基于协同过滤的农业平台学习资源个性化推荐方法探究

摘 要：由于传统方法未对不同用户之间的行为数据进行考虑，导致资源推荐满意度较低。为解决这一问题，提出基于协同过滤的农业平台学习资源个性化推荐方法研究。研究先引入影响值参数——Inf表示不同关联用户之间影响关系的大小，然后对时序评论和回复行为数据进行融合，构建农业平台用户资源兴趣矩阵，最后以此为基础，采用协同过滤方式实现资源推荐。在测试后发现所提方法具有良好的推荐效果，可以有效保障用户对推荐资源的满意度。

关键词：协同过滤 农业平台 学习资源 个性化推荐 用户画像 影响值参数 资源兴趣矩阵 兴趣资源交叉

中图分类号：G434

Exploration of Personalized Recommendation Method of Agricultural Platform Learning Resources Based on Collaborative Filtering

XU Yuanhong

School of Information Engineering， Henan Institute of Science and Technology， Xinxiang， He’nan Province， 453000 China

Abstract： Due to the lack of consideration of behavioral data between different users in traditional methods， the satisfaction with resource recommendations is relatively low. To address this issue， a personalized recommendation method for learning resources on agricultural platforms based on Collaborative Filtering is proposed. This study first introduces Influence Value Parameter - Inf， to represent the size of the influence relationship between different associated users. Then， the sequential comment and reply behavio222e025c0166d2a7a268cc7caa0516f6r data are fused to construct an agricultural platform user resource interest matrix. Finally， based on this， Collaborative Filtering method is used to achieve resource recommendation. After testing， it is found that the proposed method has good recommendation performance and can effectively ensure user satisfaction with recommendation resources.

Key Words： Collaborative Filtering; Agricultural platform; Learning resources; Personalized recommendation; User portrait; Influence Value Parameter; Resource interest matrix; Interdisciplinary interest resources

现阶段，农业平台学习资源涵盖了从基础知识到高级技术的广泛内容，包括种植技术、养殖方法、农产品加工、市场营销等多个方面[1]。这种多样性满足了不同学习者的需求。农业平台上的学习资源往往由农业领域的专家或权威机构提供，内容具有高度的专业性和准确性[2]。除此之外，许多农业平台提供了学习者之间的互动功能，如论坛、问答等[3]。这有助于学习者之间分享经验、解决问题，从而增强学习效果。个性化资源推荐能够根据学习者的特征和需求，为其提供量身定制的学习资源，从而满足其的个性化需求[4]。这有助于其更加高效地学习和掌握农业知识。从平台角度分析，这种良好的学习体验有助于增强学习者的学习动力和忠诚度。并且通过个性化资源推荐，平台可以更加合理地分配学习资源，确保优质资源得到充分利用。这也有助于提高平台的资源使用效率，实现资源的最大化利用。为此，本文提出基于协同过滤的农业平台学习资源个性化推荐方法研究，并通过对比测试的方式，分析测试了设计推荐方法的应用效果。

1农业平台学习资源个性化推荐方法设计

1.1用户画像构建

在传统的资源推荐方法中，大多是以用户的历史浏览资源信息以及相关操作行为为基础直接开展的，而实际上，不同用户就同一资源进行的行为之间是存在交叉关系的，并且这种关系具有明显的双向不对称属性特征。用户之间的兴趣资源不能直接作为双向推荐资源。结合上述问题，本文在为农业平台用户构建画像的过程中，引入了影响值参数——Inf，借助其表示不同关联用户之间影响关系的大小。在具体的农业平台用户画像构建过程中，本文主要以用户在平台中的时序评论和回复行为数据作为基础数据。其中，具体的Inf 可以表示为

式（1）、式（2）中，为在评论方面，用户i受到用户j的影响值参数，为在回复方面，用户i受到用户j的影响值参数，为在用户j评论之后，用户i也对相同农业平台学习资源进行评论的总次数，用户i受到用户j在评论方面的影响值，为在用户j回复之后，用户i也对相同农业平台学习资源的回复信息进行回复的总次数[5]。在上述基础上，本文在综合分析用户i受到用户j的影响大小过程中，对和进行有机整合，得到的结果可以表示为

式（3）中，为农业平台用户i受到用户j的综合影响，为在评论方面，用户i受到用户j的影响值参数权重，为在回复方面，用户i受到用户j的影响值参数权重。

以此为基础，对应农业平台用户i的画像（资源兴趣矩阵）可以表示为

式（4）中，表示考虑用户之间影响关系的农业平台用户i画像（资源兴趣矩阵），为农业平台用户i的初始画像（资源兴趣矩阵），为整体农业平台的用户影响关系矩阵。

按照上述所示的方式，实现对农业平台用户画像的构建，为后续的资源推荐提供执行基础。

1.2基于协同过滤的资源推荐

结合1.1部分为农业平台用户构建的画像，本文通过引入协同过滤机制，分析分析不同用户之间资源兴趣矩阵的交叉情况，实现对具体农业平台学习资源的推荐。其中，具体的实现流程如图1所示。

按照图1所示的方式，此流程主要分为5个步骤。

步骤1：根据用户对资源的兴趣矩阵划分情况，进行用户聚类。

步骤2：对于目标对象（即待推荐的用户），在其所在的类簇中，对不存在交叉关系的资源进行影响值分析，具体的计算方式如式（3）所示。通过这样的方式，为目标对象填补部分农业平台学习资源数据的空白，使得后续的近邻用户查找更加准确。

步骤3：在类簇中找到目标对象的近邻用户。由于近邻用户与目标对象具有相似的资源行为习惯和兴趣偏好，其资源兴趣矩阵对于目标对象的推荐结果具有重要影响。此处，本文采用皮尔逊相关系数计算目标对象与类簇内其他用户之间的相似度[6]，具体的计算方式可以表示为：

式（5）中，为目标对象与类簇内其他用户之间的相似度。根据计算结果，选取相似度最高的TOP-N用户作为近邻用户。

步骤4：基于近邻用户的资源兴趣矩阵，本文为目标对象生成推荐结果。

按照上述所示的方式，以用户为导向，借助协同过滤算法，为目标用户提供农业平台的个性化学习资源推荐服务，提升推荐的准确性和效率。

2 测试与分析

2.1 测试准备

为开展所提方法先进性的验证，本次以绿农网作为具体的测试平台开展验证。对测试平台的基本构架进行分析，其主要由前端用户界面、后端数据处理中心以及农业资源库三大核心部分组成。在此基础上，分析绿农网的学习资源配置情况，具体的资源类型包括文字资料、图片、视频教程、互动课程等多种形式，以此满足不同用户的学习需求。在开展具体的资源推荐过程中，为了能够更加客观地对本文设计方法的性能进行评价，分别设置杨柳青等人[5]提出的以极大熵为基础的资源个性化推荐方法和程娟娟等人[6]提出的以Vanilla算法为基础的资源推荐算法作为测试的对照组。对于具体的推荐测试，以平台中随机选择的100位用户为推荐对象，向每位用户推荐TOP-3资源，具体的推荐效果评价指标以满意度调查反馈结果为基准。以此为基础，开展实验研究。

2.2测试结果与分析

在上述测试环境的基础上，不同方法推荐资源用户反馈结果对比数据如表2所示（在表2中，有效反馈的用户人数共计96人，因此分别对其反馈结果963进行统计）。

结合表1进行分析，本文设计推荐方法对于推荐结果反馈为非常满意和满意的占比达到了82.99%，不满意的占比为3.47%，其中非常不满意的占比仅为1.04%。明显优于杨柳青等人[5]和程娟娟等人[6]提出的方法。由此可以得出结论，本文设计的基于协同过滤的农业平台学习资源个性化推荐方法具有良好的推荐效果，可以提高用户对推荐资源的满意度。

3 结语

开展个性化资源推荐对于提高农业平台学习资源的有效利用率具有重要价值。本文提出基于协同过滤的农业平台学习资源个性化推荐方法研究，通过收集和分析学习者的学习数据，建立精准的用户画像，从而实现个性化资源推荐的精准化和智能化。借助本文对于农业平台学习资源推荐方法的研究与设计，希望能够为提升农业资源的利用率带去积极的帮助。

参考文献

[1]郭利敏，付雅明.融合ReAct模式的图书馆大语言模型知识服务系统构建[J/OL].图书馆论坛，2024， 2（20）：1-10.

[2]王帅，马景奕，周远洋，等.基于情境感知和序列模式挖掘的气象学习资源推荐算法[J].气象科技， 2024，52（1）：37-44.

[3]刘莹，杨淑萍，张治国. Storm分布式计算框架下基于知识图谱的快速学习资源推荐[J].南京邮电大学学报（自然科学版），2024，1（30）：1-7.

[4]聂伟，郑冰树.基于UBCF算法在图书馆个性化资源推荐中的应用研究[J].电脑知识与技术，2023， 19（36）：22-24.

[5]杨柳青，王冲.基于极大熵的Web服务资源个性化推荐方法[J].计算机与现代化，2023（9）：32-37.

[6]程娟娟，宋彪，李微.基于Vanilla算法的数字化资源在线推荐算法[J].计算机仿真，2023，40（9）： 324-327，338.