基于用户行为特征的网络教学云平台资源个性化推荐方法

摘要：针对网络教学云平台的数据量大导致推荐的相关度低的问题，文章提出基于用户行为特征的网络教学云平台资源个性化推荐方法。该方法通过采集历史数据，筛选关键特征，结合K-中心聚类算法挖掘用户行为特征，建立与资源特征关联规则，结合偏好因子，为用户生成资源个性化推荐列表。实验测试结果表明，该方法推荐相关度高，满足平台实际应用需求。

关键词：资源推荐；个性化推荐；网络教学云平台；用户行为特征

中图分类号：TP391 文献标志码：A

0 引言

在教育领域，网络教学云平台的应用有效整合了教学资源，为学校提供在线教学资料。但教学云平台拥有海量教学资源，如何获取所需资源成为难题。聂伟等［1］基于用户协同过滤的资源推荐，侧重历史数据，忽视兴趣动态性，导致推荐结果相关度低。刘丽娜［2］用数据挖掘分析用户行为特征，构建个性化推荐模型，但用户浏览数据稀疏，影响推荐效果。因此，本研究基于用户行为特征的网络教学云平台资源个性化推荐方法，实现个性化推荐［3］。

1 网络教学云平台资源个性化推荐方法设计

1.1 挖掘网络教学云平台用户行为特征

考虑提取的相关用户行为数据存在量纲差异，对提取的数据进行归一化处理，公式［4］为：

式中，x为用户行为数据；x′为提取的原始用户数据；xmax和xmin为原始数据集的最大值和最小值。

采用K-中心聚类算法对处理后的用户行为数据进行聚类分析。用户行为数据的相似度公式为：

式中，xi和xj为2个随机用户行为数据；i和j为数据标签；S（xi，xj）为数据间的相似度；N为提取后的用户行为数据总量；w为数据的核心元素；α为核心元素所占的权重。

根据上述公式，本文将满足聚类阈值的数据进行聚类处理。定义聚类中心的数量为K，数据聚类处理公式为：

式中，L为聚类的用户行为数据簇；μ为设定的聚类边界阈值。

基于聚类行为数据，挖掘各聚类簇的用户行为特征。挖掘提取公式为：

式中，X为用户行为特征；c为特征标签；T为数据聚类簇的时序特征。

1.2 定义行为特征与资源特征的关联规则

基于挖掘用户行为特征，本文采用关联规则算法建立与教学资源特征的关联关系。将挖掘用户行为特征作为关联规则算法的事务数据库，项目集合公式为：

上述建立的项目集合有唯一标识符，定义该项目集合与资源特征事务集的关联规则，公式为：

定义关联规则添加置信度。置信度的设定公式为：

式中，C为关联规则的置信度；T为用户行为特征项目集合的标识符；D为事务百分比。

1.3 个性化推荐网络教学云平台资源

根据云平台用户所关联的资源特征，分析个性偏好因子。以用户账号ID为基准，将关联的网络教学云平台资源特征转换为邻居节点，节点向量加和公式为：

E=∑（a，b，e）π（a，b，e）（8）

式中，E为邻居节点向量加和；a为用户ID数据；b为用户行为特征数据实体；e为关联资源特征数据实体。

根据计算的邻居节点向量加和，定义用户的个性偏好因子公式为：

式中，P（a）为用户a的个性偏好因子；φ为权重系数。

2 资源推荐实践

2.1 云平台资源数据及用户数据

依托的网络教学云平台已运行3年，数据量充 足，支持本次资源个性化推荐测试。平台共有10万余条资源数据，涵盖多学科和资源类型，具体如表1所示。

该网络教学云平台有3145名学生用户记录，数据按2∶1∶1比例分为训练集、测试集和实验集，用于模型训练、方法可行性和有效性测试。

2.2 结果分析与讨论

随机选用测试集中的网络教学云平台的用户数据进行分析，采用本文方法进行资源的个性化推荐。

选用的10名云平台用户的行为记录如表2所示。

根据上述数据及用户浏览内容，采用本文方法分析行为特征，推荐个性化资源，个性化推荐结果如表3所示。

如表3所示，本文方法为用户推荐不同的教学资源，个性化程度较好。采用聂伟等［1］和刘丽娜［2］方法做对比进行相同用户推荐测试，结果如图1所示。

由图1可知，随着用户数增加，聂伟等［1］和刘丽娜［2］方法相关度下降，而本文方法保持高相关度，说明在大规模个性化推荐中，本文方法更有效。

3 结语

本文基于网络教学云平台实际应用，提出用户行为特征驱动的资源个性化推荐方法。实践测试显示，该方法在资源推荐中有较高相关度，能匹配用户需求与偏好。后续研究将加入用户反馈机制，动态调整推荐内容，以提升资源推荐的准确性和平台性能。

参考文献

［1］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（36）：22-24.

［2］刘丽娜.基于数据挖掘的公选课资源共享个性化推荐模型研究：以广东省民办院校为例［J］.安徽电子信息职业技术学院学报，2023（4）：20-23，28.

［3］孙成霞.基于知识图谱的工商管理线上教学资源个性化推荐方法［J］.信息与电脑（理论版），2023（22）：217-219.

［4］翟小乐，蒋丽铭，任云鹏.基于协同过滤的高校图书馆数字资源个性化推荐方法［J］.信息与电脑（理论版），2023（9）：96-98.

Personalized recommendation method of cloud platform resources for network teaching

based on user behavior characteristics

Abstract： The problem of low relevance of recommendations due to the large amount of data on online teaching cloud platforms. This article proposes a personalized recommendation method for online teaching cloud platform resources based on user behavior characteristics. By collecting historical data to filter key features， combining K-center clustering algorithm to mine user behavior characteristics， establishing association rules with resource features， and combining preference factors， a personalized resource recommendation list is generated for users. Experimental testing shows that this method has high recommendation relevance and meets the practical application needs of the platform.

Key words： resource recommendation; personalized recommendation; network teaching cloud platform; user behavior characteristics