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(jí)，推薦算法的不斷完善，也使得越來越多的人體會(huì)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(tái)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(duì)學(xué)習(xí)者提供個(gè)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(tái)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(gè)性化學(xué)習(xí)”特點(diǎn)，還為協(xié)同過濾推薦算法計(jì)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(gè)重要的屬性值，然后各個(gè)屬性值按相關(guān)的理論劃分等級(jí)后映射為一個(gè)個(gè)單獨(dú)的數(shù)學(xué)集合，這

3、樣就為計(jì)算機(jī)識(shí)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(píng)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(shí)間對(duì)于推薦工作的影響，即與推薦時(shí)間越接近的興趣越重要。由此，筆者提出了一個(gè)時(shí)間函數(shù)來應(yīng)用到最終的推薦工作中，對(duì)不同的相似用戶實(shí)現(xiàn)不同程度上的加權(quán)，這對(duì)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(tái)中利用模擬數(shù)