基于協(xié)同過濾技術(shù)的在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)研究*

□孫 歆 王永固 邱飛岳

基于協(xié)同過濾技術(shù)的在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)研究*

□孫 歆 王永固 邱飛岳

在線學(xué)習(xí)資源建設(shè)已經(jīng)成為了當(dāng)今數(shù)字化學(xué)習(xí)研究的熱點(diǎn)問題.本文以學(xué)習(xí)過程中學(xué)習(xí)者學(xué)習(xí)行為和在線學(xué)習(xí)資源的特點(diǎn)為基礎(chǔ),結(jié)合協(xié)同過濾算法,設(shè)計(jì)了基于協(xié)同過濾技術(shù)的在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)模型.實(shí)踐證明,該模型可以更好地為學(xué)習(xí)者創(chuàng)造數(shù)字化學(xué)習(xí)環(huán)境,提高學(xué)習(xí)者的自主學(xué)習(xí)效率.

協(xié)同過濾;個(gè)性化推薦;學(xué)習(xí)行為;自主學(xué)習(xí)

一、引言

E-learning作為一種基于計(jì)算機(jī)通信技術(shù)的學(xué)習(xí)方式,可以最大限度地利用網(wǎng)絡(luò)教學(xué)資源,學(xué)習(xí)者在學(xué)習(xí)過程中不必受到時(shí)空環(huán)境的限制,隨時(shí)隨地根據(jù)自身需要進(jìn)行自主學(xué)習(xí).這種新型的學(xué)習(xí)形式目前已經(jīng)廣泛的應(yīng)用于各種在線課堂教學(xué)和技能培訓(xùn)領(lǐng)域.雖然E-learning教學(xué)資源建設(shè)已經(jīng)取得了階段性成果,但是主要有以下幾個(gè)問題:(1)資源數(shù)量爆炸性增長(zhǎng).如今在線學(xué)習(xí)資源數(shù)量繁多,資源的質(zhì)量和水平參差不齊,學(xué)習(xí)者往往無法辨別資源的優(yōu)劣,導(dǎo)致學(xué)習(xí)資源的利用水平并不理想.(2)資源種類多樣化.在線學(xué)習(xí)資源除了傳統(tǒng)的文本類型以外,還有聲音、圖像、視頻等多種媒體類型,媒體類型的不一致也給資源的搜索和歸類帶來了不便. (3)資源非線性呈現(xiàn).與傳統(tǒng)教學(xué)中的書本不同,在線學(xué)習(xí)資源一般以超文本鏈接聯(lián)系各個(gè)知識(shí)點(diǎn),學(xué)習(xí)者以非線性的方式進(jìn)行學(xué)習(xí),知識(shí)點(diǎn)的"跳躍性"也容易讓學(xué)習(xí)者在學(xué)習(xí)時(shí)產(chǎn)生迷茫感.以上問題使得目前很多的E-learning系統(tǒng)無法根據(jù)不同學(xué)習(xí)群體的不同學(xué)習(xí)特征來提供個(gè)性化的學(xué)習(xí)支持服務(wù).隨著人們對(duì)在線學(xué)習(xí)資源認(rèn)識(shí)的不斷深入,具有智能分析技術(shù)的在線學(xué)習(xí)資源系統(tǒng)將是未來資源建設(shè)發(fā)展的趨勢(shì)之一.由于學(xué)習(xí)者群體的特殊性,每位學(xué)習(xí)者都有其潛在的學(xué)習(xí)興趣,協(xié)同過濾技術(shù)可以幫助學(xué)習(xí)者快速地發(fā)現(xiàn)有價(jià)值的資源,自主選擇學(xué)習(xí)內(nèi)容,根據(jù)自身的興趣度來完善知識(shí)體系.因此,本文將協(xié)同過濾技術(shù)手段和在線學(xué)習(xí)資源的特征相結(jié)合,從學(xué)習(xí)者自主學(xué)習(xí)的角度來構(gòu)建滿足學(xué)習(xí)者個(gè)性化需要的在線學(xué)習(xí)資源系統(tǒng).

二、文獻(xiàn)綜述

個(gè)性化推薦是對(duì)用戶的興趣、愛好、行為進(jìn)行分析和建模,根據(jù)分析得出的結(jié)果給用戶提供"個(gè)性化"、"定制化"的服務(wù),以解決目前互聯(lián)網(wǎng)中信息過載這一問題.目前,個(gè)性化推薦技術(shù)可以分為內(nèi)容過濾推薦、規(guī)則過濾推薦和協(xié)同過濾推薦.

1.內(nèi)容過濾推薦技術(shù)

基于內(nèi)容的推薦是較早提出的一種推薦技術(shù),該算法的原理是利用概率或者機(jī)器學(xué)習(xí)技術(shù)將用戶的已有興趣表示為模型,然后與資源進(jìn)行比較,通過兩者之間的相似程度來為用戶進(jìn)行推薦.

2.規(guī)則過濾推薦技術(shù)

基于規(guī)則的推薦是將推薦規(guī)則事先進(jìn)行保存,然后通過這些規(guī)則對(duì)用戶進(jìn)行推薦.規(guī)則過濾推薦系統(tǒng)中規(guī)則的質(zhì)量和數(shù)量決定了推薦的效果,從本質(zhì)上說規(guī)則就是"if-else"類型的語句,這些語句分別描述了不同情境下以何種方式進(jìn)行推薦.

3.協(xié)同過濾推薦技術(shù)

協(xié)同過濾技術(shù)最早于1992年出現(xiàn)在Tapestry系統(tǒng)中,當(dāng)時(shí)主要用于解決電子郵件系統(tǒng)的篩選問題.隨著協(xié)同過濾技術(shù)的發(fā)展,協(xié)同過濾技術(shù)在商業(yè)領(lǐng)域取得了較大成功.國(guó)外最具代表性的協(xié)同過濾系統(tǒng)有Amazon和Facebook的廣告系統(tǒng),Amazon是根據(jù)用戶購(gòu)買和查看圖書的記錄來為其推薦可能感興趣的書籍,Facebook則是依托其龐大的用戶群,根據(jù)朋友間的興趣來進(jìn)行廣告營(yíng)銷.與國(guó)外相比,國(guó)內(nèi)的協(xié)同過濾系統(tǒng)研究起步較晚,目前國(guó)內(nèi)比較成熟的協(xié)同過濾系統(tǒng)主要有當(dāng)當(dāng)網(wǎng)和豆瓣猜.當(dāng)當(dāng)網(wǎng)和A-mazon的功能類似,同樣是用于圖書商品的推薦,豆瓣猜是通過分析用戶讀書記錄來預(yù)測(cè)用戶可能喜愛的書籍.協(xié)同過濾技術(shù)為網(wǎng)站增加了收入來源,增強(qiáng)了用戶體驗(yàn)度,受到了用戶的好評(píng).

以上三種個(gè)性化推薦技術(shù)的優(yōu)缺點(diǎn)如表1所示.

表1 個(gè)性化推薦技術(shù)分類及其優(yōu)缺點(diǎn)

協(xié)同過濾技術(shù)從算法上分類可以分為基于用戶的(User-based)協(xié)同過濾算法和基于項(xiàng)目的(Item-based)協(xié)同過濾算法.基于用戶的協(xié)同過濾算法認(rèn)為相似用戶評(píng)價(jià)的項(xiàng)目之間存在相似性,可以以此來預(yù)測(cè)某個(gè)用戶對(duì)該項(xiàng)目可能的評(píng)價(jià);基于項(xiàng)目的協(xié)同過濾算法則采用計(jì)算項(xiàng)目之間相似度的方法來預(yù)測(cè)用戶對(duì)其他項(xiàng)目的評(píng)價(jià).

圍繞協(xié)同過濾技術(shù)算法,國(guó)內(nèi)外研究人員從個(gè)性化推薦的角度進(jìn)行了一系列的研究工作.關(guān)于User-based算法,2009年Xia提出了一個(gè)改進(jìn)的User-based協(xié)同過濾算法[1],在算法中引入用戶加權(quán)值,來提高算法的準(zhǔn)確度;2010年,Robert和Istvan將分布式技術(shù)與User-based協(xié)同過濾算法相結(jié)合,提出了一個(gè)完全的分布式推薦系統(tǒng)[2];Zhao和Shang提出了一個(gè)云平臺(tái)的用戶協(xié)同過濾算法,提高了協(xié)同過濾算法的可擴(kuò)展性能[3];Mu和Chen在User-based協(xié)同過濾算法基礎(chǔ)上引入了猶豫度概念(Hesitation Degree)來提高協(xié)同過濾算法的準(zhǔn)確性[4].關(guān)于Item-based算法,2009年,Luo和Tian采用slope-one方案來應(yīng)對(duì)協(xié)同過濾中的評(píng)級(jí)矩陣稀疏性問題[5];2011年,Lei和Junzhong將用戶從眾的心理和一般用戶評(píng)價(jià)心理區(qū)分開來,采用均衡的基于項(xiàng)目的預(yù)測(cè)方法來對(duì)項(xiàng)目進(jìn)行評(píng)價(jià)預(yù)測(cè)[6]; Gao和Wu以Userrank排名的數(shù)據(jù)模型為基礎(chǔ)計(jì)算項(xiàng)目之間的差異性,提高算法的推薦質(zhì)量[7].以上研究工作的重點(diǎn)是從協(xié)同過濾的算法效率和擴(kuò)展性的角度來提高個(gè)性化推薦的精度,而對(duì)于學(xué)習(xí)者進(jìn)行在線學(xué)習(xí)時(shí)產(chǎn)生的學(xué)習(xí)行為特殊性并沒有給予太多的關(guān)注.鑒于以上問題,本文的研究重點(diǎn)是設(shè)計(jì)出一個(gè)基于協(xié)同過濾技術(shù)的在線學(xué)習(xí)資源模型,該模型能夠利用協(xié)同過濾技術(shù)的突出優(yōu)點(diǎn),分析學(xué)習(xí)者的學(xué)習(xí)行為特征,為學(xué)習(xí)者推薦出可能感興趣的學(xué)習(xí)資源,提高在線資源的利用率,促進(jìn)學(xué)習(xí)者完成知識(shí)的加工和建構(gòu).

三、基于協(xié)同過濾技術(shù)的在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)模型

通過對(duì)國(guó)內(nèi)外研究成果進(jìn)行分析,本文將學(xué)習(xí)者在線學(xué)習(xí)過程中的學(xué)習(xí)行為與在線學(xué)習(xí)資源特點(diǎn)作為設(shè)計(jì)基于協(xié)同過濾技術(shù)的數(shù)字化學(xué)習(xí)資源模型的依據(jù),在強(qiáng)調(diào)學(xué)習(xí)者自主學(xué)習(xí)的基礎(chǔ)上結(jié)合協(xié)同過濾技術(shù)算法,形成一套基于協(xié)同過濾技術(shù)的在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)模型,如圖1所示.該模型中最重要的部分有3個(gè):學(xué)習(xí)者行為日志和學(xué)習(xí)資源庫(kù)、數(shù)字化模型以及協(xié)同過濾引擎.

1.學(xué)習(xí)者行為日志

由于學(xué)習(xí)者在線學(xué)習(xí)的過程中不僅僅是對(duì)學(xué)習(xí)資源庫(kù)中資源的簡(jiǎn)單提取,同時(shí)會(huì)產(chǎn)生收藏、下載、瀏覽和評(píng)價(jià)等學(xué)習(xí)行為.這些學(xué)習(xí)行為顯性或隱性地表現(xiàn)了其學(xué)習(xí)興趣,所以在該模型中,我們將學(xué)習(xí)者的學(xué)習(xí)行為收集并記錄下來,挖掘?qū)W習(xí)者的學(xué)習(xí)行為軌跡,建立學(xué)習(xí)者的行為模型.

2.學(xué)習(xí)資源庫(kù)

學(xué)習(xí)資源是個(gè)性化推薦系統(tǒng)的基礎(chǔ).作為學(xué)習(xí)者學(xué)習(xí)資料的來源,學(xué)習(xí)資源庫(kù)提供了文本、音頻和視頻等資源供學(xué)習(xí)者學(xué)習(xí).由于資源庫(kù)中資源數(shù)量龐大,推薦系統(tǒng)對(duì)于每個(gè)資源都加入了社會(huì)化標(biāo)簽,標(biāo)簽的引入有助于對(duì)資源內(nèi)容進(jìn)行分類,實(shí)現(xiàn)資源的統(tǒng)一管理和高度共享.

3.協(xié)同過濾引擎

協(xié)同過濾引擎是個(gè)性化推薦系統(tǒng)的核心.該引擎將學(xué)習(xí)資源庫(kù)中帶有社會(huì)化標(biāo)簽的"孤立"資源關(guān)聯(lián)起來,并且將學(xué)習(xí)者行為模型數(shù)字化為學(xué)習(xí)權(quán)重值,選擇合適的推薦策略,產(chǎn)生候選推薦資源集,以多種媒體呈現(xiàn)的方式為學(xué)習(xí)者推薦其可能感興趣的學(xué)習(xí)資源.協(xié)同過濾引擎能夠有效地解決目前學(xué)習(xí)資源建設(shè)水平低,不利于學(xué)習(xí)者搜索等問題,保證了個(gè)性化推薦的質(zhì)量.

四、基于協(xié)同過濾技術(shù)的在線學(xué)習(xí)資源個(gè)性化推薦算法

協(xié)同過濾算法基于以下假設(shè):(1)用戶之間的興趣是具有相似性的.(2)由于用戶對(duì)資源的操作評(píng)價(jià)包含了他們的興趣偏好,所以我們以此來作為對(duì)其他用戶預(yù)測(cè)項(xiàng)目的依據(jù)來源.傳統(tǒng)的協(xié)同過濾算法主要分為三個(gè)步驟:獲取用戶-項(xiàng)目信息、計(jì)算查找相似用戶集、產(chǎn)生推薦結(jié)果.協(xié)同過濾技術(shù)主要依賴于用戶對(duì)項(xiàng)目的操作和評(píng)價(jià),可以篩選出從內(nèi)容和類型上難以區(qū)分的項(xiàng)目,用戶之間可以共享資源和經(jīng)驗(yàn),而且其自動(dòng)化和個(gè)性化的程度相比傳統(tǒng)推薦方式要高出很多.但是從以上步驟我們可以看出,傳統(tǒng)的協(xié)同過濾算法推薦結(jié)果依賴于用戶對(duì)項(xiàng)目的評(píng)分,當(dāng)用戶對(duì)項(xiàng)目的評(píng)分過少時(shí),推薦結(jié)果就會(huì)出現(xiàn)誤差,這也就是我們常說的矩陣稀疏性問題.

本文將協(xié)同過濾算法引入到數(shù)字化學(xué)習(xí)領(lǐng)域,針對(duì)矩陣的稀疏性問題提出了一種改進(jìn)的協(xié)同過濾算法.解決矩陣稀疏性問題的傳統(tǒng)方法主要是通過給矩陣添加默認(rèn)值,這種方法雖然能從一定程度上緩解矩陣的稀疏性問題,但是不能有效地對(duì)用戶的興趣傾向給出正確的分析.基于以上問題,本文給出的推薦算法的思路是在矩陣初始化時(shí),如果用戶對(duì)項(xiàng)目的評(píng)價(jià)較少,則挖掘用戶對(duì)資源的其他行為(如:瀏覽、收藏、下載等),將用戶的行為操作作為權(quán)重值加入到用戶相似性計(jì)算中,該算法與傳統(tǒng)的協(xié)同過濾算法相比,能夠有效地解決矩陣的稀疏性問題,推薦精度也有了大幅提高.

基于協(xié)同過濾技術(shù)的在線學(xué)習(xí)資源個(gè)性化推薦算法流程如圖2所示,在推薦過程中當(dāng)學(xué)習(xí)者-資源矩陣過于稀疏時(shí),該算法會(huì)對(duì)用戶行為進(jìn)行挖掘,填補(bǔ)矩陣稀疏的缺陷,以此提高推薦的精度.

1.獲取學(xué)習(xí)者-教學(xué)資源矩陣信息

首先將M個(gè)學(xué)習(xí)者對(duì)N個(gè)教學(xué)資源的評(píng)價(jià)轉(zhuǎn)化為分值(主要是學(xué)習(xí)者對(duì)學(xué)習(xí)資源的顯式評(píng)分),然后形成如表1所示的MN矩陣.其中第i行j列的Ei,j代表了第i個(gè)學(xué)習(xí)者對(duì)第j個(gè)教學(xué)資源的評(píng)分.

表2 學(xué)習(xí)者-學(xué)習(xí)資源評(píng)價(jià)矩陣

2.計(jì)算學(xué)習(xí)者-學(xué)習(xí)資源矩陣稀疏性

首先我們給矩陣稀疏性設(shè)定一個(gè)最小限定值Φ,然后計(jì)算矩陣的實(shí)際稀疏情況.

表3 學(xué)習(xí)者隱式行為分值

3.計(jì)算查找相似用戶集

在協(xié)同過濾算法中,計(jì)算查找相似的鄰居集是最為關(guān)鍵的一步,首先從表3取出中m個(gè)學(xué)習(xí)者對(duì)n個(gè)教學(xué)資源的評(píng)分,然后通過相似度計(jì)算方法計(jì)算出學(xué)習(xí)者之間的相似度.其中相似度計(jì)算方法主要有兩種:余弦相似性算法和修正的余弦相似性算法.

(1)余弦相似性算法是最為典型的相似性計(jì)算方法,過程是將用戶對(duì)項(xiàng)目的評(píng)分看做是n維的向量,然后通過計(jì)算其余弦的夾角來得出用戶之間的相似度,其具體算法如公式(1)所示.

(2)修正的余弦相似性算法將余弦相似性算法做出了修改,為了減少用戶主觀性引入用戶對(duì)項(xiàng)目平均評(píng)分的概念.在計(jì)算時(shí)將項(xiàng)目的評(píng)分減去該用戶對(duì)所有項(xiàng)目的平均評(píng)分.其具體算法如公式(2)所示.

本文將步驟2中的用戶行為權(quán)重值Θ加入到相似性算法中,形成了一種改進(jìn)的相似性計(jì)算方法,為加入權(quán)重值的學(xué)習(xí)者-資源評(píng)價(jià)數(shù)值,改進(jìn)的相似性算法如公式(3)所示.

相似度計(jì)算完成后將會(huì)得到與用戶相似度最為接近n個(gè)用戶的鄰居集Z={User_1,User_2,User_3,…User_n;}

4.產(chǎn)生推薦結(jié)果

一般根據(jù)上步得出的鄰居集中用戶對(duì)項(xiàng)目Itemn,s的評(píng)分,就可以預(yù)測(cè)出目標(biāo)用戶對(duì)該項(xiàng)目的評(píng)價(jià),并且產(chǎn)生最終的推薦結(jié)果.因?yàn)閷W(xué)習(xí)者學(xué)習(xí)和評(píng)價(jià)的風(fēng)格有所不同,所以本文采用如下推薦方式.

在公式(4)中Pj,k為推薦系統(tǒng)預(yù)測(cè)的學(xué)習(xí)者j對(duì)資源k的評(píng)分,為學(xué)習(xí)者j所有已經(jīng)評(píng)分分值的平均值,Z為上一步得出的最近鄰居集,最后取出相似度最高的N個(gè)資源,得出推薦結(jié)果,推送給學(xué)習(xí)者.

五、基于協(xié)同過濾技術(shù)的在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)應(yīng)用

本文在上述研究成果的基礎(chǔ)上,結(jié)合在線學(xué)習(xí)資源和協(xié)同過濾技術(shù)的特點(diǎn),設(shè)計(jì)開發(fā)了基于協(xié)同過濾技術(shù)的在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)(如圖3所示),并作為推薦模塊應(yīng)用于網(wǎng)絡(luò)培訓(xùn)教學(xué)中.與傳統(tǒng)的在線培訓(xùn)系統(tǒng)相比,在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)能有效收集網(wǎng)絡(luò)教學(xué)中學(xué)習(xí)者的反饋信息,為其他學(xué)習(xí)者提供需求相似的資源列表,與學(xué)習(xí)者進(jìn)行交互,節(jié)省在線學(xué)習(xí)者獲取信息和知識(shí)的成本.接下來,我們以該推薦系統(tǒng)中實(shí)際的用戶數(shù)據(jù)為例,闡述系統(tǒng)是如何為用戶推薦個(gè)性化資源的.

圖3 基于協(xié)同過濾技術(shù)的在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)

首先,個(gè)性化推薦系統(tǒng)中的行為收集模塊從用戶日志文件中收集用戶行為,建立用戶行為模型(如表4所示),并將其數(shù)據(jù)化.

表4 用戶行為矩陣模型

然后,推薦系統(tǒng)中的用戶顯示評(píng)價(jià)模塊收集用戶主觀評(píng)價(jià)數(shù)據(jù)(分值代表用戶對(duì)資源的喜好程度,分值越大代表用戶對(duì)該資源的興趣度越高,如表5所示).

表5 用戶主觀評(píng)價(jià)模型

最后,以用戶的行為數(shù)據(jù)和評(píng)價(jià)數(shù)據(jù)為依據(jù),計(jì)算資源相似度,產(chǎn)生用戶最近鄰居集,預(yù)測(cè)出用戶n在使用資源n時(shí)可能感興趣的資源列表(如表6所示).該資源列表由推薦系統(tǒng)自動(dòng)分析生成,以此來提高學(xué)習(xí)者的學(xué)習(xí)效率.

表6 目標(biāo)用戶n使用資源n時(shí)最近相似資源列表

六、結(jié)論與展望

本文首先分析了傳統(tǒng)協(xié)同過濾技術(shù)普遍存在的問題,進(jìn)而提出了一種改進(jìn)的協(xié)同過濾算法,該算法引入了用戶行為權(quán)重值概念,緩解了協(xié)同過濾算法普遍存在的冷啟動(dòng)問題.其次將協(xié)同過濾技術(shù)與在線學(xué)習(xí)資源相結(jié)合,設(shè)計(jì)了在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng),實(shí)現(xiàn)了學(xué)習(xí)者自主學(xué)習(xí),自主評(píng)價(jià),資源共享等功能,提升學(xué)習(xí)者的學(xué)習(xí)效果.雖然在線學(xué)習(xí)資源內(nèi)容不會(huì)發(fā)生變化,但是隨著用戶學(xué)習(xí)的不斷深入,學(xué)習(xí)興趣和方向可能不斷變化,如何根據(jù)用戶興趣的變化進(jìn)行實(shí)時(shí)地推薦,需要進(jìn)行深入的研究.

[1]Xia Jianxun.An Improved Similarity Algorithm Based on Hesitation Degree for User-Based Collaborative Filtering[A].Conference on CommunicationFaculty[C].Nanning,PEOPLESRCHINA: Proceedingsof2009ConferenceOnCommunicationFaculty, 2009,104-108.

[2]Ormandi,Robert;Hegedus,Istvan.OverlayManagementforFully Distributed User-Based Collaborative Filtering[A].16th International Euro-Par Conference on Parallel Processing[C].Ischia,ITALY: EURO-PAR 2010 PARALLEL PROCESSING PT I,2010,446-457.

[3]Zhao Zhi-Dan;Shang Ming-Sheng.User-based Collaborative-FilteringRecommendationAlgorithmsonHadoop[A].3rd International Conference on Knowledge Discovery and Data Mining [C].Phuket,THAILAND:ThirdInternationalConferenceOn Knowledge Discovery And Data Mining Proceedings,2010,478-481.

[4]Mu,XW;Chen,Y.An Improved Similarity Algorithm Based on Hesitation Degree for User-Based Collaborative Filtering[A].5th InternationalSymposiumonIntelligenceComputationand Applications[C].Wuhan,PEOPLES RCHINA:AdvancesIn Computation And Intelligence,2010,261-271.

[5]Luo,Q;Tian,X.A Personalized Recommendation Algorithm Combining Slope One Scheme and User Based Collaborative Filtering[A] International Conference on Industrial and Information Systems[C] Hankou,China:2009 International Conference On Industrial And Information System,Proceeding,2009,152-154.

[6]Lei Ren;Junzhong Gu.An Item-based Collaborative Filtering ApproachbasedonBalancedRatingPrediction[A]2011 International Conference on Multimedia Technology[C].Hangzhou, China:2011 International Conference on Multimedia Technology, 2011.

[7]Gao,M;Wu,ZF.Userrank for item-based collaborative filtering recommendation[J].Information Processing Letters,2011,(9):440-446.

王永固,副教授,博士,浙江工業(yè)大學(xué)教科學(xué)院副院長(zhǎng)(310014).

邱飛岳,教授,博士,浙江工業(yè)大學(xué)教科學(xué)院院長(zhǎng),現(xiàn)代教育技術(shù)研究所所長(zhǎng)(310014).

責(zé)任編輯 平果

G40-057

A

1009-458x(2012)08-0078-05

本文接受浙江省重大科技專項(xiàng)"浙江中小企業(yè)信息化服務(wù)平臺(tái)關(guān)鍵技術(shù)研究及應(yīng)用" (2009C11026)、國(guó)家社會(huì)科學(xué)基金"網(wǎng)絡(luò)環(huán)境下個(gè)體行為與群體行為研究"(10BGL095)、教育部人文社會(huì)科學(xué)研究項(xiàng)目"虛擬社區(qū)中基于社會(huì)網(wǎng)絡(luò)的知識(shí)共享機(jī)理及實(shí)證研究"(09YJC630207)的支持.

2012-04-15

孫歆,碩士生,浙江工業(yè)大學(xué)教科學(xué)院(310014).