同時在推薦的過程中缺乏智能化處理水平，自動化程度比較低，因此通過混合式的使用推薦技術(shù)，發(fā)揮其各自的優(yōu)點，從而使推薦結(jié)果的多樣性，本文將采用多種推薦技術(shù)，實現(xiàn)多樣化推薦。
　　隨著學(xué)習(xí)資源網(wǎng)的不斷建設(shè)，學(xué)習(xí)資源也在不斷的增加與豐富，面對大量的學(xué)習(xí)資源，容易造成信息過載的問題。本文主旨設(shè)計一套個性化資源推薦系統(tǒng)，通過分析學(xué)習(xí)者的學(xué)習(xí)行為，主動的向

4、用戶推薦學(xué)習(xí)資源。通過混合的使用推薦算法，結(jié)合不同推薦技術(shù)的優(yōu)點，達(dá)到推薦結(jié)果的多樣化，更好的滿足用戶的個性化需求，在一定程度上解決信息過載的問題，本文中的研究主要包括以下部分:
　　(1)通過對現(xiàn)有的相關(guān)文獻(xiàn)進(jìn)行梳理，本文將對個性化推薦技術(shù)的相關(guān)理論進(jìn)行介紹，并且闡述其研究現(xiàn)狀以及應(yīng)用領(lǐng)域，比較常見的推薦技術(shù)的優(yōu)缺點，并從中選出最適合的推薦技術(shù)，應(yīng)用于本文設(shè)計的資源推薦系統(tǒng)中。
　　(2)制定用戶對學(xué)習(xí)資源的評分標(biāo)準(zhǔn)，用戶

5、的評分?jǐn)?shù)據(jù)的獲取主要通過兩種途徑，分別是隱性方式和顯示方式，顯示方式即用戶直接對學(xué)習(xí)資源進(jìn)行評分，隱性方式是由系統(tǒng)來完成。用戶登錄后，系統(tǒng)會自動地跟蹤用戶在系統(tǒng)中的學(xué)習(xí)行為，當(dāng)用戶瀏覽、收藏、推薦學(xué)習(xí)資源時，系統(tǒng)會根據(jù)評分標(biāo)準(zhǔn)將用戶對學(xué)習(xí)資源的操作轉(zhuǎn)換成相應(yīng)的評分?jǐn)?shù)據(jù)，從而形成用戶與資源的評分矩陣。
　　(3)通過對一些常見的個性化推薦技術(shù)進(jìn)行比較，本文選擇了協(xié)同過濾推薦算法和基于社會標(biāo)簽的推薦算法，協(xié)同過濾推薦技術(shù)應(yīng)用比較廣泛，

6、性能比較成熟，只需要用戶對項目的評分?jǐn)?shù)據(jù)即可對其進(jìn)行推薦，其優(yōu)點在于能夠挖掘用戶潛在的興趣點，但也存在一定的不足，例如冷啟動問題，在系統(tǒng)初期，由于數(shù)據(jù)比較稀疏，這將會影響其推薦的效果，因此為了解決冷啟動問題，本文引入Slope one算法來對其進(jìn)行處理，通過對稀疏的數(shù)據(jù)進(jìn)行填充，從而提高基于用戶的協(xié)同過濾推薦的準(zhǔn)確性，通過實驗測試結(jié)果表明，Slope one算法能夠在一定程度中緩解因數(shù)據(jù)稀疏的問題對推薦效果的影響?；谏鐣瘶?biāo)簽的推薦是