ｎｄｕｓｔｒｙ ｆｏｃｕｓ智慧城市 建立分值等级１—５分， 的大小表明用户对该在线学习课程 存在的。对于一个新的课程首先出现的时候，因为没有用 的兴趣程度，值越大说明选择学习这门课程的用户越多， 户对它作过任何评价，所以协同过滤无法对其进行预测评 每位用户对在线学习这门课程的评分或每门在线学习课程 份，推荐的准确性也比较差。对于新的在线学习课程未进 的得分都采用行或列向量表示。 行评分推荐，我们可以借鉴基于内容的推荐来缓解新课程 ２．２近邻集选择。生成“喜好近邻”集：基于协同过 选修问题。 （３）适用性问题。基于协同过滤推荐系统在向 滤选修课程推荐系统的核心，就是计算用户之间在线学习 用户推荐在线学习课程时，用户并不了解此课程的内容， 课程的相似度，并建立兴趣相似的用户近邻群体。一般依 结果推荐的课程是己学习过的内容，而且这种情况肯定会 据所学科目在线课程的类别等相关属性建立相关联规则， 大量存在，造成推荐的效果适用性不强。对于此类问题我 充分挖掘隐式数据的相似关联。目前衡量用户间相似性 们利用协同过滤技术与内容过滤技术相结合的混合模式， 的方法主要包括：相关相似性（Ｃｏｒｒｅｌａｔｉｏｎ）：通常采用 基于内容过滤根据在线学习课程内容与用户兴趣建立用户 Ｐｅｒｓｏｎ相关系数试题，设用户甲ｉ和用户乙ｉ对某门在线学习 兴趣模型，然后同特征向量间的相似性产生推荐。内容过 课程进行评价用Ｓ；ｉ表示，则用户甲ｉ和用户乙ｊ间的相似性 滤技术对所有在线课程的关键词、课程简介等信息量进行 用ｓｉｍ（ｉ，ｉ）表示： 过滤，每一位用户完全是选择，并没有考虑其它用户 ∑（７： 一 ） 一 ） 的兴趣爱好，也没有对在线学习课程进行评分等级进行评 “√ 莉 ㈤ 估。根据相似度高就推荐给类似用户，对于一些没有评价 的选修课程或新开设的在线学习课程进行推荐，并要求用 上述公式中Ｔｉ．。表示用户ｉ对在线学习课程ｃ的评估分 户对推荐的结果进行实时评价，完善系统的评价级选项。 值，Ｔｉ。。表示用户ｊ对在线学习课程（，的评估分值， 和 分 内容过滤依赖于在线学习课程关键词、课程简介的 别表示用户ｉ与用户ｉ的平均评分。 内容提取特征所以也存在一些问题： （１）在线学习课程 ２＿３产生推荐。根据“喜好近邻”集产生推荐主要从 特征有限，管理员对在线学习课程内容介绍太简单，提取 两个方面实现推荐结果， （１）当前用户ｉ对任意在线学习 不到有效的特征项，在设计系统时可以规定其选项来完善 课程的兴趣度的预测值； （２）给用户ｉ推荐其最喜好的Ｎ 有效的特征向量的提取； （２）浏览资源狭窄，在线学习 门课程，记为Ｉ ，其中Ｉｆ］ｌ ＝ ，即为Ｔｏｐ．Ｎ推荐集。 资源推荐系统依赖于用户浏览过的在线学习课程来进行推 对于当前用户ｉ对任意在线学习课程的兴趣度的预测值 荐，系统得不到最符合的用户喜好课程信息，造成推荐资 的计算，假设用户ｉ的在线学习课程集为Ｉ ，则其对任意在 源局限。 （３）课程学习效果，有些用户在在线学习某些 线学习课程项ｔ，（ｔ《Ｉ ）的喜好程度的预测值计算用如下通用 课程完全根据自己喜好来选择，但有些在线学习课程需要 公式４所示： 遵循先易后难、先基础后专业的顺序来学习。而内容过滤 ∑（ｓｉｅｒ『）ｘ（ 一 ） 未考虑类似情况，用户基础参差不齐对于在线学习资源的 ｐｒｅｄｉｃｔｉｏｎ－－ ｉ＋ —— ——一 （４） 选取带来一定得难度。所以，为完善选课系统的推荐功 ∑ｓ● ｉｍ 能，要求用户在选在线学习课程时判别是否已经在线学习 ， 过了基础课程，只有在线学习了基础课程以后才能允许选 上述公式中 是用户对课程项ｔ的平均推荐值，ｊ是相似 择后续课程，否则不给予推荐。 喜好的邻近集中的学生。ｓｉｍ；是代表用户ｉ 与用户Ｊ之间的相 协同过滤从某些方面正好弥补内容过滤技术存在的问 似度，ｃｏｕｒｊ是用户ｉ对选修课程项ｔ的推荐评估值。 是用户 题，对于一些在线学习课程协同过滤充分利用用户的评价信 ｉ对选修课程项ｔ的平均推荐评估值。 息，在线学习资源推荐系统要求在线学习过了过此门用户进 ３基于协同过滤的在线学习资源系统 行评价，给不同在线学习课程进行不同级别的评判。在过滤 近几年从用户在线学习课程数据来看，协同过滤技术 阶段系统对同喜好的用户群体用学习时间、学习效果等参数 推荐系统的缺陷主要有这几个问题： （１）稀疏性问题。 来进行课程推荐，使用户在线学习课程得到帮助。 基于协同过滤技术的推荐系统产生推荐主要依赖于用户的 ４结束语 兴趣评估数据，从而会发生对于某门在线学习课程评价稀 综上所述，有效的提高在线学习资源推荐系统的推荐 疏问题。每一批次的用户兴趣是不同的，这将导致用户间 功能，为用户提供更好的在线学习课程推荐服务。统一内 的相似度计算不准确。我们必须设计推荐系统时考虑对在 容过滤和协同过滤的优缺点科学设置在线学习课程间的相 线学习课程评价的准确性，扩充对在线学习课程评价的完 关性，并根据学科间在线学习课程的目标，结合用户对在 整性。 （２）新在线学习课程问题。在线学习课程从一方面 线学习课程的建议和意见，给出优化用户选课的知识体系 是为用户扩充专业外的知识，所以新旧课程的交替是肯定 评价，从而达到完善网上学习资源推荐系统。 参考文献： ． ［Ｉ】郑先荣，曹先彬．线性逐步遗忘协同过滤算法的研究［Ｊ】．计算机工程，２００７（０６）：７２—７４． ［２］邢春晓，高凤荣，战思南．适应用户兴趣变化的协同过滤推荐算法［Ｊ】．计算机研究与发展，２００７（Ｏ２）：２９６—３０１． 作者简介：李娜，女，湖南长沙人，本科，硕士，讲师，研究方向：动画设计、网页设计。 作者单位：湖南商务职业技术学院电信系，长沙４１ ０２Ｏ５ ＣＤ Ｓｏｆｔｗａｒｅ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ ｌ ２
