知识推荐的协同过滤算法

朱耀磷 蔡延光

摘要：信息时代中，新形态的教育方式应运而生。越来越多的网絡课程如同雨后春笋，以一种井喷式的态势增长着。但也存在一个无法忽视的痛点，不同的网课平台相互封锁，伴随之而来的矛盾是，用户需要花费更多的时间和精力到各个平台搜索心仪的网络课程。更有甚者，有部分用户由于自身水平限制，在入门一个领域时，常常由于缺乏对该领域的认识，在如何选择合适的网络课程时感到为难，这无疑是一块巨大的绊脚石。信息过载已成为制约人们方便使用互联网的绊脚石，网络世界信息资源分布广泛，使得人们产生信息迷失。推荐系统是信息过滤的衍生品，能更好地实现信息资源个性化推荐。从这个痛点出发，本文基于协同过滤算法，创新地提出一种网络课程推荐系统。并且，可从本文得到启发，并将此种方法应用于其他行业，诸如互娱、金融等。

关键词：推荐；协同；过滤；网课；矩阵

中图分类号：TP311.5 文献标识码：A DOI：10.3969/j.issn.l003-6970.2017.08.009

本文著录格式：朱耀磷，蔡延光.知识推荐的协同过滤算法[J].软件，2017，38（8）：50-53

引言

随着计算机等智能设备的普及，数字化的教育方式、越来越多的网络课程已然成为一个无可逆转的趋势与发展潮流。网络的迅速普及、网络资源不断丰富、网络信息量急剧增长，一方面人们可以获取的信息资源越来越丰富，这给人们带来很大好处；另一方面，面对海量的信息资源，人们被迫不得不以更多的时间精力去搜寻对其有用的信息，因而“信息超载”越来越突出，信息过量无法消化、难以辨识真假。

信息量暴涨与“怎样准确快速获取有价值的网络信息、怎样理解已有历史数据并用于预判未来行为”两者之间的矛盾日益严重。为给用户提供更高效率更方便更舒适的体验，本文基于网课用户和网络课程协同推荐过滤，提出推荐系统的设计方法，将更好地服务于用户，解决用户使用过程中耗时耗力的窘境，并且实现更加流畅透明的推荐功能，致力于网络课程的发展，为更加先进的教育方式摇旗助威[2，3，4]。

1 值的定义

本节主要阐述系统在开发过程中所涉及的符号及变量的定义，在一定程度上，这将对理解本系统的设计有不错的帮助。

1.1 定义网课

首先是对网络课程的定义说明，这里统一采用10个量度指标定义任意一门网络课程，记任意一门网络课程为A，A为列向量。

这里的为百分数，分别代表该门课程的10个指标，不妨假设为：文学、理工、计算机、小说、数学、物理、外语、电子、材料、地理。

則代表该课程为文学类课程的比例，%代表该课程为理工类课程的比例，…以此类推。

设第一门课程为4，第二门课程为，

1.2 定义用户

对用户的定义同样采用10个指标定义一位用户，这10个指标代表着每一名用户的个人特质。假设任一名用户为B，B为行向量。

同为占比百分数，分别设

为：喜好文学、喜好理工、…喜好地理。因此，代表改名用户喜欢文学的比例，62代表改名用户喜欢理工的比例，…定义第一位用户为第二位用户为…

2 系统建立过程分析

当系统每引入一门课程时，由课程的提供者（即“老师”）对该课程进行标记，该门课程被标记为属于哪种类型。一门课程可同时属于多个领域。

当某一门课程被带有某种属于的用户选择之后，后台系统捕捉这种行为，自动为该门课程刷新属性。例如，当一门课程为的用户点击之后，后台将课程修改为。

当新用户登录系统时，需要用户对自己进行标记，修改设置行向量B，用户可以拥有自己的朋友圈。当用户浏览选择感兴趣的课程，后台根据用户的行为，动态修改用户的B值，例如，当一个新用户将自己标记为，那么当他选择了课程，时，系统自动为该用户修改。

3 协同推荐

新用户登录系统时，有两种方法可为其推荐网课。一种是根据用户对自己的标记，选择其朋友圈内一个与改名用户属性最相近的人为目标，按照目标的历史网课记录，推荐其最近一段时间的课程给新用户。

另一种方法是，利用新用户对自己的标记，与系统内已有数据进行匹配，按照匹配度的高低来为新用户推荐网课[6，7]。

无论采取何种方法，随着用户的活跃度提高，系统推荐的准确度也将进一步提高[8_13]。

4 数据过滤

完成上面的准备工作后，每位用户都拥有一个独立的属性值B，每一门网课也同样拥有独立的属性值A。利用这些作为标记的特征值，系统便可准确地向目标用户推荐恰当的网课。这里主要阐述数据过滤的手法，本文前面将用户的属性值B定义为行向量，将网课的属性值A定义为列向量。

这里再定义。

C便为所谓的匹配度，系统将按照C值的大小向用户推荐对应的网课，C由大到小表示由最匹配到最不匹配。

当然也可以直接用进行判断

5 结语

在本文中提到的此种框架下，任何商品（包括网课、娱乐信息等）都可便捷地构建推荐系统，协同推荐的方式很好地解决初入系统的信息被孤立的问题。故而赋予了系统很好的适应性，可移植至不同的领域。