一种基于信息推荐技术的高校学生兴趣小组预测模型

陈伯伦

（淮阴工学院，江苏 淮安 223003）

0 引言

高校是培养人才的摇篮，如何提升学生的个性化发展相当重要。但是目前学生从高中毕业进入大学后，难免会出现一些彷徨以及对新事物的不适应，因此如何在大学生活初期能够让学生有一种良好的归属感，融入新的团体中值得教师去研究，另外兴趣小组的构建对学生未来创新创业也提供了强硬的基础支撑[1，2]。

信息推荐技术能够根据学生的不同兴趣，提供差异化、个性化和精准化的学习服务。本文将复杂网络中的信息推荐技术运用在学生的兴趣小组学习中，将学生在校园生活中的各项数据构建成多关系网络，以此推动高校计算机教学的课程改革。

1 社交网络推荐系统的概念与意义

在社交网络的传播机制中，如何合理的利用不同的信息显得十分重要。而推荐系统作为社交网络中的研究热点之一，引起了大众的广泛关注[3-7]。目前，对于推荐系统的研究大多都是基于节点之间是单层链接的网络，而在真实的网络环境中，不同的社交网络都展现出了自己独特的性质。例如，在高校学生数据网络中，学生之间可能存在共同爱好、合作等多种关系[8]，另外存在着学生食堂消费记录、图书馆书籍借阅等多层信息。将这些由多种关系类型的链接构成的单个网络称为层网络或者多关系网络[9]，网络中各种关系类型之间相辅相成。

一些研究人员还提出了一些基于关联挖掘的相关算法，他们假设节点层与层之间的相互影响关系是固定不变的并对称的，然而在大学生校内生活中，假设的这些条件并不合理。例如，某同学平时经常借计算机专业课的书，是否就能确定该同学对计算机专业课的课程一直就比较感兴趣呢，笔者认为该同学的兴趣可能会随着时间逐渐地变化。虽然目前部分研究人员在推荐系统中考虑了时序信息，但他们都忽略了不同节点对信息传播受益者的重要性具有差异，节点的可信度以及如何对节点之间的信任度进行度量。另外如何利用节点之间的联系，从而更准确地识别节点的个人兴趣，来进行推荐模型的设计显得至关重要。

2 高校学生兴趣小组预测模型的构建

随着高校中各种社会媒介的发展，学生在网络上留存了各式各样的数据痕迹，根据获取的相关的数据进行行为、兴趣等预测推荐的形式也越来越多。社交网络中预测推荐问题近年来已经有了很多的研究成果，并且在众多预测推荐方法中，协同过滤是应用最多的算法。有效利用学生或者消费产品之间的联系可以丰富学生的信息，从而更准确地识别学生的个人兴趣。因此，将针对多关系网络进行预测模型的设计，用于对学生选择兴趣小组的过程中起到辅助作用。

在学生兴趣小组模型构建过程中，首先需要设计多关系网络按照时序信息相融合的方案。假设学生在校购物、图书馆节点等环节中学生之间存在着m 种关系，在第t 天学生之间的关系矩阵分别为At1，...，Atm，学生之间第r 种关系在各个时间段里面的关系矩阵依次为：A1r，...，Atr。

学生之间的相关性随着时间的推移有变化的趋势，针对各个时间段内学生之间不同类别的关系矩阵，不应该同等地看待。因此，通常有两种方法来衡量时间因素对网络链接的影响。一种是通过定义一个时间衰减系数ρ∈（0，1），使得关系矩阵中的每一个元素都被赋予一个系数，在T 时刻，第r 种关系矩阵Atr中元素的需要乘以一个系数ρT-t。从中可以看出，随着时间的增长，时间越久远的学生之间的链接所起的作用越小，最近时间段内形成的链接对节点有较高的影响。那么到T 时刻，第r 种关系的矩阵为：ATr=ATr+ρArT-1+…+ρT-1A1r。另外一种方法是通过设置滑动窗口来控制不同时间段内节点之间的关系的。我们假设滑动窗口的大小为L，设当前时间为T，那么在链接动态变化的过程中我们只需要考虑数据流中最新的L 个链接矩阵，即只需要考虑集合{ArT-L+1，…，ATr}。通过滑动窗口计算链接矩阵时，拟通过挖掘流数据中的频繁模式，得到反映此类关系随着时间变化的矩阵。因此，需要设置一个阈值ε∈（0，1）和正整数k∈（1，L），找出{ArT-L+1，…，ATr}中所有支持度大于ε·L 的K 阶频繁子矩阵。设该K 阶频繁子矩阵的集合为STr，其中对应着矩阵的横纵坐标集合分别为X（A）和Y（A）。因此，可以得出。通过上述两种方法，都可以获得不同类型链接下的关系矩阵ATr。

接下来，需要对m 种不同类型的链接关系建立统一的模型，进行如图1 所示的工作。

图1 多关系网络建模示例图

在多关系网络中，对学生之间的关系进行融合时，需要考虑各类关系层对其不同的影响力。对学生有较大影响的关系层，拟增加这类链接的权重。反之，对学生有较小影响的关系层，拟减小这类链接的权重。需要计算出学生u 和第r 类关系层的相关度。设Гr（u）为学生u 在第r 类关系层中的邻居节点集合，dkr（u）为学生u 在第r 类关系层中k 介邻居节点的个数，其中k 可取1、2 等。记cr（u，v）为顶点u 和v 在第r 类关系层中的相关性，可以使用学生对在不同类型中链接的条数或者其余拓扑属性进行度量，c（u，v）为顶点u 和v 在所有关系层中的相关性值的和，即：c（u，v）=因此拟定义Rr（u）为节点u 与第r 类关系层的相关度，公式如下所示：

同样，可以得出顶点v 与第r 类关系层的相关度Rr（v）。在对学生（u，v）进行链接融合时，他们在第r 类关系层上的权重计算公式如下所示：

通过公式可以看出，Rr（u）+Rr（v）的值越大，那么第r 类关系层对节点对（u，v）赋予较大的权重。因此，可以得到所有学生之间的相关性，公式如下所示：

因此最后可以根据A（u，v）来构建学生之间的相似度矩阵，得出哪些学生之前存在着相同的兴趣，并对兴趣小组的选择具有指导性作用。

本文构建的学生兴趣小组预测系统示意图如图2所示。

图2 学生兴趣小组预测示例图

3 总结与展望

高校学生兴趣小组的构建在提高学生社团建设水平和学生培养过程中有指导性作用，本文将复杂网络中的信息推荐技术运用在学生的兴趣小组推荐中，将学生在校园生活中的各项数据构建成多关系网络，考虑学生图书借阅、饮食习惯数据等多层次关系构成全新的多关系网络的预测模型，该预测模型能够促进高校开展的科技活动更具特色和凝聚力。