協(xié)作學(xué)習(xí)環(huán)境下學(xué)習(xí)推薦算法的研究.pdf

1、電子商務(wù)的發(fā)展促進(jìn)了推薦領(lǐng)域的不斷進(jìn)步，推薦系統(tǒng)的不斷升級，推薦算法的不斷完善，也使得越來越多的人體會到推薦給自己帶來的便捷，讓更多的研究者投入到推薦系統(tǒng)的研究中。同樣，在線教育的進(jìn)步與改善，也使得推薦系統(tǒng)逐漸在在線協(xié)作學(xué)習(xí)平臺中發(fā)揮作用。但隨著用戶數(shù)與資源數(shù)的急劇增加，在線協(xié)作學(xué)習(xí)與推薦算法都暴露出了各自的缺陷，在線協(xié)作學(xué)習(xí)不再能對學(xué)習(xí)者提供個性化的學(xué)習(xí)，推薦系統(tǒng)也大大降低了其有效性與準(zhǔn)確性，這嚴(yán)重影響了學(xué)習(xí)者在協(xié)作學(xué)習(xí)平臺中的學(xué)習(xí)體

2、驗(yàn)與學(xué)習(xí)效率。為此，筆者將協(xié)作學(xué)習(xí)環(huán)境的特點(diǎn)與協(xié)同過濾推薦算法的特點(diǎn)結(jié)合并拓展，提出了一種適合在協(xié)作學(xué)習(xí)環(huán)境中應(yīng)用的協(xié)同過濾推薦算法。這不僅更好地體現(xiàn)了協(xié)作學(xué)習(xí)中的“個性化學(xué)習(xí)”特點(diǎn)，還為協(xié)同過濾推薦算法計算用戶相似度與提高推薦精確度方面提供了較大支持。
　　在本文中，筆者分析了協(xié)作學(xué)習(xí)環(huán)境中學(xué)習(xí)者與學(xué)習(xí)資源的特點(diǎn)后，提取出了關(guān)于學(xué)習(xí)者與學(xué)習(xí)資源的幾個重要的屬性值，然后各個屬性值按相關(guān)的理論劃分等級后映射為一個個單獨(dú)的數(shù)學(xué)集合，這

3、樣就為計算機(jī)識別與處理提供了較大的方便。進(jìn)一步地，利用學(xué)習(xí)者的屬性構(gòu)建出了學(xué)習(xí)者屬性矩陣，通過學(xué)習(xí)者屬性矩陣的相似度和用戶評分矩陣的相似度來得出學(xué)習(xí)者之間的綜合相似度。此外，筆者也充分考慮到時間對于推薦工作的影響，即與推薦時間越接近的興趣越重要。由此，筆者提出了一個時間函數(shù)來應(yīng)用到最終的推薦工作中，對不同的相似用戶實(shí)現(xiàn)不同程度上的加權(quán)，這對推薦算法的改進(jìn)做出了較大貢獻(xiàn)，也是論文的又一特色。
　　在實(shí)驗(yàn)中，筆者在仿真平臺中利用模擬數(shù)