基于协同过滤算法的智慧学习推荐研究

摘要：互聯网技术在我国的普及应用，改变了人们的生活生产方式，加快了全球化发展步伐，网络教学课堂具有教学成本低、管理便捷等特点，受到疫情的影响网络教学模式正式走入中国课堂，为了更好地落实终身学习理念，需要做好教学时间的分配和教学地点的选择。远程网络教育模式的出现，能够满足移动化的教学需求，教师在教学设计的过程中，也能够通过网络技术进行教育资源的获取，本文主要以协同过滤算法为基础，探讨了智慧学习推荐形式，通过智慧学习平台的建立，提高现代化教学质量。

关键词：协同过滤算法;智慧学习;推荐研究

中图分类号：文献标识码：B

计算机网络时代的来临，高校教学模式迎来了新的发展机遇，突破传统教学课堂的限制，通过计算机技术实现面对面教学，受到网络技术的影响，现代化教学资源开始呈现出数字化的发展特点，但在面临庞大学习资源的过程中，学生很容易受到信息量过大的困扰。想要为学生推荐智慧型学习的相关资源，需要改变传统的教学模式，充分利用协同过滤算法构建移动教学情境，为网络教学的普及提供技术支持，并建立智慧型学习模型，对学习资源的获取与推荐过程进行分析，通过智慧学习平台的建立开展推荐实验。

1  多元化智慧学习推荐技术的应用

1.1  信息资源内容的过滤推荐。想要通过网络技术的应用实现智慧学习，就需要选择适合学生的过滤推荐技术，提高信息资源内容的整体质量，该技术的应用主要是以网络庞大的信息资源作为基础，结合用户的搜索需求，推荐相应的资源信息。但整个信息过滤的过程没有参考用户的具体意见，主要是运用概率统计的方式，对庞大的数据内容进行过滤，经过分词、分类信息处理技术，生成相应的数据文本，与用户搜索内容进行对比，将具有最高相似度的信息资源推送给用户。但由于网络资源存放方式十分复杂，在进行信息读取时需要繁琐的解码步骤，无法实现对非结构化资源的推荐，最终得到的推荐效果不理想，在进行智慧学习资源获取时，只通过简单的文字描述和关键词，无法实现对学习内容的整体概括，因此，信息资源内容过滤推荐技术，只适用于文本资源的推荐，无法保证推荐内容的精准性。

1.2  遵守关联规则的过滤推荐。遵循关联规则的信息过滤推荐技术，通过大数据处理，分析用户的浏览历史，了解用户的查询需求，过滤推荐的信息内容能够由用户规定，关联规则信息推荐方式主要用于，确定学习主题后的相关教学资源推荐，但该技术在使用过程中需要耗费一定的时间，对用户的浏览记录进行分析，在进行重点学习内容推荐时，难以实现同义性划分。

1.3  普遍应用的协同过滤推荐。协同过滤技术能够通过邻居值的计算，判断用户之间所具有的相似性，是当前教学发展过程中，使用最为普遍的推荐技术，得到的过滤信息具有较强的精确性，能够结合用户对信息资源的评价，制定出组合式协同过滤模型。通过智慧学习资源推荐，创建移动情景教学模型，通过分值预测了解该资源获取用户的主要偏好，协同过滤不需要制定明确的推荐目标，能够直接向用户推荐非结构化的资源对象。

2  基于协同过滤算法的智慧学习推荐

协同过滤算法能够在信息资源过滤系统中，进行庞大数据信息的过滤处理，针对用户的实际需求，提供个性化的推荐服务，当前网络资源存在信息过载的问题，需要以协同过滤设计为基础，制定出相应的信息推荐系统，根据用户的兴趣爱好选择适合自己的邮件种类。协同过滤推荐算法的应用，需要用户发出信息需求信号，系统根据信号内容进行对应资源的整理与推荐，经过过滤推荐出的相似文件，会直接发送到用户信箱，当前所采用的推荐系统，在信息资源筛选过程中，具有开放性和隐秘性。

2.1  用户协同过滤推荐算法。以用户为主要依据的协同过滤推荐算法，是当前应用最为广泛的推荐技术，需要在庞大的数据中搜寻用户邻居集，通过云计算技术，根据目标用户的实际需求，查找相似度较高的用户群体，对用户的资源目标进行实时预测。对得到的资源内容按照相似度进行评分，将相似度最高的几项资源内容，作为最终的推荐结果，用户协同过滤推荐算法的有效应用，能够根据用户的浏览历史，对用户的兴趣信息进行收集，并以此为基础制定邻居集，为用户推荐相似资源。

2.1.1  用户兴趣信息的收集。用户兴趣信息的收集，需要建立在对某一项目数据的深入分析，通过网络技术的应用，判断用户的具体注册时间，查询用户在注册阶段填写的个人基本信息，根据用户的浏览记录，判断在智慧学习开展过程中，用户使用的数据内容。了解用户的学习时间段和学习时长，将搜索记录和网络页面的停留时间等信息整合到一起，建立用户项目评分矩阵模型，运用以上数据内容进行具体呈现。

2.1.2  通过用户群查找形成邻居。形成邻居需要以邻居集为基础，结合目标用户的根本需求，查找与之相似度较高的用户群体，分析多个用户之间所具有的相似性，通过信息筛选和信息整合，建立多个用户共同评分的资源合集，通过相似度计算方式，判断用户的相似性，当前计算机常用相似度计算方法有，相关计算法、余弦计算法、修正余弦计算法。

2.2  项目协同过滤推荐算法。以项目内容为主要依据的协同过滤推荐算法，需要充分参考用户的资源评分，根据用户对不同项目集合的评分反馈，判断项目之间的相似性，完成项目信息的过滤推荐。根据以往的用户项目评分，进行目标项目集合的得分预测，类似的项目会得到相似的用户评分，在进行项目协同过滤推荐算法开展的过程中，对项目向量进行标记，分析项目之间的相似性，完成过滤推荐。

2.3  智慧学习资源推荐模型的建立。

2.3.1  用户兴趣模型。想要进行智慧学习资源推荐模型的建立，首先需要对用户的兴趣信息进行收集，创建用户兴趣模型，并以此为前提建立智慧学习平台，通过收集用户的兴趣信息反馈，成立用户评分矩阵，信息反馈主要分为显性和隐性两种形式。显示信息指的是用户在注册和登录过程中，填写的基本个人信息，这一信息内容十分准确，比如：职业、爱好、兴趣、特长等等，隐性信息则是指根据用户在智慧学习平台中，常用的学习资源以及查询过的浏览信息，进行隐性反馈信息收集。通过以上资源的合理运用，建立用户兴趣模型，保证推荐系统得到的信息结果准确性，显性信息需要用户的主动参与，隐性信息则是由系统计算生成，服务型社会的建立，以上信息收集技术得到了广泛应用，能够对用户的兴趣爱好有一个准确的认知。

2.3.2  智慧学习平台。智慧学习平台的建立，能够为隐性用户信息收集提供前提，但在隐性反馈信息获取的过程中，需要用户先完成注册任务，根据用户在智慧学习平台注册过程中输入的基本信息，建立用户兴趣隐性反馈初始模型，资源内容包含：姓名、职业、资源信息获取需求等，合理运用隐性反馈机制，进行用户浏览的资源类别的划分，根据用户学习行为记录，将两种反馈信息收集形式结合在一起，进行智慧学习资源推荐模型的建立。

3  结语

综上所述，常用的学习推荐技术有信息资源内容过滤推荐、遵守关联规则的过滤推荐、普遍应用的协同过滤推荐，本文主要分析了用户协同过滤推荐算法以及项目协同过滤推荐算法，并以此为依据创建用户兴趣动态分析模型。

参考文献

[1] 方平. 基于微信平台孕育知识推荐系统的设计与实现[D]. 辽宁：大连理工大学，2019.

[2] 陈曦，梅广，张金金. 融合知识图谱和协同过滤的学生成绩预测方法[J]. 计算机应用，2020，40（2）：595-601.

[3] 张紫嫣，周驰. 结合类别偏好的协同过滤推荐算法[J]. 计算机应用与软件，2021，38（1）：293-296.

作者简介：沈晓燕（1982-），女，吉林农安人，讲师，主要研究方向为桥梁工程教学

安徽交通职业技术学院 安徽 合肥 230051