基于用户画像的课程学习视频推荐系统研究与设计

陈玉帛 项慨 王顺驰 何希 李娅琴 邹正 李玉婷

摘  要：文章面向在线教育，研究并设计一种课程学习视频的推荐系统。由于线上学习资源冗杂繁多，且缺乏规范化构建和系统化管理，学习者难以精准获取满足其个性化需求的课程学习视频。文章通过数据挖掘技术获取用户数据后构建用户画像并进行相似用户群体识别，再利用推荐算法实现课程学习视频与用户之间的精准匹配。实验结果表明，该文推荐系统可以有效解决人们在选择学习资源时产生的“信息迷航”和“信息过载”等问题，能够有效满足用户个性化学习需求并为用户提供个性化学习路线。

关键词：课程学习视频；用户画像；个性化推荐；推荐系统

中图分类号：TP311  文献标识码：A  文章编号：2096-4706（2023）09-0001-08

Abstract： This paper studies and designs a course learning video recommendation system for online education. As online learning resources are numerous， and lack of standardized construction and systematic management， it's hard for online learners to catch accurately course learning videos that meet their personalized needs. This paper obtains user data through data mining technology， constructs user profiles， identifies similar user groups， and then uses recommendation algorithms to achieve precise matching between course learning videos and users. The experimental results indicate that， the recommendation system proposed in this paper can effectively solve the problems of “information confusion” and “information overload” that people encounter when choosing learning resources， and can effectively meet users' personalized learning needs and provide personalized learning routes for users.

Keywords： course learning video; user portrait; personalized recommendation; recommendation system

0  引  言

CNNIC發布的2021年度中国互联网产业发展情况调查报告显示：截至2021年6月，全国互联网用户总数在2021年新增2 175万，用户总规模约10.11亿，互联网普及率达到71.6%。我国在线教育在数字化时代到来和互联网普及率提高的背景下有了明显起色。《教育部2022年工作要点》中也提出“实施教育数字化战略行动”，以此来推进教育数字转型与智能升级。这体现出数字化对于教育行业发展的重要意义，在线学习教育已经发展成为新的教育模式。

在线教育领域也因此产生了海量的课程学习视频资源，从管理到教学，从职业培训到专业培训，从基础教育到素质教学，科技持续纵深。“学习迷航”“认知过载”等问题导致学习者在学习的过程中效果不佳[1]，对感兴趣的学习资源的获取效率降低。

如何更好地进行个性化推荐成为一个关键性问题。现有学习资源推荐的研究主要针对单一课程的在线学习活动进行认知能力分析，而缺乏根据用户个性化特征进行精准推荐的研究，不能很好地满足学习者的个性化需求。

本文在“数字化教育”大力发展的趋势下，采取用户画像技术进行用户画像建模，以此精准地定位用户需求。并对课程学习视频的个性化推荐系统进行研究，将智能推荐算法进行深度运用。针对不同用户需求，为其智能推荐个性化的课程学习视频，以此达到优化课程学习视频的推荐、节省用户挑选课程学习视频时间的目的。

1  用户画像和推荐系统

1.1  用户画像

此概念最先产生于交互设计领域，由AlanCooper提出。其指出用户画像是真实的目标用户的虚拟代表，是建立在真实数据之上的目标用户模型[2]。

用户画像如今主要是指在某一确定的研究领域收集用户各类相关的真实数据，根据用户的个人属性、兴趣偏好、生活习惯和行为等数据信息抽象出来的标签化的用户模型。其通过特殊场景下的用户行为信息最终生成用来描述用户属性及行为的标签集合，有利于更精确、多角度、更具时效性的分析目标用户。

构建用户画像的方法总体分为以下四种：基于用户兴趣偏好、基于用户行为、基于主题或话题、基于本体或概念[3]。构建过程从流程上可大致分为三个主要步骤：全面收集用户数据；研究并分析用户信息、细分构建用户标签；完善和丰富用户画像的具体描述。基于此，在强调用户为主体的前提下形成用户画像模型，显现用户特征，为个性化推荐打下基础。

1.2  推荐系统

互联网的快速发展导致信息规模的大幅扩张，使得用户在面对超载的信息时难以迅速寻找出自己需要的信息，而推荐系统则是信息超载问题的一种有效解决方法。推荐系统是建立在大量数据挖掘基础上，为用户提供满足其需求的个性化内容的一种筛选信息的工具[4]。推荐系统根据一些策略规则预测用户可能喜欢的物品，并对其进行排序后依次推荐给目标用户，这些策略规则就是推荐算法。

1.2.1  基于协同过滤的推荐

此算法最先由Goldberg等[5]在1992年介绍用于分类筛选电子邮件和解决资讯超载难题的推荐系统Tapestry时提出。此算法通过分析兴趣相投的群体的反馈和评价，预测出用户可能感兴趣的信息并将其推荐给用户。协同过滤算法可以分为基于用户的和基于物品的。前者根据目标用户对物品的评分计算其与其他用户的相似度，预测目标用户对其他用户感兴趣物品的评分。后者则通过计算目标用户已有偏好的目标物品和同样对目标物品存在偏好的其他用户喜欢的其他物品的相似度，预测目标用户对其他物品的偏好。

1.2.2  基于内容的推荐

基于内容的推荐的基础是项目内容信息，而非用户对项目本身的评价意见，更多地需要采用机器学习的方法，从关于内容的特征刻画的事例中获取用户的兴趣资料。该算法的关键是发现内容之间的关联性，根据用户以往的浏览记录推荐给用户相似的内容。

该算法的重点是推荐项目内容上相似的物品，与用户之间无关系，对目标用户的推荐结果不受其他用户的影响。与协同过滤算法相比，该算法不受冷启动问题的局限，当引入一个新的项目时，可以将新项目的信息和用户历史偏好进行比对，而不必考虑用户和新项目之间是否存在交互[6]。因此可以有效解决在个性化推荐过程中需要大量收集用户历史数据的问题。

基于内容的推荐步骤：首先对产品或项目内容特征进行提取，然后进行用户偏好计算，并依据算法规则进行内容召回，最后将物品进行排序后依次推荐给用户。

1.2.3  混合推荐算法

基于内容的推荐具有“过于个性化缺乏惊喜度”的弊端，基于协同过滤的推荐具有“项目冷启动”的弊端。混合推荐算法通过多种推荐算法的组合弥补了单种推荐算法的缺点，对提升个性化推荐的准确率、召回率及覆盖率具有极大帮助[7-9]。目前常用的混合推荐算法有以下幾种：

特征组合法：输入来自多个推荐算法的数据源特征组合，输出将其中一个算法作为主算法的推荐结果。

特征增强法：将前一种推荐算法的输出作为后一种推荐算法的输入。

交叉法：在用户交互界面上将不同算法的结果按相应比例组合起来。

加权法：将多个推荐算法结果分数的加权和组合在一起。

串联法：将一组推荐算法按顺序排列，后面的推荐算法优化前面的推荐结果。

分级法：利用一种算法构建的模型生成主算法的结果。

2  系统设计

2.1  系统总体结构

首先系统将通过对用户个人属性和活动痕迹等数据信息的分类、综合、聚类等操作，全面掌握用户的个人数据信息。然后设置关联规则并完成数据清洗，以获得有效信息，再通过合并、聚类等方法，全面收集所有用户的数据信息。其次设置关联规则并实施数据清理，以获得有效信息，最后综合、统一地使用所有个人和群体的数据信息。构建多维用户标签体系，实现用户画像的核心步骤，并把用户图像存放到教学应用库中。最后再结合推荐算法，在课程学习视频资源库中提取与应用匹配率最高的课程学习视频，以此实现课堂学习视频资源和应用之间的最精确匹配。基于用户画像的课程学习视频个性化推荐系统整体框架如图1所示。

2.2  业务运作流程

用户在注册登录时，需填写“我的信息”，如性别、年龄、行业和受教育程度等，并选择兴趣标签。系统会利用用户画像技术综合用户特征，构建用户画像模型，形成个性化标签。

一方面，推荐系统会根据个性化标签智能选择课程学习视频推荐范围，设计用户首页推荐视频列表。用户也可选择进入二级分类视频区域，选择贴近自己偏好和实际情况的课程学习视频，实现课程学习视频的精确推荐。

另一方面，形成的个性化标签可以生成用户初步的学习路线，后续用户可以自定义修改学习路线。根据系统总体需求分析，本学习课程视频个性化推荐系统的业务结构流程如图2所示。

2.3  功能设计

2.3.1  用户管理

用户管理功能分为“账号设置”“社区”和“客服”三个板块。用户在进入登录页面完成登录后，即开始使用本系统。用户首先需完成账号设置，进入“我的信息”界面填写年龄、爱好和地域等信息。系统里内设置有“社区”板块，用户既可以进入主页的特定社区，又可以选择自主创建社区。“客服”板块能够帮助用户解决在使用系统的过程中遇到的问题，完善用户使用体验。系统用户管理功能结构如图3所示。

2.3.2  视频推荐

视频推荐功能是系统的核心功能。推荐方式有两种：一是用户点击首页推荐视频或者下滑刷新，二是进入二级分类视频区域。二级分类视频区域将系统获取的各种学习视频依据授课方式不同分为线上课、录播课和线下课三类，用户可以根据自身情况和学习需求选择不同的授课方式，其中线上课指用户需在系统上完成课程报名，并在特定时间观看网络课程；线下课同样需要用户在系统上完成课程报名，但后续用户需按时去特定地点上课。系统视频推荐功能结构如图4所示。

2.3.3  学习路线

学习路线功能的依据是用户在账号设置中填写的“我的信息”，系统会根据用户的性别、年龄、行业和受教育程度等信息生成初步的学习路线，同时用户可以自定义修改自己的学习路线。系统学习路线功能结构如图5所示。

2.3.4  管理端功能设计

管理端权限最高，依据管理对象分为对视频和对用户两种。对视频，管理端可以行使查询、审核、增加和删除四类管理权限；对用户，管理端则可行使增加、删除、查询用户和发布公告四类管理权限。管理端还需不定时对系统进行维护。管理端功能设计如图6所示。

3  系统实施

3.1  系统层次结构

本系统自下而上可划分为数据层、数据分析层、推荐计算层和交互界面。系统结构层次如图7所示。

3.2  系统功能模块

基于用户画像的课程学习视频推荐系统总体上分为三个功能模块，系统总体结构如图8所示。

3.2.1  数据采集储存模块

这一功能模块主要包含课程学习视频的数据采集与储存功能。系统抽取互联网用户在网络端留下的日志记录以及从各个学习视频网站获取的非结构化数据，将其存储为统一的本地数据文件，并在后台数据库中以结构化的形式存储。数据库设计为视频信息库、用户画像数据库、用户兴趣数据库和用户社交数据库四类。

视频信息库由视频名称、up主名称、网页链接、图像链接、适用标签和类型六种属性构成，其中网页链接为该视频的主键。其关键代码如下：

# 视频信息库 根据爬取视频信息的设计

createtablevideoLibraryifisnotexist

（videoName          varchar（50），          —视频名称

blogger                  varchar（50），          —up主

webPageLink         varchar（200），        —网页链接

imageLink              varchar（200），        —圖像链接

applicationLable     varchar（200），       —适用标签

type                         varchar（20）          —类型

）charsetutf8;

用户画像数据库由性别、年龄、行业和受教育程度四种属性构成，其中行业为该视频的主键。其关键代码如下：

# 用户画像 根据用户属性设计

createtableuserInformationifisnotexist

（sex                         varchar（2），          —性别

age                           int，                      —年龄

industry                   varchar（10），        —行业

eduactionLevel        varchar（10）        —受教育程度

）charsetutf8;

用户兴趣数据库由大学基础课程类、大学择业类和兴趣技能类三种属性构成。其关键代码如下：

# 用户兴趣信息

createtableuserInternetInformationifisnotexist

（collegeBasicCourses     varchar（50），     —大学基础课程类

studyAndCareerSelection     varchar（50），      —升学择业类

interestsAndSkills           varchar（200）           —兴趣技能类

）charsetutf8;

用户社交数据库由关注的其他人数量、自己的粉丝数和访问信息三类属性构成。其关键代码如下：

# 用户社交信息

createtableuserSocialInformationifisnotexist

（numberOfFollowUsers       int，        —关注的其他人数量

numberOfFans              int，               —自己的粉丝数

accessInformation         TEXT          —访问信息

）charsetutf8;

3.2.2  用户画像构建模块

系统调取数据库中的结构化数据，基于其中的用户基本信息和用户行为信息设计标签并确定权重、进行量化分析，由此构建用户画像。然后通过K-means聚类分析进行相似的群体识别，反映各自的用户特征。用户在登录前端界面填写的个人信息和进行浏览、评论和收藏等产生的行为信息会录入后台数據库，用于构建用户画像。最后系统会根据用户画像和课程学习视频的时效性形成课程学习视频推荐列表。

3.2.3  学习视频推荐模块

该模块针对新用户和老用户具有两种不同的推荐机制。对于新用户：登录系统后，需填写个人信息和选择兴趣标签，系统通过聚类分析识别用户特征构建新用户的用户画像。推荐算法依据用户对不同课程学习视频的喜好差异，掌握用户对不同课程学习视频的兴趣度，将用户可能感兴趣的课程学习视频经过时效处理后推荐给用户。学习路线算法结合用户填写的兴趣标签与其以往的行为数据，对贴近用户偏好的视频进行去重处理，通过拓扑排序确定各项视频的先后学习顺序并生成学习路线。对于老用户：填写个人信息和兴趣偏好的环节被用户访问所产生的社交信息产生所替代，此后进行机制相同但更高效的循环，推荐列表的准确性和时效性会越来越强。

3.3  基于用户画像的课程学习视频推荐系统实现

3.3.1  多属性用户画像建模

3.3.1.1  收集数据

以哔哩哔哩（英文名称：bilibili，简称B站；网站地址：https：//www.bilibili.com/）注册用户为研究样本，爬取公开IP代理池收集B站返回的数据。首先进行一系列数据清洗，然后筛选出少量用户数据存储于用户数据库中。处理后的用户数据信息包括用户ID、姓名、性别、行业、受教育程度、关注用户数、粉丝数等。

3.3.1.2  设计用户标签体系

设计的用户标签体系分为三部分：一是基本信息，包含用户性别、年龄、行业、受教育程度等。完整的基础信息对画像的精准度产生正向影响，而譬如性别特征这类基本信息对于用户行为偏好也具有一定的影响作用。二是用户的行为信息，涵盖用户选择课程视频的类型如大学基础课程类、升学择业类等体现用户兴趣的信息，以及关注用户、粉丝等体现用户社交属性的信息。构建的课程视频个性化推荐平台用户标签体系如图9所示。

基本信息属性下的指标往往可直接从用户注册时填写的信息中提取出来，其量化相对稳定。对其指标进行量化表示，能够更好地表示结构范式。研究采样样本用户群体的年龄是18～35岁，可将其年龄可分为两个阶段，18～22为大学生群体，22～35岁为青年就业者群体，并分别由0和1表示。行业可分为计算机、会计从业者、金融从业者、土木工程、材料化学、数学学者、物理学者、历史学者、教师和医生这十大行业，并分别由1、2、3、4、5、6、7、8、9、10表示。

基于上述用户画像标签体系，对每一特征进行量化表示，从而展示各层次之间的差异化程度，最后将课程学习视频用户画像模型表示成一个向量的形式，即如式（1）所示：

MUP={B， A， P}                         ;     （1）

其中，MUP表示用户画像模型；B表示用户基本属性；A表示用户社交属性；P表示用户兴趣属性。每一属性的量化值以及其权重的确定方法如表1所示。

用户兴趣信息通过TF-IDF算法区分用户关注的主要特征，得到各指标特征权重值，计算关键词权重值的大小并将权重值较大的关键词作为权重词。该词较准确地反映了用户对于每一条视频的关注方面，显示差异化程度。由于用户语言习惯存在差异，虽然一些词语的表达形式不同，但表达的含义却是相同的。因此对同义词进行替换就能达到降低提取的关键词维度的目的。

用户社交信息选择关注用户、粉丝、访问数三个指标，其在一定层面上体现社交性的高低情况。采用熵权法对收集到的指标数据熵值进行计算，获得指标数据的整体互动值A。具体计算公式为：

通过此方法得到用户的社交属性值，该值的大小可反映出用户互动性的强弱，后期使用中可依据该值对用户进行分类操作，将用户分为强、中和弱三类，从而分别对不同类型的用户提供针对性服务，有效提高服务质量。

3.3.1.3  基于K-means的相似用户群体识别

通过多属性用户画像模型MUP，可以得到单个用户的画像模型，但由于用户基数大，计算过程较为繁杂，本文选用K-means聚类算法对相似度比较高的用户信息进行分类，进一步缩小推荐课程学习视频的候选集，简化推荐过程，提高推荐效率。

用户画像模型MUP集成了用户基本属性信息、用户兴趣信息和用户社交信息，用户画像模型信息如表2所示。

由于需要对比用户之间的相似程度，故在针对用户兴趣属性的计算中直接使用每个用户发表的评论文本并计算其TF-IDF值。但这会造成每个用户的兴趣指标不同，故此处需要对其进行统一。利用用户画像技术计算出特征前TOP10并作为兴趣特征，用该特征对应的TF-IDF值作为其权重值。而由于量纲的不同，需要对其进行归一化处理，此处主要针对基本属性和访问属性值。归一化后的用户画像模型信息如表3所示。

得到归一化后的用户画像模型信息，便能进行K-means聚类，获得类似的用户群体。

3.3.1.4  基于用户画像的课程学习视频个性化推荐算法

不同的课程学习视频具有不同的关键词，故可通过关键词来识别对应的课程学习视频，首先需提取课程学习视频的部分关键词，然后计算其权重，并根据权重计算课程学习视频的相似度，最后根据相似度进行课程学习视频推荐。

3.3.1.5  用户的课程学习视频推荐规则

设课程学习视频集合为：P ={ P1，P2，…，Pm}，事务记录集合为T ={ t1，t2，…，tn}，根据匹配树机制得到支持度和置信度为式（7）、式（8）：

采用K-means聚类算法将课程学习视频进行分析，划分为Ｋ个类型，然后根据匹配树机制建立各类匹配规则，计算最小支持度和最小置信度，最后根据最小支持度和最小置信度给用户推荐课程学习視频。

3.3.1.6  混合推荐算法部分代码实现

# -*- coding： utf-8 -*-

importmath

importpandasaspd

importnumpyasnp

importos

os.chdir（'E：/视频数据库'）

# 创建视频画像

# 参数说明：

# items_profiles = {item1：{'label1'：1， 'label2'： 0， 'label3'： 0， ...}， item2：{...}...}

defcreateItemsProfiles（data_array， labels_names， items_names）：

items_profiles = {}

foriinrange（len（items_names））：

items_profiles[items_names[i]] = {}

forjinrange（len（labels_names））：

items_profiles[items_names[i]][labels_names[j]] = data_array[i][j]

returnitems_profiles

# 创建用户画像

# 参数说明：

# data_array： 所有用户对于其所看过的视频的评分矩阵 data_array = [[2， 0， 0， 1.1， ...]， [0， 0， 1.1， ...]， ...]

# users_profiles = {user1：{'label1'：1.1， 'label2'： 0.5， 'label3'： 0.0， ...}， user2：{...}...}

defcreateUsersProfiles（data_array， users_names， items_names， labels_names， items_profiles）：

users_profiles = {}

# 计算每个用户对所看过的所有视频的平均隐性评分

# users_average_scores_list = [1.2， 2.2， 4.3，...]

users_average_scores_list = []

# 统计每个用户所看过的视频（不加入隐性评分信息）

# items_users_saw = {user1：[item1， item3， item5]， user2：[...]，...}

items_users_saw = {}

# 统计每个用户所看过的视频及评分

# items_users_saw_scores = {user1：[[item1， 1.1]， [item2， 4.1]]， user2：...}

items_users_saw_scores = {}

foriinrange（len（users_names））：

items_users_saw_scores[users_names[i]] = []

items_users_saw[users_names[i]] = []

count = 0

sum = 0.0

forjinrange（len（items_names））：

# 用户对该视频隐性评分为正，表示真正看过该视频

ifdata_array[i][j] >0：

items_users_saw[users_names[i]].append（items_names[j]）

items_users_saw_scores[users_names[i]].append（[items_names[j]， data_array[i][j]]）

count += 1

sum += data_array[i][j]

ifcount == 0：

users_average_scores_list.append（0）

else：

users_average_scores_list.append（sum / count）

foriinrange（len（users_names））：

users_profiles[users_names[i]] = {}

forjinrange（len（labels_names））：

count = 0

score = 0.0

foriteminitems_users_saw_scores[users_names[i]]：

# 参数：

# 用户user1对类型label1的隐性评分： user1_score_to_label1

# 用户user1对其看过的含有类型label1的视频itemi 的评分： score_to_itemi

# 用户user1对其看过的所有视频的平均评分： user1_average_score

# 用户user1看过的视频总数： items_count

# 公式： user1_score_to_label1 = Sigma（score_to_itemi - user1_average_score）/items_count

# 该视频含有特定标签labels_names[j]

ifitems_profiles[item[0]][labels_names[j]] >0：

score += （item[1] - users_average_scores_list[i]）

count += 1

# 如果求出的值太小，直接置0

ifabs（score） <1e-6：

score = 0.0

ifcount == 0：

result = 0.0

else：

result = score / count

users_profiles[users_names[i]][labels_names[j]] = result

return （users_profiles， items_users_saw）

3.4  主要功能展示

3.4.1  开发环境搭建

系统环境搭建及其关键技术如表4所示。

3.4.2  系统主要功能展示

3.4.2.1  注册登录界面

新用户在系统登录页面在进行账号注册登录后，还需进行兴趣爱好的选择，为后续系统推荐更感兴趣的内容提供信息。用户注册登录页面如图10所示。

3.4.2.2   个性化视频推荐页面

系统首页会随机为用户推荐视频，用于获取用户的爱好需求，随着后续用户使用的深入，推荐的视频将更贴合用户的需求。个性化视频推荐页面如图11所示。

3.4.2.3  课程搜索

在系统课程搜索页面内使用搜索功能会出现与用户专业相关的标签，为用户搜索提供参考。随着用户使用数据的增多和推荐系统的优化，搜索功能会更加精准。课程搜索界面如图12所示。

3.4.2.4  个人空间

个人空间中可以看见正在学习的课程，也可以作为作者发布课程。个人空间中的课程按照直播课、线下课等进行分类。系统通过用户个人空间显示的关注人数、粉丝数、访问信息以及喜欢、收藏的课程、发布的动态完善用户画像模型，为用户提供更精准的课程学习视频推荐。个人空间页面如图13所示。

3.4.2.5  学习路线

系统根据用户需求、个性化推荐算法和学习路线算法，设计出符合用户需求的学习路线，向用户展示学习计划、已购课程和待学习课程，并提醒用户按时完成自己的学习计划。点击右上角的學习成长图标会显示用户的学习统计数据，如总学习时长、各课学习时长等，系统对用户学习过程进行监测，便于用户实时了解自身学习情况。学习路线页面如图14所示。

4  结  论

在“互联网＋”的环境下，用户画像作为资源信息推荐服务的设计工具，为课程学习视频个性化推荐服务提供了新的研究思路。本文利用用户画像技术对用户个人基础信息和其在网络交互系统内产生的行为记录信息进行数据挖掘，通过数据信息的发现与数据的提炼，结合基于内容和基于协同过滤的混合推荐算法，预测用户的资源需求，最终为用户推荐其可能感兴趣的课程学习视频。但目前就用户画像技术在课程学习视频个性化推荐领域的发展现状而言，仍面临诸多难题与挑战，例如如何科学、全面地描述学习者群体相似性与差异性以及网络爬虫限制导致数据局限性等具体问题。因此，在后续的研究中，仍需深入研究学习者群体对课程学习视频资源需求的发展趋势，仍需继续挖掘用户画像各属性之间的关联关系，并降低算法的时间复杂度，以更精准的方式进行个性化推荐。

参考文献：

[1] 马震.基于学习网络的学习资源个性化推荐研究 [J].中国教育信息化，2021（23）：77-80.

[2] 徐芳，应洁茹.国内外用户画像研究综述 [J].图书馆学研究，2020（12）：7-16.

[3] 高广尚.用户画像构建方法研究综述 [J].数据分析与知识发现，2019，3（3）：25-35.

[4] 周万珍，曹迪，许云峰，等.推荐系统研究综述 [J].河北科技大学学报，2020，41（1）：76-87.

[5] GOLDBERG D，NICHOLS D，OKI B M，et al. Using collaborative filtering to weavean information tapestry [J].Communications of the ACM，1992，35（12）：61-70.

[6] 沈丹阳.基于在线学习平台的学习分析和个性化推荐的研究 [D].北京：北京邮电大学，2021.

[7] 李雪婷，杨抒，赛亚热·迪力夏提，等.融合内容与协同过滤的混合推荐算法应用研究 [J].计算机技术与发展，2021，31（10）：24-29+37.

[8] 李乡儒，梁惠雯，冯隽怡，等.在线教育平台中个性化学习资源推荐系统设计 [J].计算机技术与发展，2021，31（2）：143-149.

[9] 魏玲，郭新悦.融合用户画像与协同过滤的知识付费平台个性化推荐模型 [J].情报理论与实践，2021，44（3）：188-193.

作者简介：陈玉帛（2002.03—），男，汉族，湖北襄阳人，本科在读，研究方向：电子商务；通讯作者：项慨（1977.10—），男，汉族，湖北武汉人，副教授，博士，研究方向：商务智能、移动计算；王顺驰（2002.06—），男，土家族，湖北恩施人，本科在读，研究方向：软件工程；何希（2002.02—），女，土家族，湖北恩施人，本科在读，研究方向：电子商务；李娅琴（2002.08—），女，汉族，湖北黄冈人，本科在读，研究方向：电子商务；邹正（2002.08—），男，汉族，湖北孝感人，本科在读，研究方向：计算机科学与技术；李玉婷（2002.07—），女，汉族，湖北黄冈人，本科在读，研究方向：电子商务。