基于组合推荐技术的学习资源个性化推荐研究摘要：通过调查发现，e-learning支持系统无法有效地向学习者个性化地推荐学习资源。

为了进一步提高推荐系统的性能，本文尝试将协同过滤推荐技术引入学习资源的个性化推荐研究中。

协同过滤推荐技术是一种应用最为广泛的个性化推荐技术，然而其面临着冷启动、数据稀疏性问题、规模可扩展性等问题。

本文通过介绍协同过滤推荐技术的工作原理、实现方法及存在问题，提出了一个优化的基于协同过滤技术的学习资源个性化推荐系统的理论模型，重点讨论了隐式评分机制和算法的实现，以提升推荐系统的实时响应和推荐精度。

关键词：协同过滤；组合推荐技术；学习资源；个性化推荐
中图分类号：tp311.52 文献标识码：a 文章编号：1007-9599 （2013） 03-0000-03
1 引言
e-learning已经成为一种新颖的学习方式。

这种学习方式使得任何学习者在任何地点任何时间都可以开展学习活动，适应了灵活的开放式学习环境[1]。

然而由于它忽略学习者的个性化特征，使得学习者对e-learning课程的满意度持续下降，学习者的数量快速减少[2，3]。

为了解决这一问题，学习资源推荐系统应运而生。

推荐系统将根据用户的个性化特征主动地为他们提供可能感兴趣的或者需要的学习资源[4]，从而提高推荐系统的推荐精度和推荐
效率。

目前的研究主要集中在对推荐技术如协同过滤技术、基于内容过滤技术、混合推荐技术的研究上[5-8]，随着学习者和信息量的激增，推荐精度和速度就成为推荐系统能否留住用户的两个首要的因素。

本文的组织结构如下：首先，简单概述了协同过滤技术的工作原理、实现方法及存在问题；其次，提出了一种解决方案和框架；最后，强调了该种方法的优势。

2 预备知识
2.1 协同过滤技术概述
协同过滤推荐需要根据用户对资源的评分分析资源内容、计算资源和用户的匹配度，从而产生用户推荐，它倾向于从用户间的关联来推测单个用户的兴趣。

协同过滤算法是基于这样的假设：为当前用户找到他真正感兴趣的内容的好方法是首先找到与此用户有相似兴趣的其他用户，然后将他们感兴趣的内容推荐给此用户。

因此，协同过滤技术最为重要的步骤就是计算用户之间的相似度和找出最近邻居。

2.2 协同过滤技术存在的缺陷
由以上可见，基于协同过滤算法的推荐系统在很大程度上依赖相似用户的评分，这将会导致数据稀缺性的问题[9]，一方面难以成功的定位邻居用户集，另一方面相似度计算的耗费也很大，最后产生的推荐效果也是不理想的。

同时，对于一个新注册的用户和新
加入的资源来说，由于系统中没有该用户和该资源的任何资源访问记录和评分记录，所以系统无法为其找到用户邻居集，更无法对其进行推荐，这种“0评分”情况构成了协同过滤算法的“冷启动”问题。

3 本文的工作
3.1 解决方法
首先，“数据稀疏”问题目前有两种主要的解决方法：一种是缺省值法，就是对用户未评分的项目统一设置一个固定的缺省值，这个方法可以在一定程度上缓解数据稀疏问题；一种是项目评分预测法，通过计算学习资源之间的相似性，由用户对相似项目的评分来推测用户对未评分项目的评分，使得用户之间共同评分的项目比较多，从而有效地解决传统相似性度量方法存在的不足[10]。

其次，引入内容过滤能在一定程度上缓解“冷启动”问题。

具体实现方法是：设置一个阈值，作为选择进行评分预测或者内容过滤的临界值。

当数据稀疏度小于阙值时，即可认为系统处于“冷启动”状态，此时选择内容过滤修正协同过滤算法。

3.2 个性化推荐模型结构
（1）数据支持
数据支持是一个信息数据库，包括用户信息表、学习资源信息表、学习行为记录数据表、用户评分数据表。

（2）组合过滤推荐引擎
推荐引擎是推荐系统的核心模块。

整个算法流程是：首先分析数据信息库，形成用户—资源评分矩阵；其次，确定数据稀疏度，并根据数据稀疏度值选择应该使用何种方法修正协同过滤算法。

令数据稀疏度=用户-资源已评分条目/（用户数×资源数）。

然后，设置一个阈值作为选择进行评分预测或者内容过滤的临界值。

当数据稀疏度小于阙值时，即可认为系统处于“冷启动”状态，此时选择内容过滤修正协同过滤算法。

否则将采用评分预测算法进行修正；最后对用户产生推荐。

（3）新进资源推荐
它通过分析每个学习者的个性化特征，并为其推荐相关领域的最新资源，提高最新资源的被点击率。

协同过滤推荐是建立在用户对资源的评分上的，但是一个刚加入资源库的资源由于系统中没有该资源的任何资源访问记录和评分记录，系统将无法为其找到用户邻居集，更无法对其进行推荐。

新增这一模块，能有效克服协同过滤中的冷启动问题，提高新入库的学习资源被访问的机率。

4 结论与未来研究展望
近年来，协同过滤推荐技术在e-learning系统中取得了较为成功地应用。

本文通过分析协同过滤推荐技术存在的问题，提出了一个优化的基于协同过滤技术的学习资源个性化推荐系统的理论模型，重点讨论了隐式评分机制和算法的实现。

针对协同过滤推荐技术的不足，已经提出了多种推荐组合策略。

本文通过探索性研究，认为从推荐技术的发展来看，一方面应该深入探讨更加有效的组合推荐策略，另一方面，有效跟踪用户的学习行为的动态变化并将其考虑到隐式评分中去，进一步优化已有的推荐技术，并开发e-learning资源个性化推荐系统。

参考文献：
[1]任宇.e-learning个性化系统的推荐策略研究—来自电子商务推荐系统的启示[d].东北师范大学硕士学位论文，2010，5.
[2]boucher-rayan p d，bridge d.collaborative recommendation using formal concept
analysis[j].knowledge-based systems，2006（19）：309-315.
[3]frankola k.why online learners drop
out[j].workforce-costa mesa，2001，80（10）：52-61.
[4]杨焱，孙铁利，邱春艳.个性化推荐技术的研究[j].信息工程大学学报，2005，6（2）.
[5]王艳侠，董东，康振科.基于cbr和madm的多agent推荐系统[j].计算机工程与设计，2011，1：157-161.
[6]huang l h，huang w l.handling sequential pattern decay：developing a two-stage collaborative recommend
system[j].electronic commerce research an applications，2009，8（3）：117-129.
[7]christakos c，stafylopatis a.hybrid movie recommender
system based on neutral networks[c].proceedings of 5th international conference on intelligent system design and applications.washington：ieee computer society，2005
[8]王永固，邱飞岳，赵建龙，刘晖.基于协同过滤技术的学习资源个性化推荐研究[j].远程教育杂志，2011，1672-0008（11）03-0066-06.
[9]王莉红.电子商务环境下协同过滤推荐方法的应用分析与研究[d].上海师范大学硕士学位论文，2005，4，30.
[10]邓爱林，朱杨勇，施伯乐.基于项目评分预测的协同过滤推荐算法[j].软件学报，2003，14（09）：1621-1627.。