網(wǎng)絡(luò)學(xué)習(xí)資源個性化推薦系統(tǒng)的設(shè)計與開發(fā)

馮蓓蓓

[摘要]在信息過載的網(wǎng)絡(luò)學(xué)習(xí)環(huán)境中，個性化推薦能夠幫助用戶有效獲取符合個人需求的網(wǎng)絡(luò)學(xué)習(xí)資源。文章針對網(wǎng)絡(luò)學(xué)習(xí)資源的特點，設(shè)計了基于協(xié)同過濾、深度神經(jīng)網(wǎng)絡(luò)推薦的個性化網(wǎng)絡(luò)學(xué)習(xí)推薦系統(tǒng)，致力于提高學(xué)習(xí)資源系統(tǒng)的個性化程度與智能性，從一定程度上解決“信息過載”問題，滿足用戶對網(wǎng)絡(luò)學(xué)習(xí)資源的個性化需求。

[關(guān)鍵詞]網(wǎng)絡(luò)學(xué)習(xí)資源；個性化推薦；推薦系統(tǒng)

伴隨現(xiàn)代遠(yuǎn)程教育及MOOC的快速發(fā)展，網(wǎng)絡(luò)學(xué)習(xí)資源日趨豐富。一方面，海量學(xué)習(xí)資源使學(xué)習(xí)者有了更多的選擇余地，可以根據(jù)個人的興趣愛好、知識結(jié)構(gòu)的積累，選擇更適合自己的學(xué)習(xí)資源。另一方面，網(wǎng)絡(luò)學(xué)習(xí)資源是異質(zhì)的，有文本、音頻、視頻等多種形式，學(xué)習(xí)者在紛繁復(fù)雜的學(xué)習(xí)資源中，并不總是能夠完全及時準(zhǔn)確地發(fā)現(xiàn)自己想要的資源，這也使得很多網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)無法得到充分有效的應(yīng)用。

網(wǎng)絡(luò)學(xué)習(xí)資源個性化推薦系統(tǒng)是一個基于REST架構(gòu)的分布式資源庫系統(tǒng)。主要包括管理員、用戶、學(xué)習(xí)資源。管理員可以創(chuàng)建、修改、刪除學(xué)習(xí)資源；用戶可以瀏覽、下載、評價和獲得推薦學(xué)習(xí)資源。用戶在利用傳統(tǒng)的類目、搜索學(xué)習(xí)資源的同時，系統(tǒng)還能夠根據(jù)用戶的個性化信息向用戶提供個性化的推薦。

1系統(tǒng)結(jié)構(gòu)

網(wǎng)絡(luò)學(xué)習(xí)資源個性化推薦系統(tǒng)的基本功能如下：

（1）用戶智能化管理：收集用戶的興趣偏好，根據(jù)學(xué)習(xí)資源的特征對用戶進(jìn)行推薦。

（2）分類瀏覽：將網(wǎng)絡(luò)學(xué)習(xí)資源以傳統(tǒng)的類目和Tag方式加以組織，從而有利于信息的進(jìn)一步挖掘。

（3）個性化檢索：依照用戶的檢索內(nèi)容和學(xué)習(xí)資源的匹配度，加入用戶的個性化的興趣偏好，向用戶反饋個性化的檢索結(jié)果。

（4）個性化推薦：構(gòu)建個性化推薦模型，基于協(xié)同過濾、知識庫等不同的推薦模型向用戶推薦學(xué)習(xí)資源。

根據(jù)以上分析，從應(yīng)用角度設(shè)計和實現(xiàn)了推薦系統(tǒng)的體系結(jié)構(gòu)，如圖1所示。前端開發(fā)工具采用ASPnet Web API，它是Microsoft的REST架構(gòu)平臺，基于REST的架構(gòu)能使應(yīng)用程序獨立于操作系統(tǒng)和程序語言，方便地與移動設(shè)備、數(shù)據(jù)分析平臺等無縫銜接，同時也可以調(diào)用其他應(yīng)用程序的功能。數(shù)據(jù)分析及推薦算法采用Python語言實現(xiàn)的sklearn機(jī)器學(xué)習(xí)模塊和TensorFlow實現(xiàn)的深度學(xué)習(xí)模塊。整個系統(tǒng)分為四大部分：前端用戶接口、推薦系統(tǒng)核心功能、學(xué)習(xí)資源管理系統(tǒng)和用戶數(shù)據(jù)處理系統(tǒng)。

2個性化推薦引擎

目前主流的推薦技術(shù)包括以下幾種：基于內(nèi)容的推薦、基于用戶統(tǒng)計信息的推薦、基于協(xié)同過濾的推薦、基于關(guān)聯(lián)規(guī)則的推薦以及基于知識庫的推薦?；谟脩?、物品的協(xié)同過濾算法是推薦系統(tǒng)中應(yīng)用最廣泛、最成功的算法。協(xié)同過濾算法，通過分析用戶與物品間的關(guān)系，計算物品、用戶間的相似度，根據(jù)用戶過往的評價行為利用分類、聚類的手段向用戶提供推薦列表。

21用戶偏好分析

用戶偏好分析是個性化推薦準(zhǔn)確性的關(guān)鍵，建立以用戶歷史行為為標(biāo)準(zhǔn)的用戶模型是做好用戶偏好分析的關(guān)鍵。結(jié)合用戶歷史行為和物品信息，可以得到用戶每種行為下的用戶偏好數(shù)據(jù)，建立偏好的維度和偏好程度。

將各種行為的偏好數(shù)據(jù)合并，從而得到用戶在物品、類別、標(biāo)簽等各個維度上的偏好程度。在對不同維度的數(shù)據(jù)合并計算時，應(yīng)當(dāng)考慮用戶對于不同行為類型的用戶偏好程度，從而賦予不同的權(quán)重。

利用機(jī)器學(xué)習(xí)中的Random Forest算法，在使用人工標(biāo)記后的訓(xùn)練數(shù)據(jù)，經(jīng)過模型的訓(xùn)練、測試，從而將用戶劃分到不同的群體。在處理用戶的偏好數(shù)據(jù)時，應(yīng)當(dāng)考慮時間因素的影響，根據(jù)不同的時間間隔，劃分成長期、中期、短期和實時四個時間維度，從而解決用戶因為時間的推移、興趣愛好發(fā)生變化產(chǎn)生的影響。

22協(xié)同過濾

協(xié)同過濾的推薦方法，主要利用用戶過去的行為或意見預(yù)測當(dāng)前用戶對物品的可能喜好，可以推薦一些物品內(nèi)容上差異較大但用戶又感興趣的物品，以近鄰算法為主。基于近鄰的方法，在數(shù)據(jù)預(yù)測中直接使用已有數(shù)據(jù)進(jìn)行預(yù)測，將用戶的所有數(shù)據(jù)加載到內(nèi)存中進(jìn)行運算。通常劃分為基于用戶的系統(tǒng)過濾和基于物品的協(xié)同過濾?；谟脩舻膮f(xié)同過濾是，獲取和當(dāng)前用戶相似的用戶列表，將這些用戶喜歡的物品推薦給當(dāng)前用戶；基于物品的協(xié)同過濾，獲取當(dāng)前用戶偏好的物品列表，將和這些物品相似的物品加入到推薦的候選列表中。

23深度神經(jīng)網(wǎng)絡(luò)

“深度學(xué)習(xí)”（Deep Learning）的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，于2006年由Hinton等人提出。含多隱層的多層感知機(jī)就是一種深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。比較常用的深度學(xué)習(xí)算法有，卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)及LSTM長短時記憶等算法。

Tensor Flow是谷歌于2015年11月9日正式開源的深度學(xué)習(xí)計算框架。Tensor Flow使用數(shù)據(jù)流式圖來規(guī)劃計算流程，可以將計算映射到不同的硬件和操作平臺，大大簡化了真實場景中應(yīng)用機(jī)器學(xué)習(xí)的難度。

本系統(tǒng)利用Tensor Flow平臺設(shè)計了兩個深度神經(jīng)網(wǎng)絡(luò)：第一個深度神經(jīng)網(wǎng)絡(luò)用來生成候選學(xué)習(xí)資源列表；第二個深度神經(jīng)網(wǎng)絡(luò)用來對輸入的候選學(xué)習(xí)資源列表打分排名，以便將排名靠前的學(xué)習(xí)資源推薦給用戶。候選學(xué)習(xí)資源的列表并不完全依賴于第一個神經(jīng)網(wǎng)絡(luò)的結(jié)果，也可以使用其他來源產(chǎn)生的候選學(xué)習(xí)資源。

3結(jié)論

利用傳統(tǒng)的類目式導(dǎo)航和簡單的信息檢索手段，用戶很難在紛繁復(fù)雜的學(xué)習(xí)資源中準(zhǔn)確地發(fā)現(xiàn)自己需要的學(xué)習(xí)資源，并且用戶之間無法共享有價值的學(xué)習(xí)資源。采用本文設(shè)計的模型，在幫助用戶快速獲取大量的有價值的學(xué)習(xí)資源的同時，還能夠根據(jù)其他用戶已經(jīng)獲取的學(xué)習(xí)經(jīng)驗來提高用戶的學(xué)習(xí)效率，這種個性化的推薦方式有助于提高用戶學(xué)習(xí)效率和學(xué)習(xí)資源的使用效率。

參考文獻(xiàn)：

[1]楊露基于協(xié)同過濾算法的鶴崗師專多媒體教學(xué)系統(tǒng)設(shè)計與實現(xiàn)[D].長春：吉林大學(xué)，2016

[2]裴艷基于學(xué)習(xí)分析的學(xué)習(xí)資源個性化推薦研究[D].西安：陜西師范大學(xué)，2015

[3]江周峰面向個性化學(xué)習(xí)資源共享的混合推薦系統(tǒng)的設(shè)計與實現(xiàn)[D].北京：北京郵電大學(xué)，2015

[4]應(yīng)中運基于用戶情境的論壇個性化推薦模型研究[D].重慶：西南大學(xué)，2014

[5]胡小豐面向科研用戶的個性化推薦系統(tǒng)設(shè)計與實現(xiàn)[D].北京：中國農(nóng)業(yè)科學(xué)院，2013

[6]劉敏基于協(xié)同過濾技術(shù)的E-learning個性化推薦系統(tǒng)研究[D].天津：天津師范大學(xué)，2010

[基金項目]本文系安徽工業(yè)經(jīng)濟(jì)職業(yè)技術(shù)學(xué)院2014年院級質(zhì)量工程項目電子商務(wù)省級特色專業(yè)（項目編號：2014YTSZY01）和安徽省2015年省級質(zhì)量工程項目電子商務(wù)省級特色專業(yè)（項目編號：2015tszy066）階段性成果。